使用新的码字分割方法的快速LBG算法

针对LBG算法中初始码书生成存在盲目性的问题,提出了一种基于训练向量集合分量之间的相关性进行码向量分割的方法。在迭代过程,记录每一个码向量所映射的训练向量子集;生成新的初始码书时,首先计算被分割码向量所映射的训练子集的第一个分量与其他各分量之间的协方差;根据协方差来分割相应的码向量。实验表明,应用新的码向量分割机制后,LBG算法中的迭代次数和运行时间减少了约10%左右。     

改进的基于主分量分析的码书设计算法

针对基于主分量分析和遗传算法的码书设计算法中当码书大小超过64时码书性能下降的问题,提出了一种改进的码书设计算法．首先采用主分量分析对训练矢量降维以减少计算复杂度,然后利用遗传算法的全局优化能力计算得到接近全局最优的码书．实验结果表明,与原算法和经典的LBG算法相比,文中算法所生成的码书性能有了明显提高,而且计算时间也少于LBG算法．     

应用协同进化的图像矢量量化码书设计方法

为了减小LBG算法对初始码书的依赖性,提高跳出局部最优的能力,提出了一种基于协同进化的矢量量化码书设计方法（Coevolution Based LBG,CLBG）。该算法根据码书在同其他码书竞争中的表现来衡量码书的适应度。实验结果表明：CLBG有效地减小了算法对初始码书的依赖性,所得码书性能超过了其他典型的改进码书设计方法。     

一种快速、有效的LBG初始码书生成算法

针对LBG算法依赖初始码书的问题,以贪婪树增长算法与码书间距最大化算法为基础,提出了一种新的LBG初始码书生成算法。该算法用贪婪树增长算法生成基础码书,再采用码书间距最大化算法从基础码书中生成初始码书。该算法相对于常用的分裂法降低了计算复杂度,节约了运算时间。与两种基本算法相比,它降低了量化的失真度与平均谱包络失真。     

基于主分量分析和遗传算法的码书设计算法

提出了一种高效的矢量量化码书设计算法．首先采用主分量分析对训练矢量排序以减少计算复杂度，然后充分利用遗传算法的全局优化能力计算得到接近全局最优的矢量量化码书．实验结果表明：该算法的计算时间少于经典的LBG算法，而且当码书大小不超过64时，所生成的码书性能比LBG算法有明显提高．     

初始码字间距最大化的矢量量化码书设计算法

目前对传统LBG算法的改进措施一般以增加时间开销作为代价.本文提出一种新的矢量量化码书设计改进措施--初始码字间距最大化:初始码书中的码字全部来自输入的训练矢量,且每一个新的初始码字尽可能地远离现有的码字,实验结果表明:本算法完全消除了空胞腔现象,更有效地避免了局部最优,能获得质量更高的码书;收敛速度快,具有较低的时间消耗.本算法在时间开销以及码书质量这两个方面都优于传统LBG和基于人工蚁群优化的码书设计算法等改进算法.     

人工蜂群算法改进DHMM的语音识别方法

针对离散隐马尔可夫(Discrete Hidden Markov Model,DHMM)语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题,采用人工蜂群(Artificial Bee Colony,ABC)算法对语音特征参数进行矢量量化,从而得到最优码书,提出了ABC改进DHMM的孤立词语音识别方法。先提取语音信号的特征参数,然后用ABC算法中每个食物源表示一个码书,以人工蜂群进化的方式对初始码书进行迭代而获得最优码书,最后把最优码书的码矢标号代入DHMM模型进行训练和识别。实验结果表明,ABC改进的DHMM语音识别方法与传统的LBG及粒子群优化初始码书的LBG的DHMM语音识别方法相比具有较高的识别率和较好的鲁棒性。     

粒子群优化算法在图像矢量量化码书设计中的应用

鉴于经典的LBG码书设计算法易陷入局部最优解,首次采用粒子群优化算法来设计图像矢量量化的最优码书,并提出了粒子群矢量量化（PSO-VQ）算法和粒子一致性操作（PCO）。在PSO-VQ算法中,每个粒子表示一个码书,以粒子群进化的方式对初始码书进行迭代而获得最优码书,PCO操作对各初始码书中的码矢量按其灰度均值排序,使不同码书的内部结构基于码矢量灰度均值达到基本一致,确保了结果向全局最优解收敛。实验证明,PSO-VQ算法在解码图像的PSNR值和主观效果上都优于LBG算法,同时拓展了粒子群优化算法的应用领域。     

基于遗传LBG的图像矢量量化改进算法

矢量量化在图像压缩中有着举足轻重的地位。码书的设计是算法的关键,经典的LBG聚类算法由于对初始码书的选择非常敏感会导致不同的量化效果。把遗传算法和LBG算法相结合,充分利用LBG算法的局部搜索能力和遗传算法的全局寻优能力,能够在大大改善码本质量的同时加快算法的收敛速度。     

一种高效的基于模拟退火的LBG算法

针对传统矢量量化码书设计LBG算法对初始码书敏感和在迭代过程中容易陷入局部极小的缺陷，结合模拟退火算法，提出了一种基于模拟退火的LBG改进算法，并给出了退火过程中的扰动因子刘画、扰动策略选取、稳定性判据确定和温度下降策略等细节．模拟实验结果表明，本文所提出的改进算法能够有效地回避对初始码书的敏感，同时在搜索性能和图像压缩后还原质量上都得到很好的改善．     

