低速语音编码中的预测分类分裂矢量量化技术*

为降低编码速率的同时仍能提供较好的谱失真性能,提出了一种预测分类分裂矢量量化算法,它根据线谱对的特点,融合了预测、分类、分裂的方法对线谱对进行量化,加入了记忆性。实验证明与其他几种方法相比,该算法的量化性能在速率与失真间达到了较好的平衡,且计算量大大降低,仅占有内存有所增加。     

LSF参数转换分裂矢量量化的卡尔曼后滤波增强方法

针对LSP参数在转换分裂矢量量化（Switch Split Vector Quantization,SSVQ）中未能充分利用子矢量间相关性的不足,提出了一种LSP参数SSVQ的卡尔曼后滤波增强方法。该方法在解码端利用卡尔曼滤波器来进一步发掘子矢量间和连续帧矢量间的相关性,并结合SSVQ中分类的转换来自适应地调整卡尔曼滤波器的参数。实验结果表明,方法可在SSVQ的平均频谱误差为0.9~1.0 dB时进一步减少0.01~0.02 dB。     

一种增强的LPC参数多级矢量量化技术

为充分利用码本的级间相关性,提出了一种联合码本优化多级矢量量化(JCO-MSVQ)码本设计方法。每次迭代时,先将训练矢量对码字进行聚类,再对各级码本进行联合优化,利用条件期望逐级更新码本。实验数据表明,该算法在设计10维线谱频率(LSF)参数量化码本时,较随机松弛算法(SR)码本有更小的平均量化畸变。23比特/帧LSF参数量化器平均对数谱失真为0.87dB,达到了透明量化要求。     

线谱对参数预测多级矢量量化联合优化算法

提出了一种线谱对参数预测多级矢量量化联合优化算法.该算法对预测系数和多级矢量量化采用渐进闭环设计,通过迭代实现预测系数和多级矢量量化设计的联合优化.在多级矢量量化设计过程中,采用迭代优化实现多级码本的联合优化.采用语音线谱对参数对量化算法进行测试.测试结果表明,与传统算法相比,该量化算法可以减小线谱对参数量化失真.提高编码语音质量.     

基于分裂预测式矢量量化的研究

为降低误差积累对线谱频率量化的影响,防止因此而导致语音质量下降,本文提出了基于分裂预测方法的新型混合式矢量量化结构.实验结果表明,该方法不仅比G.29的语音编解码算法明显降低了累积误差,平均谱失真在丢帧严重的情况下降低了达36%,而且提高了量化的透明度.     

直接矢量量化方法在语音编码算法中的应用

介绍了一种降低码书搜索复杂度的方法-直接矢量量化（DVQ）方法,将其应用于LD-CELP语音编码算法中的仿真译码器模块和码书搜索模块,用感觉加权逆滤波器代替仿真译码器模块中的综合滤波器,去除了码书搜索模块中冲激响应h（n）的运算。实验结果表明,利用直接矢量量化方法简化了码书搜索算法的复杂度,提高了码书搜索算法的效率,在运算时间方面比原始LD-CELP算法快3 s~5 s,同时保持了原编码算法合成语音的音质。     

一种加权学习矢量量化算法

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题,提出一种加权学习矢量量化算法．该算法为每一维属性引入一个权重系数,用其表征相应属性在分类过程中的重要程度,并与权向量一同更新．利用输入样本和获胜神经元之间的修正距离的均值,控制权重系数更新的阈值及步长．距离均值确保了更新过程的稳定性,且无需进行权重系数的归一化操作．UCI机器学习数据库中6组数据的实验结果表明,该算法能够有效给出数据的本质属性,尤其是局部型权重系数．与传统学习矢量量化算法及其改进算法相比,识别率高、性能稳定、计算复杂度低．     

一种快速相关预测矢量量化的图像编码算法

矢量量化是近年来图像压缩研究中的重要技术，在该技术中，减小编码运算时间和降低平均编码比特率是当前研究的重要问题，目前，已经提出了许多快速编码算法。为了进一步减少图像矢量量化编码的时间和降低编码比特率，提出了一种超前相关预测与快速搜索相结合的快速矢量量化编码算法。该算法在对当前图像块完成编码后，再根据该图像块与相邻的未编码图像块的相关性来预测相邻块的编码值，如果预测成功，则用低比特率表示编码值；否则用绝对误差不等式删除(AEI)算法来求得高比特率编码值，以减少总编码时间和降低平均比特率。测试结果表明，该算法比传统的穷尽搜索算法的编码速度快，且比特率低，同时对编码质量的影响很小。     

神经网络矢量量化技术在语音编码中的应用

讨论了在语音编码中,应用神经网络技术进行矢量量化的算法。神经网络矢量量化算法可以压缩码本维数,提高码本搜索速度,从而优化矢量量化的效果。将这种优化的矢量量化算法应用于语音编码中,能降低运算复杂度,提高编码质量。     

WT域图象分类的矢量量化编码

基于边缘方向分类的ＣＶＱ能够减少在较低位码率进行图象信号矢量量化时的边缘失真和计算的复杂程度。根据静止图象小波变换后小波系数的特征提出了一种在ＷＴ域进行分类的分类算法。     

Energy-Based Split Vector Quantizer Employing Signal Representation in Multiple Transform Domains

Mikhael, W., and Krishnan, V., Energy-Based Split Vector Quantizer Employing Signal Representation in Multiple Transform Domains, Digital Signal Processing11 (2001) 359–370Vector quantization schemes are widely used for waveform coding of one- and multidimensional signals. In this contribution, a novel energy-based, split vector quantization technique is presented, which represents digital signals efficiently as measured by the number of bits per sample for a predetermined signal reconstruction quality. In this approach, each signal vector is projected into multiple transform domains. In the learning mode, for a given transform domain representation, the transformed vector is split into subvectors (subbands) of equal average energy estimated from the transformed training vector ensemble. An equal number of bits is assigned to each subvector. A codebook is then designed for each equal energy subband of each transform domain representation. In the running mode, the coder selects codes from the domain that best represents the signal vector. The proposed multiple transform, split vector quantizer is developed and its performance is evaluated for both single-stage and multistage implementations. Several single transform vector quantizers for waveform coding exist, some of which employ energy-based bit allocation. Sample results using one-dimensional speech signals confirm the superior performance of the proposed scheme over existing single transform vector quantizers for waveform coding.     

