一种增强的LPC参数多级矢量量化技术

来源：本站整理作者：佚名 2010-06-20 10:46:42

　　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。