基于树结构矢量分类的小波图像图编码矢量量化

本文基于零树编码,矢量分类和网络编码量化的思想,提出了对小波图象采用树结构矢量组合和分类后进行网络编码矢量量化的新方法,该方法充分利用了带系统的带间和带内的相关性,分类信息上中用比特数少,对重要类矢量实行加权网络编码矢量量化,利用卷积编码扩展信号空间以增大量化信号间的欧氏距离,用维特比算法搜索最优量化序列,并采用基于人眼视觉性特性的加权均方误差准则作为失真度量和码字匹配,提高了量化增益,仿真结果表明,该方法编码计算复杂度适中,解码简单,可达到很好的压缩效果。     

采用方向树结构矢量组合的小波图像分类矢量量化

该文提出了采用方向树结构矢量组合对小波图像进行分类矢量量化的新方法。该方法的矢量构成结合了子带系数的方向性,充分利用了子带系数的带间和带内的相关性,按能量和活跃度进行两级分类,降低了类中矢量的内部离散度,分类信息占用比特数少,并采用了基于人眼视觉特性的加权均方误差准则进行矢量量化,提高了量化增益。仿真结果表明,该方法实现简单,可以达到很好的压缩效果。     

基于方向树结构矢量分类的小波图像网格编码矢量量化

本文提出了采用方向树结构矢量组合并分类对小波图像进行网格编码矢量量化（ＴＣＶＱ）的新方法。该方法矢量构成结合了子带系数的方向性，充分利用了子带系数带间和带内相关性，按能量和活跃度进行两级分类，降低了类中矢量的内部离散度，对活跃和非活跃类矢量实行加权ＴＣＶＱ，利用卷积编码扩展信号空间，用维特比算法搜索最优量化序列，比使用加权 ＶＱ提高了 ０．７ｄｂ左右。该方法编码计算复杂度适中，解码简单，有较好的压缩效果。     

基于树结构矢量量化码书的快速搜索算法

针对树结构矢量量化存在所选码字不一定是最佳匹配码字的问题,提出一种快速搜索算法,可以准确地找到输入矢量的最佳匹配码字.该方法利用了三角不等式作为继续搜索与停止搜索的依据,可以快速排除不可能节点,保留可能节点.实验结果表明,用该方法恢复的图像质量要好于双路搜索方法恢复的图像.     

采用树结构矢量组合的小波图像分类矢量量化

本文提出了采用树结构矢量组合对小波图像进行分类矢量量化的新方法.该方法充分利用了子带系数的带间和带内的相关性,分类信息占用比特数少,并采用了基于人眼视觉特性的加权均方误差准则进行矢量量化,提高了量化增益.仿真结果表明,该方法实现简单,可达到很好的压缩效果.     

用于图像编码的相关矢量量化研究

当相邻的图像块用矢量量化（ＶＱ）编码时可能出现编码地址相同的情况,尤其是在图像的平滑区。为了减少相邻块间编码地址的相关性,本文提出了一种相关矢量量化方案,采用相关码书与改进的自组织特征映射（ＩＳＯＦＭ）码书同时编码一个窗口内的四个邻域块,与无记忆类ＶＱ相比,对一幅典型的“Ｌｅｎｎａ”图象,编码过程中所需计算量减少一半,比特率减少４０％,由于在Ｋｏｈｏｎｅｎ自组织神经网络的训练过程中,对边缘类矢量采     

一种提高矢量量化器性能的方法

矢量量化技术是一种既能高效压缩数码率，又能保持语音质量在编码方法，它不但能用于波形编码，而且能用于参数编码，本文主要论述了矢量量化在参数压缩编码中的应用，即应用模拟退火方法设计矢量量化器，对语音ｃｅｐ参数库进行压缩，通过语音倒谱参数库压缩前后，语音正确识别率听变化来评价所设计矢量量化器的性能，文章中提出了适用于语音倒谱参数的模拟退火时间表，对于所涉及的扰动范围，扰动次数方面主要参数进行了一定的探讨     

矢量量化降低BP网规模的方法

在用ＢＰ网进行语音和说话人识别过程中，ＢＰ网的输入节点数一般在几百个左右，使得网络的规模过大，训练速度过慢，为此本文在对语音特征进行了有效编码的基础上，充分考虑到ＢＰ网输入的自适应性多维码字间距离与一维码号间距离的不一致性，对量化码间中距离的不一致性，对量码字的码号进行有效的码号变换，用变换后的码号数据经归一化后作为ＢＰ网的输入，从而大大压缩了网络的规模。所进行的语音识别实验及与其它语音识别方法的     

矢量量化器设计算法的研究

目前常用的设计算法是LBG算法,但用它设计的矢量量化器不是最佳的。本文从Gersho的K维空间最佳分划的定理出发,构造了一种改进的算法。本文还就分裂法去除空胞腔问题提出一种新的意见,并针对语音信号的特点提出两种新的空胞腔处理方法。一组矢量量化器设计给果表明,改进的算法和新的空胞腔处理方法都是更有效的。     

宽带ISF参数的转换分类乘积码锥形矢量量化

本文提出了一种新的应用于宽带导抗谱频率参数量化的转换分类乘积码锥形矢量量化方案.该量化器基于转换分类与乘积码锥形矢量量化原理,首先对待量化的ISF参数矢量进行分类,然后按类进行乘积码锥形矢量量化.该算法具有低存储量及低复杂度的特点.实验表明,该算法在每帧编码比特数为46时,平均谱失真比乘积码锥形矢量量化低,且达到了透明量化标准.     

