新·第4章 矢量量化-精.pptVIP

第四章 语音信号的矢量量化 §4.1 概述 §4.2 矢量量化的基本原理 §4.3 失真测度 §4.4 最佳矢量量化器和码本的设计 §4.5 降低复杂度的矢量量化系统 §4.6 语音参数的矢量量化 §4.7 人工神经网络与VQ §4.8 遗传矢量量化 §4.1 概述 量化分为两大类：一类是标量量化，另一类是矢量量化。 标量量化:用若干个离散的数字值来表示每一个幅度具有连续取值(模拟值)的离散时域信号(采样信号)。 矢量量化的定义：矢量量化(Vector Quantization)是将若干个取样信号分成一组，即构成一个矢量，然后对此矢量一次进行量化。将某一范围内的矢量归为某一类，即所谓的矢量量化 矢量量化研究的基础是信息论的一个分支：“率——畸变理论”，其中有两项理论研究成果对于矢量量化算法的发展起关键作用。 第一，该理论指出，对于一定的量化速率R(以每个采样信号平均所用的量化比持数衡量，用比特／采样表示)，量化畸变D(以量化信号与原信号之间的误差均方值和原信号均方值之比来衡量)是一定的。 第二，无论对于何种信息源，即使是无记忆的信息源(即各个采样信号之间相互统计独立的情况)，矢量量化总是优于标量量化，且矢量维数越大优度越高。 矢量量化的应用：进入80年代以后，矢量量化技术引入语音处理领域，使之又有长足的进步。目前这项技术已经用于语音波形编码，线性预测编码、语音识别与合成、图像压缩等。 矢量量化的研究目的：针对待定的信息源和矢量维数，找到一种最优的矢量量化器，它能够在R一定时给出最低的畸变。 §4.2 矢量量化的基本原理 矢量量化的过程是：将语音信号波形的A个样点的每一帧，或有k个参数的每一参数帧，构成k维空间中的一个矢量，然后对这个矢量进行量化。 标量量化和矢量量化的区别：在标量量化时，在一维的零至无穷大值之间设置若干个量化阶梯，当某输入信号的幅度值落在某相邻的两个量化阶梯之间时，就被量化为两阶梯的中心值。而在矢量量化时，则将A维无限空间划分为M个区域边界，然后将输入矢量与这些边界进行比较，并被量化为“距离”最小的区域边界的中心矢量值。 下面以K=2为例进行说明。 相关概念：若要对一个矢量X进行量化，首先要选择一个合适的失真测度，而后用最小失真原理，分别计算用量化矢量Yi替代x所带来的失真。其中最小失真值所对应的那个量化矢量，就是矢量X的重构矢量(或称恢复矢量)。通常把所有M个量化矢量构成的集合{Yi}称为码书或码本(Codebook)。把码书中的每个量化矢量Yi({i=1，2，…，M)称为码字或码矢。不同的划分或不同的量化矢量选取就可以构成不同的矢量量化器。 矢量量化系统的组成： 矢量量化的特点： 矢量量化的两个问题： 矢量量化器的性能指标：码书大小M、平均信噪比。 矢量量化器的设计： §4.3 失真测度 失真的定义： 失真测度必须具备的特性： 失真测度的方法： 4.3.1 欧氏距离——均方误差 4.3.2 线性预测失真测度 4.3.3 识别失真测度 §4.4最佳矢量量化器和码本的设计4.4.1 矢量量化器最佳设计的两个条件 定义：所谓最佳设计，就是使失真最小。由于码书就是在这个设计过程中产生的，所以这也就是码书的设计过程。 重要问题：划分量化区间和确定量化矢量。 1．最佳划分 下图给出了K=2的最佳划分示意图。 2．最佳码书 4.4.2 LBG算法 4.4.3 初始码书的生成 1．随机选取法 定义：从训练序列中随机地选取M个矢量作为初始码字，从而构成初始码书，就是随机选取法。 优点：不用初始化计算，从而可大大减少计算时间 缺点：可能会选到一些非典型的矢量作为码字，即被选中的码字在训练序列中的分布不均匀。这样码字就没有代表性，导致码书中有限个码字得不到充分利用，使矢量量化器的性能变差。这种方法带有一定的“盲目性”。 2．分裂法 方法原理： 先认为码书尺寸为M=1，即初始码书中只包含 一个码字。计算所有训练序列的形心，将此形心作为第一个码字（i=0）。然后，将它分裂为 此时码书中包含有两个元素，一个是i=0，另一个是i=1；并按M=2用训练序列对它设计出M=2的码书。接着，再分别将此码书的两个码字一分为二，这时码书中就有了4个码字。这个过程重复下去，经过log2M次设计，就得到所要求的有M个码字的初始码书。 特点：初始码书性能较好，以此码书设计的矢量量化器性能也较好；但是随着码书中码字的增加，计算量也迅速增加。 3．乘积码书法 §4.5 降低复杂度的矢量量化系统 方法分类： 无记忆的矢量量化、有记忆的矢量量化器。 4.5.1 无记忆的矢量量化系统 1．树形搜索的矢量