加权平方误差测度下的快速矢量量化算法

为降低加权平方误差测度下的矢量量化运算量,针对加权因子固定与不固定两种情况,分别提出了快速搜索算法。加权因子固定时,对等均值最近临搜索算法做了相应改动即可应用;加权因子随输入矢量变化时,提出了一种分裂多级等均值最近临搜索算法,算法提出了3个新的排除准则,在不同的场合下选用部分或者全部,从而有效降低码字搜索运算量。测试结果表明:分裂多级等均值最近临搜索算法能够有效降低加权平方误差测度下矢量量化的运算量,比全搜索算法能够节省约69%的运算量。     

矢量量化快速搜索算法的研究

为了进一步降低矢量量化的运算量,提出了一种新的快速搜索算法.在最近邻域搜索算法的基础上,提出了一个基于矢量分割的一般性码字排除准则.该准则综合利用子矢量的均值和方差参数,构造了一个判决不等式来排除不可能的码字.算法中子矢量的个数设定为2.实验结果表明,该算法的运算时间是改进的等均值等方差最近邻域搜索(IEENNS)算法的80%左右.该算法的性能要优于以往的几种基于不等式判决的快速搜索算法,可以应用在语音和图像编码算法中.     

码书分类重排矢量量化方法及其应用

矢量量化可有效降低语音编码速率,但目前已有的多级分裂矢量量化、转换分类分裂矢量量化方法等都存在存储需求、计算复杂度以及解码语音质量等不能达到良好折衷的缺陷。该文提出了一种码书分类重排矢量量化方法。该方法通过将设计好的码书进行分类重排以降低码书搜索范围。并将该方法与多级分裂矢量量化结合,提出了码书分类重排多级分裂矢量量化方法。在量化比特及码书大小不变的前提下,实验结果表明:该方法可达到透明量化效果,量化时的计算复杂度最大降幅可达到多级分裂矢量量化方法的90.24%。     

带有级间预测的LSF矢量量化多级码本联合优化

语音编码算法中线谱频率(LSF)参数的量化极其重要。该文针对带有级间预测的线谱频率参数多级矢量量化算法,提出了一种多级码本之间的联合优化算法。每次迭代时,先将训练矢量对码字进行聚类,固定除当前级码本外的其他各级码本,利用加权均方误差最小原则更新当前级码本。直至达到一定的迭代步数或者两次迭代之间量化误差降低小于一定阈值,停止迭代。在一种300 b/s声码器上进行测试,结果表明该算法能够有效降低LSF参数的量化误差,从而提高合成语音的质量。     

基于小波变换的矢量量化快速码字搜索算法

针对矢量量化过程中编码的复杂性,提出了一种基于小波变换的自适应快速码字搜索算法.该算法使用欧几里德距离的平方作为量化的失真测度,首先为输入矢量选择合理的初始匹配码字,然后利用多控制点的三角不等式和变换域中矢量的性质去排除不可能匹配的码字,最后通过搜索空间的逐次降低找到与输入矢量最匹配的码矢量.仿真结果表明：在需要很少预先计算量和额外存储量的条件下,文中算法的编码质量和全搜索算法相同,但是其计算量却极大地降低.     

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。     

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。     

极低速率语音编码中LSP参数的高效量化算法

为在极低速率下实现高质量的语音编码,提出了一种新的有效的线谱对(LSP)参数量化算法——P-RS-MSMQ算法。此算法以多帧联合矩阵量化作为基本框架,引入了基于超级帧模式的均值去除和帧间预测策略、矩阵分裂和子矩阵多级量化策略;同时提出了基于语音帧短时谱能量的帧内加权和基于超级帧中各子帧重要性的帧间加权策略等。实验表明:此算法能够在700b/s的速率下获得接近透明量化的性能;即使在300～400b/s的极低速率下也具有较高质量的量化效果。因此该算法的实现对极低速率语音编码算法的研究具有重要的意义。     

基于运动补偿的多级矢量量化联合编码算法

研究了基于运动补偿的多级矢量量化编码方法．针对传统算法编码质量较低的问题,在保持量化器结构不变的情况下,借鉴维特比编码方式,提出多级矢量量化联合编码算法,并采用部分失真快速码字搜索算法提高编码速度．仿真实验表明,与传统MSVQ算法相比,本算法不仅提高了编码图像的质量。而且降低了编码速率．     

