CN105138304B - 数字信号的自适应量化方法及装置 - Google Patents
数字信号的自适应量化方法及装置 Download PDFInfo
- Publication number
- CN105138304B CN105138304B CN201510450526.4A CN201510450526A CN105138304B CN 105138304 B CN105138304 B CN 105138304B CN 201510450526 A CN201510450526 A CN 201510450526A CN 105138304 B CN105138304 B CN 105138304B
- Authority
- CN
- China
- Prior art keywords
- statistical
- thresholding
- sample space
- quantization
- indicates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种数字信号的自适应量化方法及装置,该自适应量化方法和装置采用统计和量化结合的方式实现,包括:在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限;根据有效个数更新统计准则,得到趋于固定值的统计参考门限;对每一次更新的统计参考门限进行计算,得到应用于下一样本空间输入信号的量化比较门限集合;将输入信号分别与集合中的各个量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种数字信号的自适应量化方法及装置。
背景技术
在数字信号处理系统中,不同信号处理操作所需的数据位宽会有较大差异,若整个系统中全部使用相同的大位宽数据会导致资源浪费,而使用位宽不足的数据则会导致处理结果和处理精度变差,故为了节约资源且又不影响处理结果和处理精度,在实际的信号处理过程中,需要对大位宽进行合适的转换以适应数据处理的需求。
相关技术提供了一种数字信号的位宽转换方法,即对接收的数据进行移位运算,如按二进制形式把所有的数字向左移动对应的位数,高位移出(舍弃),低位的空位补零;或者按二进制形式把所有的数字向右移动对应位数,低位移出(舍弃),高位的空位补符号位,即正数补零,负数补1。
但是,上述数字信号的位宽转换方法中,在较多比特位宽数据向较少比特位宽数据转换时,会产生了较大的量化损失;例如,数据11,其二进制形式为“1011”,如将其转换为2比特输出,采用直接移位的方式转换,则输出结果为二进制的“10”,其低位的数据“11”被直接舍弃,产生了较大的量化损失。
发明人在研究中发现,目前对于位宽进行合适的转换以适应数据处理的需求的方法均不理想,针对这一问题,目前尚未提出有效的解决方式。
发明内容
本发明的目的在于提供一种数字信号的自适应量化方法及装置,采用统计和量化结合的方式实现,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
第一方面,本发明实施例提供了一种数字信号的自适应量化方法,包括:
在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限;
根据有效个数更新统计准则,得到趋于固定值的统计参考门限;
对统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值;
将输入信号分别与各个量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,统计符合统计准则的输入信号的有效个数,包括:
根据输出分布形态和输出位宽,配置统计参考数量;
根据预设的统计参考门限初始值和统计参考数量对应的统计准则,统计当前样本空间中的输入信号的有效个数。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据有效个数更新统计准则,包括:
根据预设的统计参考门限初始值、统计参考数量、有效个数和预设的参考门限调整系数,对统计参考门限进行迭代计算,得到趋于固定值的统计参考门限。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据输出分布形态和输出位宽,配置统计参考数量,包括:
根据信号的输入分布形态,确定信号的输出分布形态;
利用数学工具,建立与输出分布形态相匹配的分布函数;
根据分布函数的分布形态,统计分布函数对应的样本空间在预设能量区间中的样本个数;
按照公式计算参考数量;其中,R表示统计参考数量;K表示分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,统计分布函数对应的样本空间在预设能量区间中的样本个数包括:
以分布函数的对称轴为中心将分布函数的能量区间按输出位宽进行对称划分,得到划分能量区间;
在划分的能量区间中,确定分布函数的对称轴所在的能量区间;
