|
|
Условия:
Каждый кадр сигнала из N элементов (например, отсчеты при обработке речи) описывается вектором параметров V1 порядка L (этап сжатия данных). Некоторое преобразование T над этими V1 дает вектора V2 тоже порядка L (применяется потому, что V2 чем-либо лучше, чем V1. Например, в той же обработке речи - переход от LPC к LSP или кепстру и т.п.). Далее. Для векторов V2 строится векторный квантователь с помощью LBG-split алгоритма. Используемый при проектировании критерий - мин.СКО в пространстве V2 (т.е. то, что будет впоследствии использоваться при работе квантователя).
Наблюдения:
Восстановленные кадры сигнала имеют неудовлетворительную относительную ошибку в спектральной области. Или, другими словами, SNR_spectr недостаточно большое.
Задача:
Оптимизировать спроектированный векторный квантователь так, чтобы улучшить SNR_spectr (уменьшить СКО спектра амплитуд восстановленного сигнала, вызванную поргешностью векторного квантования V2).
Опробованное решение:
При проектировании ВК (и при последующем использовании) применяется взвешенное СКО в пространстве V2 (взято из классики: Макхоул, Векторное квантование параметров сигнала). Взвешивающий вектор W найден из анализа скалярной чувствительности SNR_spectr к малым девиациям компонент векторов V2.
Результат:
SNR_spectr ухудшилось!
Вопросы:
Может кто-нибудь занимался чем-либо подобным или читал нечто, что могло бы продвинуть?
Может скалярно найденные компоненты W (по сути градиент SNR_spectr по компонентам V2) не учитывают взаимосвязи компонент, которая начинает заметнее сказываться при больших отклонениях в пространстве V2?
Может вообще иначе нужно?
Конечно, можно запустить многомерную оптимизацию целевой функции, но уж больно долго это будет. Или по Ньютону? А?
E-mail: 
info@telesys.ru
