一种增强的LPC参数多级矢量量化技术

       矢量量化(Vector Quantization)是一种极其重要的信号压缩方法,广泛应用于语音、图像信号压缩等领域。信息论的一个分支——“率-畸变理论”指出,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互相统计独立),矢量量化总是优于标量量化,且矢量维数越大优度越高。因此,目前国内外对于矢量量化技术的研究非常广泛而深入。平衡考虑量化效果和运算复杂度, 多级矢量量化 (MSVQ)提供了一个很好的折衷办法。

　　线性预测编码(LPC)参数能很好地表征语音信号的短时谱包络信息,在各种LPC参数中, 线谱频率 (LSF)[1]较其它参数能更有效地表达LPC信息。K.K.Paliwal和B.S.Atal仔细研究了用24～26个比特量化一个10阶LSF参数的方法,提出了分裂矢量量化(Split Vector Quantization)和多级矢量量化MSVQ(Multistage Vector Quantization)两种方案,并且试验得到了用25比特的2级MSVQ能取得较好的量化效果(平均失真1dB,2～4dB概 率小于2%,大于4dB为0)。

　　MSVQ算法有效减小了码本容量,但如果在量化比特有限的情况下,想取得透明的量化效果,必须解决两个问题:(1)怎样搜索码本得到最佳匹配索引;(2)怎样设计码本。在算法设计中这两个问题必须统一考虑。对前一个问题,为了方便一般采用序列搜索算法,依次搜索得到各级的最佳匹配矢量。在码本设计中,更多的也是分级依次进行码本训练,割裂了各级码本之间的相关性。本文将着重研究多级矢量量化的联合优化码本设计问题。

       1 问题分析

　　传统的MSVQ算法在LSF参数码本设计时采用一种连续(stage-by-stage)的设计方法,第k级码本只与前面的第1至第(k-1)级码本有关,而不考虑后续各级码本,即将后续各级码本内容视为0。在量化时,同样只在本级寻找1个最佳匹配矢量,然后得到余量矢量送入下一级量化。量化过程可以用式(1)表示,假设有2级码本,需要找出各级码本索引:
       

　　 其中,K1和K2是第一、二级的码本容量。最终量化结果为:

　　在序列搜索算法中,搜索yi时,假设zj为0,搜索zj时yi已经固定。这样的搜索算法显然是一种次优的搜索算法,解决这个问题的方法是全搜索[3]。全搜索是最优的搜索算法,但是其计算复杂度却是难以承受的。例如,一个25比特2级码本(13-12结构),其全搜索复杂度是上述连续搜索的2000倍以上。M进制搜索[4]折衷解决了这个问题。在运算量大大减小的情况下,取得了逼近全搜索的量化效果。

　　在码本设计中,无论是经典的GLA算法还是改进的模拟退火(SA)算法,码本设计都是逐级连续进行的。利用各级码本之间的相关性优化码本设计,可以较明显地改善MSVQ的量化效果。在应用联合码本设计方法量化音频DCT系数时,已经取得了大约0.4 dB的SNR改善[5]。本文在量化LSF参数时,对比300步的SR算法,得到了大约0.05dB、约1bit的 加权对数谱失真 (WLSD)[6]的改进效果。

       2 算法说明

       2．1 失真距离量度

　　对一个MSVQ码本,为方便考虑假设共有2级码本。LSF参数为10维矢量。对LSF参数而言,其敏感矩阵(sensitivity matrix)是对角阵,因此可以用加权最小均方误差(WMSE)代替加权对数谱失真(WLSD)作为失真量度[6]。量化失真
　　
　　其中,wi为功率谱幅度加权,ci为LSF参数人耳听觉加权。

　　

　　r的经验值一般为0.15。

       2．2 理论推导

　　对一个训练矢量集X和两级码本Y、Z,可以对X中每个矢量进行2级全搜索,得到最佳索引值对(i,j)。根据i和j的不同可以对X中每个矢量进行聚类。假设S为对第一级码字形成的聚类,Si为所有X中第一级量化索引为i的训练矢量集合。同样假设R为第二级码字聚类,可知,{S1,S2,…,SK1}和{R1,R2,…,RK2}均是同一X集合的不同划分。对于X∈Si,平均量化失真为:
　　

　　Z的输入为(x-y),因此(5)式也可表达成:
　　

　　令U=Q2(x-yi),并引入一个中间矢量v,则(6)式成为:
　

　　可以令v=E{x-U|x∈Si},则第三项为0。第二项恒为非负,所以
　

www.55dianzi.com 　

　　因此,在不改变第二级码本的情况下,更新第一级码字yi可以减少平均失真,新的码字为如下条件期望值:
　　

　　同样,在第一级码本固定的情况下,第二级码本按(10)式更新得到的将是最优码字。
　　

　　通过多次迭代,可以得到联合优化的最优码本。

       2．3 算法描述

　　(1)设置初始码本,读入训练矢量文件,并对其进行两级码本全搜索,得到针对两级码本的聚类{S1,S2,…,SK1}和{R1,R2,…,RK2}。假设训练矢量个数为num,对所有训练矢量计算此时的量化失真之和,失真测度采用WLSD距离。设置迭代最大步数N,设置初始步数n=0;

　　(2)n=n+1,利用式(9)更新第一级码本;

　　(3)重新对训练矢量集进行全搜索,得到新的索引值对(i, j),然后利用式(10)更新第二级码本;

　　(4)再次对训练矢量集进行量化搜索,得到新的索引值对(i, j),并重新计算量化总畸变Dn;

　　(5)判断n=N?若n< N,跳转至(2)继续进行迭代;若n=N,结束迭代,保存更新后的码字至码本文件。

&nbs p;       2．4 算法的进一步优化

　　上述联合优化MSVQ算法中,很重要的一步就是对训练矢量进行聚类,使每个训练矢量得到一个最匹配的索引值对(i, j)。(i, j)应当是通过全搜索得到的全局最佳匹配矢量。在不需要在线更新码本的情况下,全搜索是可以采用的。然而如果在矢量维数较高时,想减小码本训练的运算量,也可以采用M进制序列搜索的方法。取M=8在实验中得到了很好的效果。这样即可得到一个性能近似的简化版JCO-MSVQ码本设计方法。

　　另外,在码本设计中,可能出现聚类中无训练矢量,即出现空聚类的情况。这时可以删除该空聚类,并将包含训练矢量最多的那个聚类抖动成两个聚类。这样可以获得更小的联合量化误差,如图1所示。

[1] [2]  下一页

本文关键字：技术  综合-其它，单片机-工控设备 - 综合-其它