统计分布函数对应的样本空间在对称轴所在的能量区间中的样本个数。
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,对统计参考门限进行迭代计算包括:
根据公式TH=TH0+(R-C)*Coe,对统计参考门限进行迭代计算;
其中,TH表示下一个样本空间的统计参考门限;TH0表示当前样本空间的统计参考门限;C表示当前大小为M的样本空间中符合统计规则的输入信号的个数;Coe为统计参考门限的调整系数。
第二方面,本发明实施例还提供了一种数字信号的自适应量化装置,包括:
统计单元,用于在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限;
更新单元,用于根据统计单元统计的有效个数更新统计准则,得到趋于固定值的统计参考门限;
计算单元,用于对更新单元得到的趋于固定值的每一个统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值;
比较单元,用于将输入信号分别与各个计算单元得到的量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,统计单元包括:
配置子单元,用于根据输出分布形态和输出位宽,配置统计参考数量;
统计子单元,用于根据预设的统计参考门限初始值和配置子单元得到的统计参考数量对应的统计准则,统计当前样本空间中的输入信号的有效个数。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,更新单元包括:
迭代计算子单元,用于根据预设的统计参考门限初始值、统计参考数量、有效个数和预设的参考门限调整系数,对统计参考门限进行迭代计算;
设置子单元,用于将迭代计算子单元得到的迭代计算的结果设置为趋于固定值的统计参考门限。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,配置子单元包括:
确定模块,用于根据信号的输入分布形态,确定信号的输出分布形态;
建立模块,用于利用数学工具,建立与确定模块确定的输出分布形态相匹配的分布函数;
统计模块,用于根据建立模块建立的分布函数的分布形态,统计分布函数对应的样本空间在预设能量区间中的样本个数;
计算模块,用于按照公式计算参考数量;其中,R表示统计参考数量;K表示分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
本发明实施例提供的一种数字信号的自适应量化方法及装置,在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限;根据有效个数更新统计准则,得到趋于固定值的统计参考门限;对每一个趋于固定值的统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值;将输入信号分别与各个量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据,与现有技术中的对于位宽进行合适的转换以适应数据处理的需求的方法均不理想相比,其采用数字信号的自适应量化采用统计和量化结合的方式实现,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种数字信号的自适应量化方法的基本结构图;
图2示出了本发明实施例所提供的一种数字信号的自适应量化方法的流程图;
图3示出了本发明实施例所提供的一种数字信号的自适应量化方法中量化比较门限与量化后数据的对应关系示意图;
图4示出了本发明实施例所提供的另一种数字信号的自适应量化方法的流程图;
图5示出了本发明实施例所提供的另一种数字信号的自适应量化方法的流程图;
图6示出了本发明实施例所提供的另一种数字信号的自适应量化方法的流程图;
图7示出了本发明实施例所提供的一种数字信号的自适应量化方法中统计参考门限的迭代计算的结构示意图;
图8示出了本发明实施例所提供的一种数字信号的自适应量化方法中标准正态分布99%能量区间以均值为中心均匀分为15段后的分布图;
图9示出了本发明实施例所提供的一种数字信号的自适应量化装置的结构示意图;
图10示出了本发明实施例所提供的一种数字信号的自适应量化装置中统计单元的结构示意图;
图11示出了本发明实施例所提供的一种数字信号的自适应量化装置中更新单元的结构示意图;
图12示出了本发明实施例所提供的一种数字信号的自适应量化装置中配置子单元的结构示意图;
图13示出了本发明实施例所提供的一种数字信号的自适应量化装置中统计模块和迭代计算子单元的结构示意图;
主要元件符号说明:
