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     

基于部分失真定理的信道最优矢量量化器设计

提出了一个使用进化算法，引入部分失真定理（渐进划分理论）的信道最优矢量量化器（COVQ）的设计算法，采用该算法，在给定信道状态模型和存在的信道噪声的情况下，可有效地提高矢量量化器的性能，实现了COVQ的设计，该算法利用进化策略调整各码矢所确定区域的子误差，从而进一步改善期望误差，与常用的码书设计算法相比较，该算法能较好地调整各区域的子误差，获得比传统算法更高的性能增益。     

矢量量化的抗噪声优化算法

矢量量化是低速率语音和图像编码传输的有效手段,但是矢量量化系统很容易受信道误码的影响。通常对信道误码可以用纠错码来解决,但是这需要增加系统的传输码率。该文提出了一种不增加传输码率的矢量量化抗噪声优化算法,即对矢量量化码本的索引值分配进行优化,使得优化后所有Hamming距离为1的二进制码本索引值对应的码矢量的距离尽量小,从而在不增加传输码率的条件下有效地控制信道误码引起的信号失真。软件模拟显示在随机误码的情况下此算法是很有效的,并且成功地应用于低速率声码器算法中,使得声码器在10-2的随机误码的情况下仍然具有良好的性能。     

一种甚低码率声码器的设计

在混合激励线性预测 (mixed excitation linear prediction, MELP) 模型的基础上,以超帧为单位,采用多帧联合编码技术,分模式对子帧的语音特征参数进行联合量化,实现了一种码率为600 bit/s的声码器。为了进一步减小量化误差,设计出了一种基于高斯混合模型的预测分类分裂矢量量化器(predictive switched split vector quantization based on Gauss mixture model, GMM-PSSVQ),该量化器对超帧中某些子帧的线谱频率进行量化,并利用帧间预测和线性插值等方法提高编码效率。采用谱失真对设计的矢量量化器进行性能评估,并分别与多级矢量量化和预测分裂矢量量化算法进行性能比较;通过客观感知语音质量评估和主观判断韵字测试对实现的声码器进行性能测试。测试结果表明,设计的矢量量化器平均谱失真最低,实现的声码器合成语音具有较高的清晰度和可懂度。     

一种基于鲁棒矢量量化的信源-信道联合编码算法

信源-信道联合编码是数字通信中编码与传输的关键技术之一。在分析经典算法的基础上,结合语音编码中的声道参数,提出了采用似然比作为测度的信源-信道联合编码算法,同时通过多级分裂矢量量化进一步提高编码参数的量化精度。定点仿真结果表明,该算法的量化精度较传统方法性能提高了近41％,且可以在不增加额外比特开销的基础上进一步提高系统的鲁棒性。     

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。     

基于线谱对高效矢量量化的0.6kb/s语音编码算法

为了提高通信系统的抗干扰和抗攻击能力,尽可能降低语音编码速率.提出了一种O.6 kb/s语音编码算法.算法基于3帧联合,对多帧联合参数采用高效矢量量化,在降低语音编码速率的条件下保证语音编码质量.其中,对线谱对参数采用预测多模式多级矢量量化码本结构.在码本设计过程中,提出了多模式渐进闭环设计,对各类码本联合优化,并联合优化预测器和量化器,可以有效提高线谱对参数量化质量.在译码方,采用多带混和谐波激励提高合成语音清晰度.测试结果表明,该语音编码算法合成语音PESQ(perceptualevaluation of speech quality)得分可以达到2.7,汉语诊断押韵测试DRT(diagnostic rhyme test)得分可以达到89.7.     

基于低密度奇偶校验编码的自适应调制方案

为克服无线信道时变衰落特性对传输性能的影响 ,提出了基于低密度奇偶校验 (L DPC)编码的自适应调制传输方案。该方案将所有子信道传输的信息采用同一个 L DPC码进行编码 ,每个子信道根据各自当前的噪声水平动态选取调制方式 ,而各个子信道的瞬时噪声根据 L DPC译码前后信息序列的符号改变情况进行估计。仿真结果表明 :在 Nakaga-mi时变衰落信道下 ,该系统方案可以很好地适应信道的时变衰落特性 ,在满足系统输出误比特率的条件下 ,可以很低的系统复杂度实现信息的最佳传输 ,并获得距离理论极限3d B的良好传输性能     

