JPEG2000中重要性编码及上下文建模的改进

众所周知,基于上下文建模的算术编码是JPEG2000标准中的关键技术,而对于重要性编码,JPEG2000中采用的上下文模型是码块内的8邻域系数,由于其根据经验将所有上下文分成9类,且所有比特平面都使用这套固定的上下文分类方案。因此针对这种上下文分类方案的不足,对JPEG2000中重要性编码及其上下文建模方式进行了改进,即首先建立比原来的3×3更大的上下文模型;然后提出了一种基于重要上下文的扫描方式;最后基于新的扫描方式根据最小码长的准则进行上下文量化的优化,考虑到不同子扫描之间的统计差异,对不同的扫描子过程使用不同的上下文模型方案。实验结果表明,与JPEG2000的无损压缩相比,新的重要性编码算法的无损压缩结果(平均比特率)较JPEG2000提高了1.312%。

基于层次模型的重要性编码算法

该文提出了基于层次模型的重要性编码算法,该算法在不改变JPEG2000上下文模型前提下按照重要系数的空间聚集区域进行层次邻域编码。实验结果表明:新算法输出的码流的自相关性较JEG2000以及Hilbert曲线输出的码流的自相关性好;新算法的平均码率较JPEG2000的条带扫描以及Hilbert曲线扫描的平均码率分别提高了1.06%,0.57%;而且,新算法的平均码率较JPEG2000的上下文量化优化算法获得的平均码率提高了1.08%。

基于上下文建模的分类排序小波图像编码算法

该文提出了基于上下文建模的分类排序小波图像编码算法。该方法使用与JPEG2000标准相同的上下文模型,以最小化相对熵为准则用动态规划获得优化的上下文分类。在重要性编码中结合优化的上下文分类进行排序编码。实验数据表明该算法的压缩能力优于JPEG2000,尤其适于低码率压缩。

应用DSI相关量化的多描述语音编码方法

提出一个新的多描述编码方案,它利用分布式子帧交织,生成两个基于码激励线性预测(CELP)的语音描述,从而在解码端利用交织的相关性来实时还原差错信号。其中的相关编码原理是:首先把两个相邻语音分组的线谱对(LSP)参数交织到不同的描述中,并结合参数内插方法来保证重要数据的恢复;其余的子帧参数根据分布式原则分配至相应的描述信号,最终通过差错隐藏技术来重建丢失信号。实验结果证明,本文方法在随机信道下提供了更好的语音质量,在突发错误信道下保证了可接受的实时通话质量,更适合不可靠分组网络的语音传输。

基于IWAE的不平衡数据集下轴承故障诊断研究

针对目前现有轴承故障诊断方法对不平衡数据集中的少数类诊断准确率低的问题,提出了不平衡数据集下基于重要性加权自编码器(Importance Weighted Auto-encoder,IWAE)的轴承故障诊断方法。首先通过少数类的样本数据来训练IWAE网络,将生成的样本数据加入到原始数据集中,得到平衡后的数据集;然后引入深度学习方法作为诊断网络,将平衡后的数据集直接输入诊断网络中,自适应的学习故障特征,实现故障分类。为了增强诊断网络的准确率,使用一维多尺度卷积神经网络进行故障诊断。大量的定性定量实验表明,所提出的方法在不平衡比为1/7时,少数类诊断的准确率已经能够达到98.90%,均优于其他现有模型,并且拥有较好的收敛性和泛化性。