11、统计单元;12、更新单元;13、计算单元;14、比较单元;111、配置子单元;112、统计子单元;121、迭代计算子单元;122、设置子单元;1101、确定模块;1102、建立模块;1103、统计模块;1104、计算模块;11031、划分子模块;11032、确定子模块;11033、统计子模块;1211、迭代计算模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种数字信号的自适应量化方法及装置,如图1所示,图1示出了数字信号的自适应量化方法的基本结构。其可应用于不同位宽数字信号之间的转换。本发明中数字信号的自适应量化采用统计和量化结合的方式实现,其对输入信号按统计准则统计后,根据统计结果计算量化的比较门限实现数字信号的自适应量化,统计中所需的统计参考数量和量化中所需的量化比较门限可采用不同的设置方式(即对于不同的输入信号分布形式,可以通过更改统计准则和量化所需门限的配置调节输出信号的分布形式),用以调整输出信号的分布形式,以减少量化损失。
本发明提供的一种数字信号的自适应量化方法及装置主要用于卫星导航系统中,其具体实现过程如下:
参考图2,本发明提供了一种数字信号的自适应量化方法,包括:
101、在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限。
具体的,本发明中数字信号的自适应量化方法由统计和量化两部分组成。其中,统计部分包含统计准则更新和对符合统计准则的数据进行计数的功能。统计准则由统计参考门限TH和统计参考数量R构成,为了计算的方便,本实施例中的统计准则优选进行如下定义:每一个大小为M的统计样本空间中绝对值小于等于统计参考门限TH数据的个数应为统计参考数量R个。
102、根据有效个数更新统计准则,得到趋于固定值的统计参考门限。
具体的,在统计准则中的统计参考门限TH是根据计算不断变化的,根据该统计参考门限TH的变化不断更新统计准则,在经过多次迭代计算后,统计参考门限TH稳定在某一值附近,如对于稳定的输入(如白噪声等)经过多次迭代,统计参考门限TH稳定在某一值附近,此时量化输出OUT的分布符合正态分布特性。
103、对每一个趋于固定值的统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值。
具体的,量化输出得到的分布形态要与输入分布形态相同,才能保证量化损失最小。
本实施例中,在统计参考门限TH稳定在某一值附近时,则定义该某一值则为固定值,而趋于该固定值的统计参考门限对应的量化结果,使得输出的分布形态更接近输入分布形态甚至与输入分布形态完全相同,使得量化损失最小。
其中,在设置统计准则时,已经确定好了统计参考门限与量化比较门限的关系,此时,则根据预先确定的关系,计算趋于固定值的统计参考门限对应的量化比较门限集合。
104、将输入信号分别与各个量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据。
具体的,将输入的数字信号分别与每一个量化比较门限值相比较,确定该输入的数字信号分布在的量化比较门限区间。
如图3所示,本实施例中,每个量化比较门限值区间均对应一个数据,将落在每一个区间内的输入的数字信号转换为该区间对应的量化后的数据,并输出该数据。
本发明中的数字信号的自适应量化方法的量化部分是将输入数据与各个量化比较门限相比较,转换为比较门限值的区间所对应的量化后的数值。量化比较门限的个数由量化后所需数据的位宽决定。量化部分的量化比较门限是根据统计参考门限计算出来的,量化比较门限间的间隔可为均匀或是不均匀的。
本发明实施例提供的一种数字信号的自适应量化方法及装置,在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限;根据有效个数更新统计准则,得到趋于固定值的统计参考门限;对每一个趋于固定值的统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值;将输入信号分别与各个量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据,与现有技术中的对于位宽进行合适的转换以适应数据处理的需求的方法均不理想相比,其采用数字信号的自适应量化采用统计和量化结合的方式实现,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
参考图4,在本实施例中,步骤101的具体实现方式如下:
201、根据信号的输出分布形态和输出位宽,配置统计参考数量。
具体的,根据数字信号的输入位宽对应的输入分布形态,确定其输出位宽对应的输出分布形态;实际中,在输出分布形态与输入分布形态相同时,数字信号的量化损失最小,故根据需要预先确定数字信号的输出位宽,并根据输入分布形态确定数字信号输出分布形态;如输入分布形态为正态分布,则输出分布形态为正态分布;若输入分布形态为瑞利分布,则输出分布形态同样为瑞利分布。
其中,输出分布形态与输入分布形态相同,此处的相同优选为完全相同(以正态分布为例说明,即μ值和σ值完全相同),也可以是不完全相同,如当输入分布形态为正态分布,则输出分布形态为正态分布,但输出分布形态的μ值与输入分布形态不同。