基于快速胞腔划分的改进分裂法矢量量化码书设计

本文提出了基于快速胞腔划分的改进分裂法语音信号矢量量化码书设计新算法。新算法应用特征变量对码书进行合理的构造，使得码书在结构上具有秩序性。利用这种秩序性进行快速划分胞腔，从而压缩分裂法码书训练中庞大的运算量。计算机实验结果表明，新算法明显减少了码本训练的复杂度，提高了矢量量化码书的训练速度。实验还分析了码书扩展参数r的不同取值对码书性能的影响．     

An Algorithm for Vector Quantizer Design

An efficient and intuitive algorithm is presented for the design of vector quantizers based either on a known probabilistic model or on a long training sequence of data. The basic properties of the algorithm are discussed and demonstrated by examples. Quite general distortion measures and long blocklengths are allowed, as exemplified by the design of parameter vector quantizers of ten-dimensional vectors arising in Linear Predictive Coded (LPC) speech compression with a complicated distortion measure arising in LPC analysis that does not depend only on the error vector.     

基于小波变换的矢量量化图像编码研究

本文在找出了适合图像压缩的最优小波的基础上,提出一种比较合适的最小距离黄金聚类算法;在此基础上,根据图像分解的小波图像都具有相似性和人的视觉系统相类似等特性,采用塔式数据矢量法,训练的各矢量之间的合成距离采用加权技术,根据矢量中参数所处层次的信息量决定权值大小,从而形成了基于小波变换的矢量量化图像编码方法。实验表明,此矢量量化图像编码方法在压缩比高时有良好的效果,峰值信噪比有提高,编码时间也有减小,没有块效应,在边缘处也无明显“振荡”现象和模糊。     

LSF参数的模拟退火法连接分裂矢量量化

本文基于模拟退火算法,提出了一种全局最优的模拟退火法连接分裂矢量量化(SA-LSVQ)方案.实验表明,该算法与LBG法相比,有效地改善了LSVQ的性能.     

序号预测矢量量化器及其在图象编码中应用

本文提出一种序号预测矢量量化器的结构，与一般矢量量化器相比，它充分利用了图象极强的二维相关特性，并采用预测的方法去除冗余码字，从而在保证译码图象质量与一般矢量量化器的译码图象质量相同的前提下，压缩比可提高一倍以上。     

基于人工神经网络的语音多脉冲激励矢量量化器的设计及其性能分析

本文讨论了人工神经网络技术在语音压缩编码方面的应用,提出了一种用Kohonen网络实现语音多脉冲激励分析模型的矢量量化方法。该方法将参数分析和量化编码熔为一体,和传统的先分析、后量化方法相比较,具有许多优良的特性,如全并行处理、过程简化等。本文针对语音多脉冲激励模型,提出了量化网络的结构和学习规则,并将此方法和传统方法进行了比较。最后对网络的压缩性能进行了计算机模拟,结果表明应用人工神经网络进行语音信源的压缩是切实可行的。     

矢量的线上投影表示法

本文提出一种矢量压缩编码新方法—线上投影法.它将输入矢量用它在某条空间直线上的投影近似表示,而用决定这条直线的两个参考点的序号和一个反映该投影点相对于两参考点位置的比例因子作为编码.由于一个大小为N的矢量量化码书中的码字可以确定N(N-1)/2条直线,因此这种方法可用较小的码书获得很高的编码精度.理论分析和实验结果表明:码书大小为N的线上投影法的编码精度与码书大小为N²的矢量量化法相当,并且明显优于用两个大小为N的码书构成的两级矢量量化法,而其码书生成和编码过程的计算复杂度均远远低于后者.它将是矢量信号高精度压缩编码的一种强有力的手段.     

Winner-Takes-All Associative Memory: A Hamming Distance Vector Quantizer

We present a design methodology for mapping neuralyinspired algorithms for vector quantization, into VLSI hardware.We describe the building blocks used: memory cells, current conveyors,and translinear circuits. We use the basic building blocks todesign an associative processor for bit-pattern classification;a high-density memory based neuromorphic processor. Operatingin parallel, the single chip system determines the closest match,based on the Hamming distance, between an input bit pattern andmultiple stored bit templates; ties are broken arbitrarily. Energyefficient processing is achieved through a precision-on-demandarchitecture. Scalable storage and processing is achieved througha compact six transistor static RAM cell/ALU circuit. The singlechip system is programmable for template sets of up to 124 bitsper template and can store up to 116 templates (total storagecapacity of 14 Kbits). An additional 604 bits of auxiliary storageis used for pipelining and fault tolerance re-configuration capability.A fully functional 6.8 mm by 6.9 mmchip has been fabricated in a standard single–poly, double–metal2.0µmn–well CMOS process.