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。     

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。     

多带激励语音编码算法中矢量量化方案的设计

作者讨论了人工神经网络矢量量化在多带激励语音压缩编码算法中的实际应用。采用Ｋｏｈｏｎｅｎ自组织特征映射神经网络技术对语音参数中的谱包络参数进行量化，利用Ｋｏｈｏｎｅｎ自组织特征映射神经网络具有的聚类特性，提出一种初始码本抽取和码本训练的实际算法，训练出具有明显拓扑结构和码本。利用语音的帧间相关性和训练网络的结构特性，提出一种称为“邻域搜索法”的快速码字搜索算法。实验表明，这种矢量量化算法使码卡搜索     

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。     

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。     

基于线谱对高效矢量量化的0.6 kb/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.     

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。     

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.     

8 kbit/s 短延时语音编码算法——LD-ACELP

８ｋｂｉｔ／ｓ短延时语音编码算法ＬＤ－ＡＣＥＬＰ，采用了代数码本激励线性预测（ＡＣＥＬＰ）的编码方法，利用语音的帧间相关性对线谱对参数采用了分裂式矢量量化技术，并采用高效的码本结构、码本搜索技术和增益矢量量化技术来获得较高的语音合成质量和较短的算法延时。ＬＤ－ＡＣＥＬＰ的帧长为１０ｍｓ，算法延时为１５ｍｓ。通过信噪比及人耳主观听觉实验等性能测试表明，该算法具有与国际电联１６ｋｂ／ｓ短延时语音编码算法ＬＤ－ＣＥＬＰ（Ｇ．７２８）相当的语音合成质量。     

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%。     

1.8kb/s多带线性预测编码算法设计

设计了一种多带线性预测编码(MBLPC)语音压缩算法，该算法结合正弦编码和线性预测编码的优点，对语音信号的包络谱用线性预测编码方法进行估计．而对激励谱用多带方式进行处理．改进了特征参数的提取和量化方法，包括基于谐振结构的基音检测算法、基于谐振结构的线性预测分析以及包络谱参数的线性预测多层分裂码本矢量量化．非正式主观测试表明，在1．8kb／s编码速率下，由MBLPC算法所重建语音的平均意见分为3．0，而清晰度指标约为91％．     

SOFM和HMM在矢量量化码本优化中的应用

在语音压缩编码中，矢量量化占有很大比重和计算量。码本的好坏与方法的选择有很大关系。将基于神经网络的ＳＯＦＭ（自组织特征映射算法）和ＨＭＭ（隐含马尔可夫过程）应用于矢量量化，从而产生更为优良的码本。     

智能对线器语音系统设计与仿真分析

为方便继电保护人员在使用智能对线器时进行语音通信,在智能对线器的基础上设计了一个语音通信系统.该系统编码技术以码激励线性预测语音编码（CELP）技术为基础,采用分裂式矢量量化（SVQ）技术、开环与闭环结合的自适应码本搜索算法和固定码本自相关搜索算法来提高语音处理速度和重构语音质量,应用自适应组合滤波器进一步增强语音的感性质量.仿真分析和语音测试的结果表明,语音通信系统获得了较高质量的重构语音,能满足对线工作的语音通信需求.     

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.     

低延迟10kb/s语音编码算法研究

介绍了8kHz采样率下算法延迟为2.5ms的10kb/s语音编码算法。本算法使用20维的CELP,并用自适应码本搜索和代数码本搜索相级联的方法进行矢量量化。通过PC仿真实验并经PESQ测试,其合成语音质量接近16kb/s的G.728。     

一种矢量量化中的码本优化方法

在语音压缩编码中,矢量量化占有很大比重和计算量．码本的好坏与方法的选择有很大的关系．笔者介绍了一种方法,将神经网络和隐含马尔可夫过程应用于矢量量化,从而产生了更为优良的码本．     

实时低速率语音压缩编码的算法研究

针对数字化通信网及多媒体应用中低速率数字语音编码问题，以多带激励（ＭＢＥ）声码器为模型，采用了一些新算法去降低编码速率和改善音质。利用动态规划算法对基音周期进行平滑，去除了声码器中常有的音调噪声。利用ＬＰＣ全极点模型谱逼近ＭＢＥ谱包络，并采用共振峰增强技术来补偿模型误差，有效地降低了编码速率。为了能够实时实现这个编码系统，采用了分裂矢量量化，多级矢量量化和前向多层人工神经网络等技术进行优化和改善，使之在２．４ｋｂｉｔ／ｓ，１．２ｋｂｉｔ／ｓ及８００ｂｉｔ／ｓ等速率上实时实现了较高质量的语音压缩编码。     

一种改进的树形矢量量化编码算法

矢量量化中的一个最严重的问题是在一本码本中搜索最近码字的高计算复杂度。本文在研究树形矢量量化的基础上提出了一种改进的树形矢量量化编码算法。实验结果表明,本文提出的编码算法相对于树形矢量量化算法可大大改善峰值信噪比（ＰＳＮＲ）。     

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