基于SFCM自适应矢量量化码本训练方法

自适应矢量量化在语音信号处理中有广泛地应用 ,提出一种基于ＳＦＣＭ算法的自适应矢量量化码本的训练方法 ,其特点是通过模糊聚类方法 ,重新调整训练样本与码字之间的隶属度 ,达到最小编码失真 ,使码本更适合新说话人 ,且计算简单·本方法的实验结果表明 ,可以使编码平均失真下降·基于SFCM自适应矢量量化码本训练方法@李晶皎 @夏晓东 @顾树生     

自回归预测多级矢量量化线谱频率编码技术

在语音编码中线谱频率的量化编码多依赖于矢量量化技术。文中在分析经典的LBG多级矢量量化算法优缺点的基础上,结合m进制搜索代替全搜索以及瞬时联合调整各级码本的技术并引入自回归预测模型,实现了自回归预测多级联合矢量量化码本设计。并与窄带自适应多速率语音编码器AMR和MELP语音编码系统中线谱频率矢量量化进行了对比,效果良好。     

一种基于分裂表扩展的格型矢量量化新方法

基于分裂表设计了一种适用于低比特率音频编码的格型矢量量化新方法.它将大值矢量分裂为基础码本中的矢量与分裂表中的分裂量之和,然后分别对其进行量化,从而在低计算复杂度下,解决了格型矢量量化中因矢量值过大而产生的过载失真问题.同时,通过仔细挑选RE8格中的子集,设计了适合该分裂表扩展方法的码本.结果表明,与经典的Voronoi扩展矢量量化方法相比,新方法在保持音频编码性能相当的同时,压缩了量化码本的存储空间,降低了计算复杂度.     

结合信源和信道的多级矢量量化联合优化算法

针对传统的信源优化多级矢量量化抗误码性能较差的问题,提出了一种结合信源和信道的多级矢量量化码本联合优化算法。该算法将码本联合优化与非等重信道保护相结合,充分利用多级矢量量化中各级码字之间的相互作用关系和非等重信道保护的特性,对各级码字进行非等重误码率的迭代优化来降低整个系统失真。在低速率语音编码中线谱频率参数的仿真测试表明:与信道优化的多级矢量量化独立码本和非等重信道保护相结合的方案相比,在8%误码率信道下该算法线谱频率参数的平均谱失真降低了0.1dB;与等重误码率的码本联合优化方案相比,在各种误码率信道下该算法线谱频率参数的平均谱失真都有明显降低。     

带有帧间级间预测的线谱频率参数多级矢量量化

为在极低速率下实现高质量的语音编码,提出一种高效的带有帧间及级间预测的线谱频率参数多级码本矢量量化(IFP-MSVQ-ISP)算法。算法利用多级矢量量化中上一级码本的选定码矢对残差矢量进行预测,对去除预测分量的残差矢量再进行下一级矢量量化。测试结果表明,这种带有多级码本级间预测的算法与无级间预测的算法相比,能够有效降低线谱频率参数的量化误差,使谱失真降低0.1 dB以上,合成语音客观MOS提高0.02以上。该算法的实现对极低速率下语音压缩编码算法的研究具有重要的参考价值。     

矢量量化中的非二元树搜索算法

在矢量量化(VQ)系统中,搜索算法是实现编码的关键技术.本文介绍非二元树搜索矢量量化系统的码本设计和搜索算法.计算机模拟实验结果表明,非二元树搜索矢量量化在失真性能和存储量方面明显优于二元树搜索矢量量化,而计算量只有全搜索矢量量化的几分之一.     

带有帧间级间预测的线谱频率参数多级矢量量化技术

为在极低速率下实现高质量的语音编码,提出一种高效的带有帧间及级间预测的线谱频率参数多级码本矢量量化(IFP-MSVQ-ISP)算法。算法利用多级矢量量化中上一级码本的选定码矢对残差矢量进行预测,对去除预测分量的残差矢量再进行下一级矢量量化。测试结果表明,这种带有多级码本级间预测的算法与无级间预测的算法相比,能够有效降低线谱频率参数的量化误差,使谱失真降低0.1dB以上,合成语音客观MOS提高0.02以上。该算法的实现对极低速率下语音压缩编码算法的研究具有极其重要的意义。     

基于二级矢量量化的LPC声码器算法

为了有效地减少语音编码的比特数、降低量化误差以及提高解码语音质量,提出了一种二级矢量量化的LPC声码器算法.该算法在模糊聚类与LBG级联的VQ算法的基础上,进一步采用二级矢量量化算法对特征参数矢量进行量化.特征参数为语音的两个特征值:基音周期与增益.第一级码本为矢量码本;第二级码本为误差码本.将该算法应用于LPC声码器中进行仿真实验,结果表明:该算法能有效地降低量化比特数并且减少了量化误差,从而使解码语音质量得到改善.     

