[发明专利]一种选择预测矢量量化的迭代优化设计方法

摘要

本发明公布了一种选择预测矢量量化的迭代优化设计方法，该方法利用常规的前后帧相关性划分训练数据，采用不同的训练数据进行各个预测系数计算和码本设计。然后，采用设计的预测系数和码本对训练数据进行量化，根据量化误差大小调整训练数据划分。通过训练数据划分和码本设计迭代，优化选择预测矢量量化码本设计。本发明改进了训练数据固定划分的缺点，可以有效提高选择预测矢量量化设计性能。本发明能减小参数量化失真，改善信号压缩质量。

主权项

1.一种选择预测矢量量化的迭代优化设计方法，其特征在于包括如下步骤：a.)输入训练参数，并设置训练参数模式数为M，M为自然数，下同；b.)设输入训练参数维数为p，对每一个输入训练参数计算前后参数相关系数，第n个输入训练参数的第k维数据为x_n，k，k＝1，…，p，第n个训练参数的前后相关系数为：An=Σk=1pxn,kxn-1,k/Σk=1pxn-1,kxn-1,k]]>当T_i≤A_n<T_i+1时，则将第n个训练参数划入第i模式，其中T_i为设定的第i模式门限值，T_i+1为设定的第i+1模式门限值，i为自然数，0≤i≤M-1，下同；c.)对每个模式中的训练参数设计预测矢量量化器：第i模式的预测系数为αki=Σn=1Nwn,kxn,kxn-1,k/Σn=1Nwn,kxn-1,kxn-1,k,]]>其中N为第i模式中输入训练参数的数目，w_n，k为第i模式第n个输入训练参数的加权值，对每个模式的输入训练参数计算预测残差，第i模式中第n个输入训练参数的预测残差为rn,ki=xn,k-αkixn-1,k,]]>对每个模式的预测残差分别经过LBG得到矢量量化码本，最后得到选择预测矢量量化器；d.)将每一个输入训练参数采用步骤c设计的选择预测矢量量化器进行量化：每个输入训练参数采用第i模式进行预测矢量量化后输出参数为x^n,ki=αkix^n-1,k+r^n,ki,]]>其中为第n-1个训练参数第k维数据的量化值，为第i模式的预测残差矢量量化值；e.)计算每个训练参数对各个模式预测矢量量化的量化误差：步骤d所述的第i模式中的每个输入训练参数的量化误差为：Di=Σk=1pwn,k(xn,k-x^n,ki)2]]>，其中，w_n，k为第n个输入训练参数第k维的加权值；f.)当步骤e所述的第i模式中的每个输入训练参数满足：j=mini{Di},]]>则将该输入训练参数划入模式j，其中j为自然数，取值范围为0≤j≤M-1；g.)判断步骤f是否存在输入参数模式改变，当模式不改变，结束码本设计过程，输出码本；当模式改变，返回步骤c。