基于隐马尔可夫模型的能量参数预测量化算法

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系数组成可观测序列。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14.0%,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。

基于码本共享算法的分模式多级矢量量化

为了在存储量受限的情况下尽可能提高线性预测编码(linear predictive coding,LPC)系数量化性能,提出了一种基于码本共享算法的分模式多级矢量量化(multi-stagevector quantization,MSVQ)算法。由于LPC参数的分布与清浊音(unvoiced/voiced,U/V)参数相关,该算法对不同U/V对应的LPC参数进行不同量化,然后利用码本共享算法减少存储量需求。实验表明:在相同码率的情况下,该算法较MSVQ平均谱失真(spectrum distortion,SD)降低3.2%,码本大小增加26.7%;较分模式量化(mode-basedquantization,MBQ)平均谱失真升高3.6%,但是码本尺寸下降了92.1%。该算法是MSVQ与MBQ算法的一种折衷,在增加少量存储量的情况下提高了LPC系数的量化性能。