多级矢量量化中的码本共享

为了解决语音参数编码算法中多级矢量量化中码本尺寸过大,存储量过大,导致搜索复杂度大的问题,提出了多级矢量量化中的码本共享的迭代算法。该算法基于多级矢量量化中各级待量化码矢之间的相似性,采用模拟退火算法,通过迭代得出共享变换系数。在1.2 kb/s的正弦激励线性预测声码器中,采用该算法对线谱对参数进行多级矢量量化。测试结果表明:在共享级别选择恰当时,可降低存储量20%,同时重建语音谱失真损失约为0.02 dB,可见该算法可以有效降低码本容量,同时对语音质量影响极小。     

多矢量多模式量化中码本尺寸联合优化算法

为了在基于模式的矢量量化中得到更好的量化效果,提出了一种有效的各模式码本尺寸分配算法以逼近全局最优。该算法对于各个模式分别计算每一种码本尺寸所带来的量化失真,在所有模式码本尺寸之和受限的条件下,寻找所有量化失真之和最小的码本尺寸分配方案。结果表明:该算法在运算量和存储量基本不变的情况下,可以有效地降低量化失真,提高量化精度,合成语音平均意见得分(MOS)提高0.02左右。     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

彩色视频的四维MDCT及矩阵量化编码

对赵岩的彩色视频的四维矩阵模型理论及压缩编码研究中的量化方法进行了改进,提出了矩阵量化的方法。矩阵量化克服了矢量量化码书敏感的问题,而且该方法不需要训练码书,不需要预测和运动补偿,易于快速实现。四维矩阵量化之后,又给出了进行变长编码时所需要的扫描顺序。变长编码后进行Huffman编码,这与经典的压缩方法是一致的。     

LBG与SOFM应用于矢量量化的比较研究

在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感。论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考。     

自适应分形矢量量化编码

提出了一种自适应分形矢量量化编码方法。对图像进行自适应四叉树分割,并构造粗糙的均值图像。误差图像进行分形矢量量化编码时,使用设计的自适应二维维纳数字滤波器,对收缩的均值图像进行滤波后,可构造好的码书。实验证明,本方法码书不需外部训练,解码不需要迭代,可以改善重建图像的视觉质量,使压缩比和PSNR都有明显提高。     

一种基于小波分解的图象分层分类矢量量化方法

作者提出了一种基于小波分解及采用自组织特征映射神经网络进行分层分类矢量量化的静态图像压缩编码方法。首先对图象进行了小波分解。利用不同分辩率级间小波子图的相似性,将最低分辩率层子图的矢量编码信息作为整幅图象的解码数据,并将其矢量分类和解码索引地址信息用于高分辩率层子图的码书训练。实验表明,和其他文献提出的方法相比,作者提出的方法在获得较好重构图象质量的前提下,提高了压缩比和编解码速度。     

神经网络矢量量化的设计与实现

设计了一种混合神经网络矢量量化编码方法。利用Ｋｏｈｏｎｅｎ网络的自组织聚类功能设计矢量量化器码书，实现矢量量化，用３层ＢＰ网络完成码字的信道符号编码。该神经网络矢量量化编码器能够并行处理输入矢量，速度快，效率高，适用于语音和图像数据压缩     

基于码字特征的多模式多级矢量量化算法

为提高声码器中线谱频率参数多级矢量量化的性能,提出了一种根据码字特征进行分模式量化的算法。该算法首先根据下一级量化误差最小化的准则,通过训练得到本级代表模式信息的码字(码字数目为模式数目);然后统计与各个码字相对应的输入矢量占总矢量的比重,继而得到各模式码字所分化的码字个数;最后根据该分化方案训练得到本级所有码字并确定码字与模式的对应关系,从而进行分模式量化。测试结果表明:相比于根据本级码字索引平均进行模式分配的简单方案,该算法可以使平均谱失真(ASD)降低0.05 dB,而平均意见得分(MOS)提高0.02左右。     

基于改进粒子群算法的矢量量化码书设计研究

提出一种粒子群分组并行寻优码书设计算法,应用于图像的矢量量化编码中.可以得到性能较好的码书.利用同一种群两个分组分别进化,同时相互监督,某一个分组或者两个分组都陷入局部最优时,它能够通过相互作用跳出局部最优;然后通过对训练矢量进行排序,合理选择初始码书,使码字的分布更加合理,增强搜索多样性;最后通过仿真实验验证了该改进算法的合理性.