Bayes Vector Quantizer for Class-Imbalance Problem

The class-imbalance problem is the problem of learning a classification rule from data that are skewed in favor of one class. On these datasets traditional learning techniques tend to overlook the less numerous class, at the advantage of the majority class. However, the minority class is often the most interesting one for the task at hand. For this reason, the class-imbalance problem has received increasing attention in the last few years. In the present paper we point the attention of the reader to a learning algorithm for the minimization of the average misclassification risk. In contrast to some popular class-imbalance learning methods, this method has its roots in statistical decision theory. A particular interesting characteristic is that when class distributions are unknown, the method can work by resorting to stochastic gradient algorithm. We study the behavior of this algorithm on imbalanced datasets, demonstrating that this principled approach allows to obtain better classification performances compared to the principal methods proposed in the literature.     

一种基于时变信道的自适应矢量量化方法

提出了一种信道自适应加权矢量量化（CAWVQ）算法。采用对处于两种不同状态的典型码书进行加权的算法,获得与信道状态相匹配的码书,并且只使用较少的存储空间。将该算法应用于噪声信道中,能够有效的提高矢量量化器的性能。仿真实验表明该算法能够比其他算法得到更高的信噪比。     

基于稳健统计的矢量量化器设计算法

L BG算法作为矢量量化的基本算法具有经典意义 ,但由于在训练图象中 ,总存在少量的离群矢量 ,使得在训练码书时 ,码字的分布受到影响 ,进而使得压缩性能下降 ,因而不能充分体现出矢量量化的优越性能 .而运用基于稳健统计的方法来设计矢量量化器 ,由于减少了码书中的离群矢量 ,同时加强了中心矢量在码书中的权重 ,因而不仅能够尽量减少码书的冗余 ,而且能大幅度提高压缩性能 .实验结果显示 ,用基于稳健统计的设计方法设计的码书 ,其压缩性能比传统的 L BG算法有了较大的改善 ,且恢复图象的主观、客观效果都是令人满意的 .     

一种基于积分投影的矢量量化器的设计与实现

提出了一种积分投影和矢量量化（VQ）相结合的图像压缩算法,将图像的每一个4×4分块先进行积分投影,然后再与积分投影后的码书进行量化匹配,大大减少运算量和码书存储面积,而图像的质量只有轻微损失。实验结果表明,与普通VQ相比,本文算法的编码速度有很大幅度的提高,而解码图像的峰值信噪比（PSNR）平均仅降低0.25%,对于某些单纯背景的图像,解码后的质量比普通VQ还会有所增加,此算法有很大的应用前景。设计了编码电路,并在FPGA上进行了验证。整个系统最高时钟频率可达78.12 MHz。     

探地雷达信号的脉冲压缩

基于探地雷达信号和图象的特点，提出了两种有效脉冲压缩算法。第一种方法经过学习，得出最佳权系数，从而对任意反射信号进行压缩。第二种方法无需已知发射波形，具有较好的实际效果。     

基于多级SMVQ的图象编码算法

边缘匹配矢量量化器(SMVQ)是有限状态矢量量化器(FSVQ)的一个分支.该量化器适合于对图像块间相关性高的图像进行压缩编码,其优点是在比特率相近的情况下,编码质量高于传统的穷尽搜索矢量量化编码器,但其缺点是计算量大和比特率固定.本文提出了一种改进的边缘匹配矢量量化器.测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量得到提高.     

WT域图象分类的矢量量化编码

基于边缘方向分类的CVQ能够减少在较低位码率进行图象信号矢量量化时的边缘失真和计算的复杂程 度.根据静止图象小波变换后小波系数的特征提出了一种在WT域进行分类的分类算法.此方法可以容易地扩展 到WT变换编码.实验结果表明,与同类方法相比,在相同或稍高信噪比的情况下,此方法的位码率大大减小.     

基于改进边缘匹配矢量量化的图象编码算法

边缘匹配（Side-Match）矢量量化器（SMVQ）是有限状态矢量量化器（FSVQ）的一个分支。该量化器适合于对图象块间相关性高的图象进行压缩编码,其优点是在比特率相近 的情况下,编码质量高于传统的穷尺搜索矢量量化编码器,但其缺点是计算量大和比特率固定。本文提出了一种改进的边缘匹配矢量量化器。测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量有所提高。     

基于多级SMVQ的图象编码算法

边缘匹配矢量量化器(SMVQ)是有限状态矢量量化器(FSVQ)的一个分支。该量化器适合于对图像块间相关性高的图像进行压缩编码,其优点是在比特率相近的情况下,编码质量高于传统的穷尽搜索矢量量化编码器,但其缺点是计算量大和比特率固定。本文提出了一种改进的边缘匹配矢量量化器。测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量得到提高。