第七讲VQ_语音信号处理第4章课件.ppt

回顾 失真测度 最佳矢量量化器和码本设计 降低复杂度的矢量量化系统 语音参数的矢量量化 回顾 矢量量化（VQ，Vector Quantization）是一种极其重要的信号压缩方法。VQ在语音信号处理中占十分重要的地位。广泛应用于语音编码、语音识别和语音合成等领域。 凡是要用量化的地方都可以采用矢量量化。 术语 码本 Codebook 码字 CodeWord 码本大小 Codebook Size Voronoi Cell 胞腔 图7-2 矢量量化系统的组成 失真度选择必须具备的特性 必须在主观评价上有意义，即小的失真应该对应于好的主观语音质量； 必须是易于处理的，即在数学上易于实现，这样可以用于实际的矢量量化器的设计； 平均失真存在并且可以计算； 易于硬件实现 失真测度主要有均方误差失真测度（即欧氏距离）、加权的均方误差失真测度、板仓－斋藤（Itakura－Saito）距离，似然比失真测度等，还有人提出的所谓的“主观的”失真测度。 一、欧氏距离－均方误差 设输入信号的某个K维矢量X，与码书中某个K维矢量Y进行比较，xi,yi分别表示X和Y中的各元素 ，则定义均方误差为欧氏距离： 分裂法 （了解）模糊c均值聚类算法目标函数为如下式所示： 根据目标函数的模糊c均值类聚算式如下： 模糊矢量量化码本估计的步骤如下： 1）设定初始码本和每个码字的初始隶属度函数 ，为了方便可以令每个码字的初始隶属度函数为相等的值； 2）对于训练观察矢量序列 ，利用式（4-34）计算新的聚类中心 及新的隶属度函数 ； 3）利用式（4-33）的目标函数，判断迭代计算是否收敛。如果前后差值小于某个阈值，则迭代计算结束，由新的聚类中心和隶属度函数集组成重估后的新码本；否则继续进行下一轮迭代计算。 模糊矢量量化的步骤如下： 1）对于待矢量量化的输入矢量 ，模糊矢量量化不是通过矢量量化把输入矢量 量化成为某个码字 ，而是把输入矢量 量化成由隶属度函数组成的矢量 ，它表示 分别属于码字 的程度是多少；其中 由下式给定： 2）这时 的量化误差由下式给定： 3） 的重构矢量由下式给定： 可见 的重构矢量由码字 的线性组合组成，所 以相当于增加了码本的尺寸。 图7-5 两级矢量量化系统工作框图及码书训练 先采用一个小的码书，其长度为M1，用它来逼近输入信号矢量；然后再用第二个小码书，其长度为M2，用它来对第一次的误差进行编码；输入矢量与第一级匹配，得到其地址编号i，然后在第二级码书中有哪些信誉好的足球投注网站与这个误差矢量最佳匹配的矢量，得到其地址编号j，将 和 同时发送出去，在接受端根据 和 来恢复原来的矢量，由于每本码书的体积较小，所以采用全有哪些信誉好的足球投注网站法 二、有记忆的矢量量化系统 在量化每一个输入时，不仅与此矢量本身有关，而且也与前面的矢量有关 。 有记忆矢量量化系统 反馈矢量量化 自适应矢量量化 分类： 预测矢量量化PVQ (Predictive VQ) 有限状态矢量量化 FSVQ(Finite-State VQ) 自适应矢量量化(Adaptive VQ)是采用多个码书，量化时根据输入矢量的不同特征采用不同的码书。 实际例子：语音参数的矢量量化 语音参数的矢量量化 —— 将语音信号经过分析，得到各种参数，然后再将这些按帧分析所得的参数构成矢量，进行矢量量化。 线性预测系数的矢量量化是人们最关心的问题。 例：线性预测编码的矢量量化器（VQ LPC）声码器。 图7-7 800b/s的VQ LPC声码器框图 对线性预测系数采用了矢量量化，而其余参数均采用差值标量量化 式 4-33 式 4-34 * * 矢量量化研究的目的？ 针对特定的信息源和矢量维数，设计出一种最优化的量化器，在R（量化速率）一定的情况下，给出的量化失真尽可能接近D(R)(最小量化失真)。 矢量量化研究的目的？ 针对特定的信息源和矢量维数，设计出一种最优化的量化器，在R（量化速率）一定的情况下，给出的量化失真尽可能接近D(R)(最小量化失真)。 4.3 矢量量化的失真测度 失真测度（距离测度）：是将输入矢量Xi用码本重构矢量Yi来表征时所产生的误差或失真的度量