在确定的输入分布形态和输出位宽后,进行统计部分的处理;本实施例中的统计部分包含统计准则更新和对符合统计准则的数据进行计数的功能。其中,统计准则由统计参考门限TH和统计参考数量R构成,其含义是每一个大小为M的统计样本空间中绝对值小于等于统计参考门限TH数据的个数应为统计参考数量R个。
本步骤中,首先根据相应的计算方法计算统计参考数量R,该计算方法在后续实施例详细说明。
需要说明的是,统计样本空间的大小设置为M,该M的值的可以任意确定,但是其必须能起到代表作用,本实施例中优选为100以上,如100、120、150、200等。
202、根据预设的统计参考门限初始值和统计参考数量对应的统计准则,统计当前样本空间中输入信号的有效个数。
本实施例中,统计参考数量已经计算得知,则根据统计准则,判断当前样本空间中符合统计准则的输入信号个数,即判断在每一个大小为M的统计样本空间中,符合绝对值小于等于统计参考门限TH数据的输入信号个数C,其中,统计规则中的统计参考门限TH,其初始值为0。
本实施例中,参考图5,上述步骤201中的配置统计参考数量采用如下方法:
301、根据信号的输入分布形态,确定信号的输出分布形态。
具体的,首先根据需要确定输出位宽,并根据输入数字信号的分布形态确定数字信号的输出分布形态;同时,确定进行统计时每次统计的样本空间大小M。
302、利用数学工具,建立与输出分布形态相匹配的分布函数。
具体的,采用数学工具模拟一个样本空间大小为K,与输出分布形态相同的分布函数;其中,K的值的设置方式与M值的设置方式相同,本实施例不在具体解释;需要说明的是,该K值可以与M值相同,也可以不同。
303、根据所述分布函数的分布形态,统计分布函数对应的样本空间在预设能量区间中的样本个数。
具体的,将模拟的分布函数按照输出位宽需求,以分布函数的对称轴为中心将其能量区间进行对称划分,并选定某一能量区间,统计样本空间K在该能量区间的样本个数T;能量区间需选取对称轴所在区间。
304、按照公式计算参考数量;其中,R表示统计参考数量;K表示分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
本实施例中,步骤303优选通过下面的方法实现,如图6所示:
401、以分布函数的对称轴为中心将分布函数的能量区间进行对称划分,得到划分能量区间。
402、在划分的能量区间中,确定分布函数的对称轴所在的能量区间。
403、统计分布函数对应的样本空间在对称轴所在的能量区间中的样本个数。
本实施例中,步骤102的具体实现方式如下:根据预设的统计参考门限初始值、所述统计参考数量、所述有效个数和预设的参考门限调整系数,对所述统计参考门限进行迭代计算,得到趋于固定值的统计参考门限。
本实施例中,根据符合统计准则的输入信号个数C的变化,需要不断的更新统计参考门限TH,下一次的统计参考门限TH是在上一次的基础上计算调整得到的。
具体的,在计算输入信号个数C后,即可以对下一个统计参考门限TH进行计算,得到下一个的当前统计参考门限TH(即通过该下一个统计参考门限TH更新当前的统计参考门限TH);然后将得到的下一个当前的统计参考门限作为当前统计参考门限TH,更新统计准则,然后根据新的统计准则在继续计算符合统计准则的输入信号个数C,在计算下一个统计参考门限。
循环上述方法,对当前统计参考门限TH进行多次迭代计算以后,统计参考门限TH稳定在某一值附近,此时量化输出OUT的分布即无限接近或者符合输出分布形态,此时量化输出的信号则是量化损失最小的信号,对应的,此时的稳定在某一值的统计参考门限TH则为有效统计参考门限TH。
本实施例中,对所述统计参考门限进行迭代计算的具体实现方式如下:
根据公式TH=TH0+(R-C)*Coe,计算有效统计参考门限;
其中,TH表示下一样本空间的统计参考门限;TH0表示当前样本空间的统计参考门限;C表示当前大小为M的样本空间中符合统计规则的输入信号个数;Coe为统计参考门限的调整系数。
具体的,如图7所示,统计参考门限TH由统计部分根据当前统计参考门限TH0、统计参考数量R和统计出的当前大小为M的样本空间中符合统计规则的输入信号个数C计算产生。其计算方式如公式(2)所示。统计参考门限的更新频率是每输入M个数据,统计参考门限更新一次。
TH=TH0+(R-C)*Coe (2)
公式(2)中等号右侧的TH0为当前样本空间的统计参考门限,等号左侧的TH则为下一样本空间的统计参考门限。因此,统计参考门限是通过迭代计算出来的,一般的,对于稳定的输入(如白噪声等)经过多次迭代,统计参考门限TH稳定在某一值附近,此时量化输出OUT的分布符合正态分布特性。公式(2)中的Coe为统计参考门限的调整系数,需要外部预先配置。统计参考门限的调整系数Coe的大小可影响统计参考门限迭代计算的收敛速度和收敛后的稳定性。
本发明中的数字信号的自适应量化方法的量化部分是将输入数据与各个量化比较门限相比较,转换为比较门限值的区间所对应的量化后的数值,如图3所示。量化比较门限的个数由量化后所需数据的位宽决定。量化部分的量化比较门限是根据统计参考门限计算出来的,量化比较门限间的间隔可为均匀或是不均匀的。
