自组织特征映射网络在压缩编码设计中应用.docVIP

自组织特征映射网络在压缩编码设计中应用 　　摘要:对自组织特征映射(SOFM)神经网络学习算法进行阐述#65377;讨论SOFM神经网络学习算法,通过研究基于SOFM学习算法的矢量码书设计中存在的问题,提出一种改进算法#65377;最后把这种算法应用在IP电话语音压缩编码的参数矢量量化上#65377;计算机仿真结果表明,SOFM神经网络对于语音码书训练是非常有效的,改进的SOFM学习算法能够大大减少训练时间,提高整个系统的性能#65377; 　　关键词:SOFM神经网络;学习算法;矢量量化;IP电话;语音压缩编码 　　中图分类号:TP273+.21文献标识码:A 　　 　　1引言 　　 　　 矢量量化(Vector Quantitation)作为一种高效的数据压缩技术在语音#65380;图像的压缩编码中获得了广泛的应用#65377;由Shannon的率失真理论可知,它比标量量化能更有效地去除信号之间的相关性,获得更高的压缩比#65377;矢量量化的关键在于码书(Codebook)的设计,码书的好坏直接影响图像#65380;语音编码的质量#65377;矢量量化的经典方法是1980年由Linde#65380;Buzo#65380;Gray提出的GLA算法(也称LBG),该算法理论依据充分#65380;推导过程严谨#65380;物理概念清晰#65380;通用性好且易于实现#65377;但也存在以下严重缺陷:(1)从码书中搜索训练矢量的最近码字需要大量的存储空间和烦琐的计算;(2)初始码书的选择影响码书训练的收敛速度;(3)码书的自适用能力不强#65377;为了解决这些问题,人们进行了许多研究与改进,其中用神经网络的方法设计码书取得了很好的效果#65377;在各种神经网络模型中,Kohonen的自组织特征映射(SOFM)神经网络非常适合码书的设计#65377;用SOFM神经网络设计的码书,由于有受初始码书影响小#65380;较强的抗信道误码能力#65380;适应性强等特点,在性能上优于GLA算法#65377;虽然该算法有上述优点,但也存在网络收敛速度较慢#65380;计算量太大的等缺点#65377;针对这些问题,本文提出了一种改进算法,该算法不仅改善了语音编码质量,同时大大降低了码书的训练时间#65377; 　　 　　2SOFM网络聚类算法分析 　　 　　SOFM网络也称为Kohonen网络#65377;Kohonen认为,神经网络在接受外界输入时,将会分成不同的区域,不同的区域对不同的模式具有不同的响应特征,同时这一过程是自动完成的#65377;该网络是一种具有侧向联想能力的神经网络,其输出节点呈二维阵列分布#65377;输出节点与其邻域和其它节点广泛互连,互相激励,在稳定时每一邻域的所有节点对某种输入具有类似的输出,并且这种聚类的概率分布与输入模式的概率分布相接近#65377;计算技术与自动化2007年3月第26卷第1期谭建豪等:自组织特征映射网络在压缩编码设计中的应用 　　 　　2.1输入样本模式 　　SOFM的输入样本模式一般为R??N的矩阵,记作Xk,其中列数N为变量空间维数,行数R为样本数#65377;输入样本模式以长度为N的行向量输入到每个神经元#65377; 　　 　　2.2网络结构 　　SOFM包含一个输入层和一个二维输出层,在这些输出层上,分布着离散的神经元,这些神经元即为信息吸引点#65377;对于每个神经元,都有一个长度为N的权值向量#65377;这些权值向量不是用于相互连接神经元,而是用于连接输入信号和每个神经元,信号之间的相似性即表现在这些权值上#65377;SOFM就是通过这种方式将输入样本模式按其信息的相似性组织到各自的类中,同类中的成员具有相近的权值,不同类之间的权值存在明显差别#65377;根据Melssens 1994年的研究,建议结构图中采用的神经元数目可依照2??MeMn??Mk确定#65377;其中Me为所期望的隐含于输入样本模式中的分类数,Mn为输出层中实际采用的神经元数,Mk为监测样本模式的组数. 　　 　　2.3相似性标准 　　在网络智能化之前,必须预先定义相似函数以衡量输入样本模式和类之间的相似性,这样相近的模式就被组织到同类中,不同的模式就击中不同的类#65377;相似性越差,击中的类之间的距离就越远#65377;目前比较常用的相似性检测方法是Euclidean距离函数,其表达式为:式中:ξki(t)为正则化的输入样本模式;wkij(t)为权值#65377; 　　 　　2.4输入样本模式正则化 　　由于输入样本模式中某些变量的变化或分布范围比较大,这些变量将会完全主导模式识别结果,从而屏蔽了其他变量的影响,因此输入样本模式在输入网络之