A fast vector quantization encoding algorithm based on projection pyramid with Hadamard transformation

Vector quantization (VQ) for image compression requires expensive time to find the closest codevector in the encoding process. In this paper, a fast search algorithm is proposed for projection pyramid vector quantization using a lighter modified distortion with Hadamard transform of the vector. The algorithm uses projection pyramids of the vectors and codevectors after applying Hadamard transform and one elimination criterion based on deviation characteristic values in the Hadamard transform domain to eliminate unlikely codevectors. Experimental results are presented on image block data. These results confirm the effectiveness of the proposed algorithm with the same quality of the image as the full search algorithm.     

一个改进的LBG算法

ＬＧＢ算法是矢量量化码书设计的基本算法，本文提出一个改进的ＬＢＧ算法，它加入了分裂失真较大的胞腔和删除非典型胞腔两条新规则，并采用了新的分裂法，分析与试验结果表明，改进的算法具有新的优点，且减少了运算量。     

说话人识别中采用混合免疫算法的VQ码本设计

矢量量化(VQ)方法是文本无关说话人识别中广泛应用的建模方法之一,它的主要问题是码本设计问题。语音特征参数是高维数据,样本分布复杂,因此码本设计的难度也很大,传统的LBG算法只能获得局部最优的码本。提出一种VQ码本设计的新方法,将小生境技术与K-均值算法融入到免疫算法训练过程中,形成混合免疫算法,采用针对高维数据聚类的改进变异算子,降低了随机变异的盲目性,增强群体的全局及局部搜索能力,同时通过接种疫苗提高算法的收敛速度。说话人识别实验表明,与传统LBG和基于混合遗传算法的VQ码本设计方法相比,该方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

模糊聚类与LBG级联的VQ算法

针对LBG算法初始码本随机选取后易出现空胞腔、易陷入局部极小、迭代次数大等缺陷,本文依据模糊聚类理论引入了矢量量化码本设计训练的模糊聚类与LBG级联算法:先用模糊聚类算法训练码本,将训练得到的码本作为传统LBG算法的初始码本,再用传统LBG算法训练.论述了模糊聚类和LBG联合算法的原理与方法;用该算法分剐训练了语音线性...     

Image vector quantization algorithm via honey bee mating optimization

The vector quantization (VQ) was a powerful technique in the applications of digital image compression. The traditionally widely used method such as the Linde–Buzo–Gray (LBG) algorithm always generated local optimal codebook. Recently, particle swarm optimization (PSO) is adapted to obtain the near-global optimal codebook of vector quantization. An alternative method, called the quantum particle swarm optimization (QPSO) had been developed to improve the results of original PSO algorithm. In this paper, we applied a new swarm algorithm, honey bee mating optimization, to construct the codebook of vector quantization. The results were compared with the other three methods that are LBG, PSO–LBG and QPSO–LBG algorithms. Experimental results showed that the proposed HBMO–LBG algorithm is more reliable and the reconstructed images get higher quality than those generated from the other three methods.     

基于差分进化的线谱对码本设计

线谱对（LSF）的码本设计常采用经典的LBG算法,由于该算法容易陷入局部最优,提出了一种结合差分进化（DE）和LBG算法的混合算法（DELBG）,通过引入一加权因子,利用其染色体表示很短、易于被差分进化优化的特点不断改变LBG算法的搜索路径,最大可能地使之逃离局部最优,同时也避免了差分进化在单独设计LSF码本中达到全局最优解前搜索空间过大的问题。实验表明提出的DELBG算法相比LBG算法较好地实现了全局最优。     

说话人识别中随机局部搜索算法的研究

目前在矢量量化的码本训练中经典的聚类方法是LBG算法,但该算法的主要缺陷是对初始码书的依赖性较大,容易过早地陷入局部极小.本文在基于矢量量化的说话人识别中研究了一种随机局部搜索的聚类算法.该算法不依赖初始条件,结构规则,容易实现,效果好,具有很优越的全局优化搜索能力,在语音参数聚类实验中表现出了很好的性能,得到的码书质量也优于经典的LBG-算法,从而为在基于矢量量化的说话人识别中设计准全局最优码书提供了一种新思路.     

Vector quantization using information theoretic concepts

The process of representing a large data set with a smaller number of vectors in the best possible way, also known as vector quantization, has been intensively studied in the recent years. Very efficient algorithms like the Kohonen self-organizing map (SOM) and the Linde Buzo Gray (LBG) algorithm have been devised. In this paper a physical approach to the problem is taken, and it is shown that by considering the processing elements as points moving in a potential field an algorithm equally efficient as the before mentioned can be derived. Unlike SOM and LBG this algorithm has a clear physical interpretation and relies on minimization of a well defined cost function. It is also shown how the potential field approach can be linked to information theory by use of the Parzen density estimator. In the light of information theory it becomes clear that minimizing the free energy of the system is in fact equivalent to minimizing a divergence measure between the distribution of the data and the distribution of the processing elements, hence, the algorithm can be seen as a density matching method.