低速语音编码中的预测分类分裂矢量量化技术

为降低编码速率的同时仍能提供较好的谱失真性能,提出了一种预测分类分裂矢量量化算法,它根据线谱对的特点,融合了预测、分类、分裂的方法对线谱对进行量化,加入了记忆性。实验证明与其他几种方法相比,该算法的量化性能在速率与失真间达到了较好的平衡,且计算量大大降低,仅占有内存有所增加。

基于分裂预测式矢量量化的研究

为降低误差积累对线谱频率量化的影响,防止因此而导致语音质量下降,本文提出了基于分裂预测方法的新型混合式矢量量化结构。实验结果表明,该方法不仅比G.729的语音编解码算法明显降低了累积误差,平均谱失真在丢帧严重的情况下降低了达36%,而且提高了量化的透明度。

基于样本密度和分类误差率的增量学习矢量量化算法研究

作为一种简单而成熟的分类方法,K最近邻(K nearest neighbor,KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用,但仍存在计算量大、高空间消耗、运行时间长等问题.针对这些问题,本文在增量学习型矢量量化(Incremental learning vector quantization,ILVQ)的单层竞争学习基础上,融合样本密度和分类误差率的邻域思想,提出了一种新的增量学习型矢量量化方法,通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作,快速获取原始数据集的原型集,进而在保障分类精度基础上,达到对大规模数据的高压缩效应.此外,对传统近邻分类算法进行了改进,将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中.所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集,具有较好的通用性.实验结果表明,该方法同其他算法相比较,不仅可以保持甚至提高分类的准确性和压缩比,且具有快速分类的优势.

基于分类K-L变换的多波段遥感图像近无损压缩方法

去除空间和谱间相关性是多波段遥感图像压缩中的重要环节 ,为了得到更好的去相关效果 ,将矢量量化方法引入多波段遥感图像压缩中 ,以去除对应同一地物的波段矢量间的相关性。再通过分类K L变换去除量化误差图像的谱间相关性 ,对K L变换后的特征图像采用预测树的方法进一步去除谱间结构相关性和空间相关性。实验结果表明 。

码书分类重排矢量量化方法及其应用

矢量量化可有效降低语音编码速率,但目前已有的多级分裂矢量量化、转换分类分裂矢量量化方法等都存在存储需求、计算复杂度以及解码语音质量等不能达到良好折衷的缺陷。该文提出了一种码书分类重排矢量量化方法。该方法通过将设计好的码书进行分类重排以降低码书搜索范围。并将该方法与多级分裂矢量量化结合,提出了码书分类重排多级分裂矢量量化方法。在量化比特及码书大小不变的前提下,实验结果表明:该方法可达到透明量化效果,量化时的计算复杂度最大降幅可达到多级分裂矢量量化方法的90.24%。

基于神经网络的多光谱遥感图像无损压缩

分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。

16kb/s话音波形编码技术

本文首先介绍了采用自适应噪声谱整形的话音预测编码和直接查表多级矢量量化话音编码,以及我们对这两种方法进行计算机模拟的结果;然后,介绍了对这两种方法的改进,即对预测编码中的残余信号和矢量量化编码中的话音信号实行帧分类处理,分别采用了自适应量化技术和维数自适应技术,在此基础上,速率由96kb/s压缩到16kb/s,量化噪声明显降低至难以察觉。

基于流量行为特征的网络异常稳定识别仿真

异常行为识别是保证网络安全运行不可缺少的步骤,但异常行为识别过程易受噪声流量、网络性能、冗余信号的干扰。为了解决上述问题,提出基于流量行为特征的网络异常行为识别方法。采用提升小波变换法剔除网络流量中的噪声,避免识别过程受到噪声干扰,采用矢量量化技术与主题模型提取流量行为特征,将提取的特征输入到支持向量机模型中,利用支持向量机的二分类特性实现特征的分类,完成网络异常行为的识别。实验结果表明,所提方法的异常识别精度高,且AUC-PR数值比较稳定,说明其在识别过程中不受噪声数据的影响。