矢量量化码书设计与矢量量化应用研究

论文摘要

伴随着信息与通信等领域的迅速发展，大量的语音、图像等多媒体信息要进行存储、处理与传输，需要很大的存储空间和信道带宽。为了提高存储效率和减小存储空间，在允许的失真条件下，应尽可能地消除媒体信息中的冗余信息。矢量量化技术作为一种有效的有损压缩技术，具有压缩比大、解码算法简单的特点，而成为语音、图像压缩编码的重要技术之一。矢量量化(VQ)技术不单是用于信息压缩，现已发展到说话人识别、数字水印、语音识别、图像识别、文献检索等领域。因此，矢量量化技术具有重要的研究价值。 矢量量化有三个方面的关键技术：码书设计、码字搜索和码字索引分配，其中码书设计是首要问题。码书设计的主要目标是找到训练矢量的一个最佳分类，即将M个k维的训练矢量分成N个类别的最佳方案。压缩编码，基于矢量量化的说话人识别，和基于矢量量化的数字水印都需要一个性能良好的码书。本文重点分析了经典的码书设计算法，研究了改进方案和码书优化算法。在此基础上，进一步地结合语音信号处理和图像处理有关理论和技术，研究了新的矢量量化说话人识别方案和矢量量化数字水印技术。 本文的主要工作和特色如下： 1．码书设计经典算法LBG得到了广泛应用，但该算法一般得到一个局部最优码书。利用进化算法优化码书是近年来的一个重要研究方向，其关键是需求合理的优化方案和优化搜索方法。目前有基于码书和基于训练矢量划分两种方案，但这两种方案将导致进化算法的优化搜索空间过大，要优化的维数分别是M和N×k，而目前的进化算法还难以有效解决高维的优化，优化效果不明显。本文针对上述两种方案存在的问题，提出了基于最近邻划分变异／矢量空间状态优化的方案。基于该方案，优化搜索在与矢量同维的低维空间中进行，编码空间相对较小，有利于优化算法的性能发挥，可有效地提高码书性能。 2．为了提高码书优化算法的效率，本文分析了进化规划(EP)、概率密度估计算法(EDA)、粒子群优化(PSO)等方法在应用于矢量量化方面存在的问题，并针对性地提出了两种新的混合型优化方法，及相应的码书优化算法： 1)基于概率密度估计算法的进化规划码书设计算法。EP具有找到全局最优码书的进化趋势，但其以变异算子为主要的进化操作，收敛较慢，引入EDA通过概率估计，预测最优个体，为EP提供搜索方向，加速算法的收敛。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 矢量量化技术的发展历史与研究现状
• 1.3 本文的主要工作与特色
• 1.3.1 研究内容
• 1.3.2 主要贡献与特色
• 1.4 论文的结构安排
• 第二章 相关理论
• 2.1 引言
• 2.2 矢量量化的基本原理
• 2.2.1 矢量量化的理论基础
• 2.2.2 矢量量化的定义
• 2.2.3 矢量量化的特点
• 2.3 矢量量化的目标函数
• 2.3.1 矢量失真描述
• 2.3.2 信号失真描述
• 2.4 最优矢量量化器的几个条件
• 2.4.1 两个基本必要条件
• 2.4.2 零边界概率条件
• 2.4.3 等误差条件
• 2.4.4 最优条件的充分性
• 2.5 编码速率与比特率、复杂度
• 2.5.1 编码速率和比特率
• 2.5.2 复杂度
• 2.6 模糊集合与模糊逻辑
• 2.6.1 模糊数学理论基础
• 2.6.2 模糊集合及其运算
• 2.6.3 隶属函数
• 2.6.4 模糊矩阵、模糊关系、模糊向量
• 2.7 同态信号处理
• 2.7.1 同态信号处理表示
• 2.7.2 卷积同态信号处理的一些性质
• 2.7.3 倒谱与复倒谱的关系
• 2.7.4 倒谱与复倒谱的特点
• 2.7.5 复倒谱与倒谱的计算方法
• 2.8 说话人识别统计模型
• 2.8.1 隐马尔科夫模型
• 2.8.2 高斯混合模型
• 2.9 本章小结
• 第三章 LSF码书设计与优化
• 3.1 引言
• 3.2 线谱频率（LSF）系数
• 3.3 LSF矢量量化
• 3.3.1 LSF标量量化
• 3.3.2 初始码书生成算法
• 3.4 LSF经典码书设计算法（LBG）与分析
• 3.4.1 LBG算法与基本问题
• 3.4.2 LBG算法的进一步分析
• 3.5 新的码书优化方案
• 3.5.1 最近邻划分变异方案
• 3.5.2 矢量空间状态优化方案
• 3.6 基于概率密度估计的进化规划码书设计算法
• 3.6.1 研究思路
• 3.6.2 算法原理分析
• 3.6.3 算法实现步骤
• 3.6.4 实验结果与分析
• 3.7 基于粒子群的码书优化算法
• 3.7.1 研究思路
• 3.7.2 算法原理分析
• 3.7.3 实现步骤
• 3.7.4 实验结果与分析
• 3.8 本章小结
• 第四章 基于模糊相关度的VQ说话人识别
• 4.1 引言
• 4.2 说话人识别的基本原理
• 4.3 说话人识别的特征选择
• 4.3.1 高层次与低层次语音特征
• 4.3.2 短时傅里叶变换
• 4.3.3 线性预测系数及其派生系数
• 4.3.4 基于听觉原理的特征参数
• 4.3.5 特征参数的统计评价
• 4.4 说话人识别的主要方法与分析
• 4.4.1 最小距离分类器
• 4.4.2 矢量量化
• 4.4.3 高斯混合模型
• 4.4.4 隐马尔科夫模型
• 4.4.5 几种方法的比较与分析
• 4.5 基音及其提取
• 4.6 倒谱特征参数
• 4.6.1 MFCC参数提取算法
• 4.6.2 LPCC参数提取算法
• 4.7 基于模糊相关度的VQ说话认人辨认
• 4.7.1 研究思路
• 4.7.2 算法原理分析
• 4.7.3 算法实现步骤
• 4.7.4 实验结果与分析
• 4.8 本章小结
• 第五章 抗信道噪声的矢量量化数字水印
• 5.1 引言
• 5.2 矢量量化图像压缩码书设计与优化
• 5.2.1 一种改进的LBG算法
• 5.2.2 基于AMPSO的图像码书优化
• 5.3 水印算法的基本要求
• 5.4 一种基于图块分类的水印算法
• 5.4.1 基本原理
• 5.4.2 实现步骤
• 5.4.3 实验结果
• 5.5 基于基本码字标志的矢量量化数字图像水印算法
• 5.5.1 矢量量化数字水印算法原理
• 5.5.2 实现步骤
• 5.5.3 实验结果
• 5.6 抗信道噪声矢量量化数字水印新算法
• 5.6.1 研究思路
• 5.6.2 算法原理与步骤
• 5.6.3 实验与分析
• 5.7 本章小结
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.2 未来研究方向
• 参考文献
• 致谢
• 在学期间发表的学术论文
• 附录