基于多级矢量量化实现优化LSF参数码本的设计
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）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：
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。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。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）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。量化失真
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：
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。
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。
3、 实验结果和分析
实际应用中，码本训练采用107 mb的语音文件，得到342302帧lsf参数（10维）和加权系数，训练矢量集足够大。在实际的2kbps语音编码算法中，对lsf参数进行3级矢量量化，比特分配为9/8/6，共23bits。利用联合优化码本生成算法进行300步迭代，与sr算法的第三级300步迭代结果进行比较，得到训练码本总畸变数据，如图2所示。
可以看到，同样步数的jco-msvq算法较sr算法能取得更小的量化畸变。sr算法经过一定步数的迭代，基本没有下探的空间。而jco-msvq算法则能继续优化码本，获得更好的量化效果。并且，与sr算法不同，jco-msvq算法中量化畸变是单调递减的，因在训练过程中每一步都是最优的（简化算法中是多进制搜索，因而是次优的）。
统计量化谱失真，联合码本优化msvq比其他的msvq有明显的改善。在同一个lsf量化器中分别采用23bits sr码本（码本1）、24bits sr码本（码本2）和23bits联合优化码本（码本3），测试语音为一个3.5mb的语音文件，既有男声也有女声，共11348帧lsf参数。统计量化谱失真得到表1所示数据。
从表1数据可以看到，同是23bits的量化，联合码本设计msvq与应用sr算法生成码本的msvq相比较，有大约1个比特的改善，接近于应用sr算法24bits量化的效果。甚至优于文献［2］中msvq算法的26bits量化（平均谱失真0.93db）。平均谱失真为0.87db，大于4db的谱失真统计为0，达到了透明量化的要求。
本文研究结果已经成功应用于1/2kbps可变速率声码器项目中。
MGCP协议,MGCP协议内容有哪些?
脊髓损伤原来是因为这个（惊呆了）
新能源汽车洗牌速度加快 比亚迪销量同比下滑 62.7%
靶式流量计的使用注意事项
华为投资国产以太网PHY芯片供应商裕太车通
基于多级矢量量化实现优化LSF参数码本的设计
国际制造业(手机)配套采购洽谈会明春再登场
iPhone 15的OLED面板订单传已落定，京东方退出？
北鲲云超算平台布局云计算市场
1.6TB大容量PCIe SSD，其IOPS突破3,000,000
NKD：容器云集群与OS一体化运维利器
如何快速的高效的完成轧机牌坊修复
选择合适的预测性维护传感器
微处理器芯片需求放缓 记忆体芯片生产商增长强劲
缺芯严重 拆洗衣机救急
又一起专利案，Tridonic因白光LED技术对德国Ingram提起诉讼
工业物联网能耗监测系统解决方案，实时管控、合理节能
LM5117搭建的的Buck电路详析
华为nova跳舞女神，上市4个月降600！
E拆解：麻雀虽小五脏俱全——O-Free蓝牙耳机
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）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：
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。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。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）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。量化失真
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：
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。
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。
3、 实验结果和分析
实际应用中，码本训练采用107 mb的语音文件，得到342302帧lsf参数（10维）和加权系数，训练矢量集足够大。在实际的2kbps语音编码算法中，对lsf参数进行3级矢量量化，比特分配为9/8/6，共23bits。利用联合优化码本生成算法进行300步迭代，与sr算法的第三级300步迭代结果进行比较，得到训练码本总畸变数据，如图2所示。
可以看到，同样步数的jco-msvq算法较sr算法能取得更小的量化畸变。sr算法经过一定步数的迭代，基本没有下探的空间。而jco-msvq算法则能继续优化码本，获得更好的量化效果。并且，与sr算法不同，jco-msvq算法中量化畸变是单调递减的，因在训练过程中每一步都是最优的（简化算法中是多进制搜索，因而是次优的）。
统计量化谱失真，联合码本优化msvq比其他的msvq有明显的改善。在同一个lsf量化器中分别采用23bits sr码本（码本1）、24bits sr码本（码本2）和23bits联合优化码本（码本3），测试语音为一个3.5mb的语音文件，既有男声也有女声，共11348帧lsf参数。统计量化谱失真得到表1所示数据。
从表1数据可以看到，同是23bits的量化，联合码本设计msvq与应用sr算法生成码本的msvq相比较，有大约1个比特的改善，接近于应用sr算法24bits量化的效果。甚至优于文献［2］中msvq算法的26bits量化（平均谱失真0.93db）。平均谱失真为0.87db，大于4db的谱失真统计为0，达到了透明量化的要求。
本文研究结果已经成功应用于1/2kbps可变速率声码器项目中。
MGCP协议,MGCP协议内容有哪些?
脊髓损伤原来是因为这个（惊呆了）
新能源汽车洗牌速度加快 比亚迪销量同比下滑 62.7%
靶式流量计的使用注意事项
华为投资国产以太网PHY芯片供应商裕太车通
基于多级矢量量化实现优化LSF参数码本的设计
国际制造业(手机)配套采购洽谈会明春再登场
iPhone 15的OLED面板订单传已落定，京东方退出？
北鲲云超算平台布局云计算市场
1.6TB大容量PCIe SSD，其IOPS突破3,000,000
NKD：容器云集群与OS一体化运维利器
如何快速的高效的完成轧机牌坊修复
选择合适的预测性维护传感器
微处理器芯片需求放缓 记忆体芯片生产商增长强劲
缺芯严重 拆洗衣机救急
又一起专利案，Tridonic因白光LED技术对德国Ingram提起诉讼
工业物联网能耗监测系统解决方案，实时管控、合理节能
LM5117搭建的的Buck电路详析
华为nova跳舞女神，上市4个月降600！
E拆解：麻雀虽小五脏俱全——O-Free蓝牙耳机