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,提出了一种基于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·实验结果表明,可以使编码平均失真下降·     

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.     

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。     

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。     

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.     

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。     

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。     

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.     

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。     

基于码本共享算法的分模式多级矢量量化

为了在存储量受限的情况下尽可能提高线性预测编码(linear predictive coding,LPC)系数量化性能,提出了一种基于码本共享算法的分模式多级矢量量化(multi-stagevector quantization,MSVQ)算法。由于LPC参数的分布与清浊音(unvoiced/voiced,U/V)参数相关,该算法对不同U/V对应的LPC参数进行不同量化,然后利用码本共享算法减少存储量需求。实验表明:在相同码率的情况下,该算法较MSVQ平均谱失真(spectrum distortion,SD)降低3.2%,码本大小增加26.7%;较分模式量化(mode-basedquantization,MBQ)平均谱失真升高3.6%,但是码本尺寸下降了92.1%。该算法是MSVQ与MBQ算法的一种折衷,在增加少量存储量的情况下提高了LPC系数的量化性能。     

矢量量化及其硬件实现

介绍了矢量量化的基本原理。采用矢量量化方法对分辨率为512×512的数字图像进行了计算机模拟,使由原图像的8 bit/像素降到了0.5bit/像素,同时用硬件实现了矢量量化编码.在硬件实现中,其主要部件采用74S器件,用绝对值减法器作为失真运算器以及编码器.与计算机的数据交换采用DMA方式,大大降低了编码时间.完成一幅分辨率为512×512的数字图像的16:1压缩仅需9s时间。     

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．     

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。     

一种基于矢量量化彩色图像的水印方法

给出了一种基于彩色图像矢量量化压缩域的码字索引上的水印嵌入算法.在对彩色图像进行矢量量化时,采用一套训练好的共享码本分别对彩色图像分离出的红、绿、蓝三色分量所对应的单色图像进行矢量量化编码,并同时在每n个彩色图像块中最多修改其中一个图像块的某一影响最小的单色图形块所对应索引的奇偶性,嵌入log2(n 1)比特的水印信息.该方法已在微型计算机上进行了实验,结果表明,图像水印的嵌入引起的失真较小,并且水印具有一定的鲁棒性.     

一种基于聚类算法的自适应图象矢量量化方法

提出了一种形成数据压缩码本的自适应图象矢量量化算法，在收敛速度和码本质量上较经典算法ＬＢＧ为优     

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.     

一种基于预测量化对结构的LSP参数量化算法

为了提高LSP参数的量化效率,提出了一种基于预测量化对结构的联合预测矩阵量化算法。与常用的预测矢量量化结构不同,算法中的预测量化对结构对码本中的每一个码字采用一个与其匹配的预测器,可进一步减小预测量化的信息冗余。在码本训练中,设计了一种渐进闭环迭代优化方法,有效地提高了预测器与量化器的匹配程度。仿真实验结果表明,与传统的矩阵量化算法相比,提出的算法对LSP参数量化的平均量化谱失真较小,具有更优的量化性能。