第三讲语音信号数字化及信源编码解决方案.pptVIP

本讲重点内容 要求掌握的内容 会运用带通抽样定理计算采样率 会运用均匀量化器量化信噪比公式计算量化比特数 会进行A律PCM量化电平的编解码 了解预测编码基本概念，不作计算要求 会计算增量调制的工作条件、码率、量化信噪比 掌握信源编码基本概念，不作计算要求 重点课后习题 5.3，5.5，5.9，5.10，5.14，7.3，7.4，7.10 上述两种特性仍难以实现，因而实际中采用折线近似。折线近似，用数字电路容易实现。 A律与u律量化特性起始段不同 我国采用A律。 子带编码：将语音分为4～8个子带，子带下降到零频后进行编码，再合路，G.722，高保真录音 变换域编码：时频变换，用DCT将信号归结为多项余弦函数，语音信号集中在频谱的低端，将频域参数传给对方。 人类的发声器官是一个复杂系统。由口腔和鼻腔形成声道，气流经气管，喉部和声门产生振动后进入声道形成声音，经嘴唇和鼻孔发出。由于声音激励源和声道形状不同，产生的声音部同 DPCM性能 一般总是大于1，称为DPCM处理增益，其值主要取决于预测的效果 由于量化的是样值与预测值的差值信号，因此动态范围可以减小，同时也可有效减小量化误差，从而使DPCM在较低的编码率下获得较高的信噪比质量 需要研究的问题是：如何设计预测器获得更好的SNR 零点预测器 极点预测器 最佳预测器 DPCM的量化信噪比增益 极点预测器 N阶预测器的输出是前N个预测值的线性组合 DPCM的预测器设计 零点预测器 M阶预测器的输出是前M个量化值的线性组合 DPCM的预测器设计 DPCM的预测器设计 零极点预测器 把零点预测器和极点预测器组合在一起，即构成零极点预测器 最佳预测器 确定一组最佳预测系数，使得 最小 在全极点模型下，并忽略量化误差 最终输出的信噪比与预测阶数有关 DPCM的预测器设计 ADPCM 采用自适应的必要性 由于不同的讲话人的语音信号的特性各不相同 语音信号只能认为是短时平稳 采用固定的预测系数不可能对所有的语音信号获得最好的结果，因此有必要采取自适应的算法 ADPCM的设计思路 尽可能消除语音信号中的冗余 对消除冗余后的信号进行有效的比特分配，从自适应角度进行最佳编码 自适应的方法 自适应量化 自适应预测 自适应预测 前向估值的自适应预测 利用未量化的采样信号提取预测信息，有编码延时及边信息传输等问题 后向估值的自适应预测 利用已量化的样本或发送数据更新预测系数 ADPCM自适应预测 自适应量化 针对被量化信号的变化状态，随时调节量化台阶大小以匹配输入信号的时变方差 前向估值的自适应量化 对输入信号尚未量化的样本计算出其前向估值大小 需要缓存训练的样本，并传送相关的边信息，因此引入了编码延时和占用了一定的信道容量 后向估值的自适应量化 利用量化器的输出样本计算输出信号的方差估值并确定量化台阶 没有延时，但影响估值的追踪速度 ADPCM自适应量化 语音信号数字化的研究思路 信源编码 信源编码的目的 减少信源输出符号序列的冗余度，提高符号的平均信息量 信源编码的思想 针对信源输出的符号序列的统计特性，寻找一定的方法把信源输出序列符号变换为最短的码字序列，使每个码元所携带的平均信息量为最大，同时又尽可能保证无失真的恢复出原来的符号序列 信源编码的核心就是研究压缩编码算法，用尽可能低的传输码率获得尽可能好的质量 信源编码的目的：压缩冗余，提高带宽利用效率！ 信源编码是现代数字通信的重要组成部分！ 信源编码的主要方法 匹配编码 根据编码对象出现的概率分配不同长度的代码，以保证总的代码长度最短 需要知道信号的概率分布，可采用数学模型建模的方式或根据大量样本信号进行统计得到 典型编码算法：Huffman编码 预测编码 利用信号之间的相关性，预测未来的信号，对预测的残差信号进行编码 变换编码 利用信号在不同的函数空间分布的不同，选择合适的函数将信号从一种信号空间变换到另一种有利于压缩编码的信号空间，再进行编码 常用的函数变换：DFT、Walsh、DCT、Haar 识别编码 分解文字、语音、图象的基本特征，与汇集这些基本特征的样本集进行对照识别，选择失真最小的样本编码传送 可用于印刷、打印等标准形状的文字、符号和数据的编码 信源编码 信源编码算法 信源编码定理 一个熵为H的信源，当信源速率为R时，只要RH，则能够以任意小的错误概率进行编码；反之，如果RH，则无论采用多么复杂的编码器和译码器，错误概率都不可能达到任意小 Shannon在1948年证明了该定理，但并没有指出具体的编解码算法 信源编码失真度量 编码失真 原始信号x经过编码以及解码后恢复成x’，失真量即为x与x’之间的保真度或近似度的度量 常用的失真度量：汉明失真、均