变比特率均值匹配相关矢量量化图像编码算法

矢量量化(VQ)是一种有效的数据压缩技术。为找出与输入矢量最匹配的码字,传统的穷尽搜索矢量量化编码算法需要计算输入矢量与所有码字之间的失真测度。码书大小和矢量维数越大,穷尽搜索矢量量化编码的计算复杂度就越高。为了降低穷尽搜索矢量量化器的编码复杂度,本文提出了一种用于快速图像编码的均值匹配相关矢量量化器(MMCVQ)。在编码前,首先计算所有码字的均值,然后按照这些均值从小到大对码书进行排序。编码阶段,利用邻近图像块的高度相关性和当前输入矢量的均值共同确定相应的码字搜索范围。实验结果表明,当阈值大小为320时,与传统穷尽搜索矢量量化编码法相比,虽然MMCVQ算法的编码质量下降约0.3～0.4dB,但速度快14倍而且比特率下降0.1～0.2比特像素。     

广义特征值盲波束形成的低复杂度自适应算法

提出了一种线性低复杂度盲自适应Lagrange乘子波束形成算法．基于最大信干燥比准则(MSINR)的特征值波束形成将导致广义特征值(GE)问题,新算法通过把GE问题表示成期望信号和干扰噪声信号协方差矩阵特征值的函数,用线性迭代的方法搜索最大GE,并利用最陡下降法更新权向量;提出方法被用于W—CDMA智能天线基站上行信号接收．数值仿真结果表明,与其他算法相比,在未牺牲系统BER性能的同时,提出算法具有更快的收敛速度和更低的计算复杂度;算法总的计算复杂度约为O(7N)(N为天线元数目)．     

视频编码快速块匹配算法的改进

为了降低视频压缩中块匹配的运算复杂度,避免块匹配陷入局部极小值且维持较高的压缩比,提出了一种快速块匹配的搜索算法.首先判断图像块是否静止,若是,停止该块的搜索;反之,通过运动矢量预测确定搜索中心点,并由中心点由内向外搜索,同时结合搜索停止判断条件,提前终止搜索.对改进块匹配快速搜索算法与全搜索和菱形快速搜索进行了仿真实验和对比分析,并将提出改进的运动估计算法在一个实际的机械臂远程视觉控制系统中进行了应用.结果表明：在全搜索、菱形快速搜索和快速块匹配搜索算法中,快速块匹配算法综合性能是最好的.     

以H.264算法为平台的高效率图像增强算法

为了在提高重建图像质量的同时不增加系统开销,提出一种将改进的图像平滑与加权零块判决准则结合的算法。图像增强能有效去除在获取原始图像阶段引入的随机脉冲噪声、Gauss噪声及其混合噪声,但增加了系统开销,视频编码巨大的运算量往往成为实时应用的瓶颈之一。该算法利用改进的MTM(modifiedtrimmedmean)方法提高图像质量,利用加权零块判决准则保持系统性能。以H.264算法为仿真平台进行测试。结果表明:中低码率时,在不增加系统计算开销的前提下,获得同等质量图像,码率可降低50%。     

用分块加权平均的不精确Newton法计算潮流问题

为研究电力系统中潮流方程的快速算法,将求解大型稀疏线性方程组的componentaveraging(CAV)方法应用于电力系统潮流方程的计算,提出了一种分块加权平均的不精确Newton法,给出了算法收敛性的证明。该方法的特点是易于组织并行计算,且算法灵活,无需对方程进行特殊处理,运算效率高,适应于解大型潮流方程。用IEEE662节点的电力系统对算法进行了串行实现,结果表明:该算法是可行的和快速的。     

新变异DNA遗传人工鱼群优化DNA序列的多模算法

为了提高多模信号的均衡效果,提出一种新变异DNA遗传人工鱼群优化DNA序列的频域加权多模算法(nm DNAGAFS-DNA-FWMMA)。该算法利用新型变异DNA遗传人工鱼群算法收敛速度快和全局搜索能力强的优点,通过DNA约束模型和代价函数来寻找最优DNA序列,将该序列解码后作为频域加权多模算法(FWMMA)初始最优权向量,以提高收敛速度并减小剩余均方误差。仿真结果表明,nm DNAG-AFS-DNA-FWMMA的收敛速度快、均方误差小。     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.