矢量量化器的典型训练序列方法

本探讨了矢量量化器设计中信源样本的选取问题，提出了典型训练序列的概念和生成方法。实验结果表明用典型训练序列设计矢量量化器的有效性。同时，简化了设计。     

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．     

分布式信源矢量量化性能分析

研究分布式信源量化维数与量化性能之间的定量关系. 通过量化器输出点密度函数分别描述了量化码率和失真,推导出量化码率、失真、维数之间的关系,并分析了量化渐近性能. 得到量化维数同量化性能之间的关系函数. 仿真结果表明,随着维数增加,量化率失真性能渐进逼近Wyner-Ziv限. 在较低维数情况下,分布式信源矢量量化也能较好地逼近Wyner-Ziv限,即可以用低复杂度的低维量化器达到性能的需求.     

LSF标量格型混合量化

为了降低线谱频率(LSF)参数矢量量化器的搜索复杂度和码字存储单元,利用格型矢量量化的优点,设计了一种适合LSF参数量化的标量格型混合量化器。该量化器对LSF参数的预测残差矢量的第一、二个参数进行标量量化,余下的参数则利用格型矢量量化,从而降低了搜索复杂度和码字存储单元,与G.729协议所使用的LSF量化技术相比,有一定的改进。     

PVQ的标号算法

PVQ(PyramidVectorQuantization)是一种格型矢量量化技术,它可用于压缩子带分解/小波变换或DCT变换产生的拉普拉斯信源[1],本文论述了二种新的用于PVQ的标号算法幅度标号法(MagnitudeEnumeration)和务件乘积码标号算法(ConditionalProductCodeEnumeration)[2]。对子区的划分方法都不相同。     

论向量量化器与自相合随机向量的关系

通过比较向量量化器和自相合随机向量，发现取欧氏距离时，构造局部最优向量量化器问题可转化为求自相合随机向量问题，从而可借助向量量化理论研究主曲线．     

无线通信中压缩图像传输的信源信道联合解码

提出了一种应用于矢量量化信源的QPSK调制的信源信道联合解码的新方案．该方案在不改变原有传输系统中的Turbo Log—MAP译码器结构的情况下，通过重组图像的错误检测，反馈信源的信息来改变译码过程中译码器间传递的外信息，从而提高信道译码的纠错能力．实验表明，通过应用这种联合解码方法，至少减少了一个数量级的比特错误，而且使用较小的迭代次数就可以达到较高迭代次数的效果．这将大大减少译码的延迟，使得Turbo码的应用更为广泛．     

基于Context量化的Context模型

 Context模型广泛地使用在图像编码系统中以提高压缩性能.然而,如果没有特殊的处理,预期的压缩收益将会由于高阶context模型引入的模型代价而被抵消.Context量化是解决这个问题的有效方法.详细分析了一般context量化存在的问题,提出context量化与一般矢量量化问题的相似性,并且证明了,如果设定了一个合适的失真度量准则,运用Lloyd迭代算法可设计出最优的context量化器.     

基于矢量量化和可变长编码的联合信源信道编码

提出了一个在噪声信道中对可变长信源编码码流传输提供有效差错保护的联合信源信道编码方案，利用信源编码器输出中的残留冗余为传输码流提供差错保护。该方法基于改进的联合卷积软解码以及采用非霍夫曼码的通用可变长码(UVLC)，更接近于一般的信源和信道编码方法，并且信源符号集的大小也不受限制。仿真结果表明，文中提出的联合编码系统可获得比传统的分离编码系统更高的性能增益。     

一种选择预测矢量量化的迭代优化设计方法

为了提高选择预测矢量量化的性能,提出了一种迭代优化设计方法。利用常规的前后帧相关性划分训练数据,采用不同的训练数据进行各个预测系数计算和码本设计。采用设计的预测系数和码本对训练数据进行量化,根据量化误差大小调整训练数据划分。通过训练数据划分和码本设计迭代,优化选择预测矢量量化码本设计。该方法改进了训练数据固定划分的缺点,可以有效提高选择预测矢量量化设计性能。以语音线谱对参数为实验数据进行实验,实验结果表明,该方法能减小参数量化失真,改善信号压缩质量。