数据采集与处理
數據採集與處理
수거채집여처리
JOURNAL OF DATA ACQUISITION & PROCESSING
2011年
2期
123-127
,共5页
魏旋%计哲%崔慧娟%唐昆
魏鏇%計哲%崔慧娟%唐昆
위선%계철%최혜연%당곤
语音编码%低速率%隐马尔可夫模型%分模式量化
語音編碼%低速率%隱馬爾可伕模型%分模式量化
어음편마%저속솔%은마이가부모형%분모식양화
为了充分利用能量与线性预测编码(Linear prediction coding,LPC)系数之间的相关性,提高能量参数量化效率,提出了一种基于隐马尔可夫模型(Hidden Markov model,HMM)的能量参数预测量化算法.通过适当假设,使用HMM模拟能量参数和LPC系数之间的相关性,其中离散化后的能量参数组成隐状态序列,量化后的LPC系数组成可现测序列.然后利用HMM预测每一超帧中的能量参数的变化轨迹,并根据预测出的能量轨迹对预测残差进行分模式矢量量化(Mode-based vector quantization,MBQ).仿真实验中能量参数量化后的平均失真为2.668 dB,与线性预测量化算法相比下降了14.O%,表明本文算法通过利用能量参数与LPC系数的相关性,能够有效地提高能量参数量化效率.
為瞭充分利用能量與線性預測編碼(Linear prediction coding,LPC)繫數之間的相關性,提高能量參數量化效率,提齣瞭一種基于隱馬爾可伕模型(Hidden Markov model,HMM)的能量參數預測量化算法.通過適噹假設,使用HMM模擬能量參數和LPC繫數之間的相關性,其中離散化後的能量參數組成隱狀態序列,量化後的LPC繫數組成可現測序列.然後利用HMM預測每一超幀中的能量參數的變化軌跡,併根據預測齣的能量軌跡對預測殘差進行分模式矢量量化(Mode-based vector quantization,MBQ).倣真實驗中能量參數量化後的平均失真為2.668 dB,與線性預測量化算法相比下降瞭14.O%,錶明本文算法通過利用能量參數與LPC繫數的相關性,能夠有效地提高能量參數量化效率.
위료충분이용능량여선성예측편마(Linear prediction coding,LPC)계수지간적상관성,제고능량삼수양화효솔,제출료일충기우은마이가부모형(Hidden Markov model,HMM)적능량삼수예측양화산법.통과괄당가설,사용HMM모의능량삼수화LPC계수지간적상관성,기중리산화후적능량삼수조성은상태서렬,양화후적LPC계수조성가현측서렬.연후이용HMM예측매일초정중적능량삼수적변화궤적,병근거예측출적능량궤적대예측잔차진행분모식시량양화(Mode-based vector quantization,MBQ).방진실험중능량삼수양화후적평균실진위2.668 dB,여선성예측양화산법상비하강료14.O%,표명본문산법통과이용능량삼수여LPC계수적상관성,능구유효지제고능량삼수양화효솔.