下面给出了一种输入为多比特有符号数、输出为4比特原码、且输出呈标准正态分布的具体量化过程。
1.确定统计部分每次统计的样本空间大小M。
2.输出为标准正态分布,使用Matlab产生一个样本空间大小K=100000的标准正态分布序列。其中,MATLAB是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要包括MATLAB和Simulink两大部分。
3.将2中所述标准正态分布序列的99%能量区间以其对称轴为中心均匀地划分为(24-1-1)段(如图8所示),得出对称轴所在的能量区间中样本的个数为21600,根据公式(1)计算出统计参考数量R。
4.统计参考门限默认为0,统计部分使用门限计数器对符合统计准则的输入数据进行计数(计数结果记为C)。当输入数据的个数达到M时,根据公式(2)计算新的统计参考门限,同时清空数据计数器和门限计数器,开始下一轮计数。
5.量化部分以输入信号的绝对值与各个门限相比较,则量化所需的门限值为24-1-1个(称为:门限TH0~TH6),要获得图8中类似的、量化输出呈均匀对称的正态分布,需将量化比较门限TH0~TH6分别定为统计参考门限TH的1、3、5、7、9、11、13倍;如附图3所示,每两个门限值间的区间对应量化后的一个幅度值OUT.amp。量化后的数据符号OUT.sign与输入信号符号相同。量化结果如公式(3)(4)(5)(6)所示:
IN.amp=abs(IN) (4)
OUT=OUT.sign×OUT.amp (6)。
本发明实施例提供的一种数字信号的自适应量化方法,与现有技术中的对于位宽进行合适的转换以适应数据处理的需求的方法均不理想相比,其采用数字信号的自适应量化采用统计和量化结合的方式实现,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
如图9所示,本发明还提供了一种数字信号的自适应量化装置,包括:
统计单元11,用于在当前的样本空间中,统计符合统计准则的输入信号的有效个数;统计准则包括统计参考数量和统计参考门限。
更新单元12,用于根据统计单元11统计的有效个数更新统计准则,得到趋于固定值的统计参考门限。
计算单元13,用于对更新单元12得到的趋于固定值的每一个统计参考门限进行计算,得到量化比较门限集合;量化比较门限集合包括多个量化比较门限值。
比较单元14,用于将输入信号分别与计算单元13得到各个的量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据。
进一步的,如图10所示,该数字信号的自适应量化装置中,统计单元11包括:
配置子单元111,用于根据输入信号的输出分布形态和输出位宽,配置统计参考数量;
统计子单元112,用于根据预设的统计参考门限初始值和配置子单元111得到的统计参考数量对应的统计准则,统计当前样本空间中的输入信号的有效个数。
进一步的,如图11所示,该数字信号的自适应量化装置中,更新单元12包括:
迭代计算子单元121,用于根据预设的统计参考门限初始值、统计参考数量、有效个数和预设的参考门限调整系数,对统计参考门限进行迭代计算;
设置子单元122,用于将迭代计算子单元121得到的迭代计算的结果设置为趋于固定值的统计参考门限。
进一步的,如图12所示,该数字信号的自适应量化装置中,配置子单元111包括:
确定模块1101,用于根据信号的输入分布形态,确定信号的输出分布形态;
建立模块1102,用于利用数学工具,建立与确定模块1101确定的输出分布形态相匹配的分布函数;
统计模块1103,用于根据建立模块1102建立的分布函数的分布形态,统计分布函数对应的样本空间在预设能量区间中的样本个数;
计算模块1104,用于按照公式计算参考数量;其中,R表示统计参考数量;K表示分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
进一步的,如图13所示,该数字信号的自适应量化装置中,统计模块1103包括:
划分子模块11031,用于以分布函数的对称轴为中心将分布函数的能量区间进行对称划分,得到划分能量区间;
确定子模块11032,用于在划分子模块11031得到的划分的能量区间中,确定分布函数的对称轴所在的能量区间;
统计子模块11033,用于统计分布函数对应的样本空间在确定子模块11032确定的对称轴所在的能量区间中的样本个数。
进一步的,如图12所示,该数字信号的自适应量化装置中,迭代计算子单元121包括:
迭代计算模块1211,用于根据公式TH=TH0+(R-C)*Coe,对统计参考门限进行迭代计算;
其中,TH表示下一个样本空间的统计参考门限;TH0表示当前样本空间的统计参考门限;C表示当前大小为M的样本空间中符合统计规则的输入信号的个数;Coe为统计参考门限的调整系数。
本发明实施例提供的一种数字信号的自适应量化方法及装置,与现有技术中的对于位宽进行合适的转换以适应数据处理的需求的方法均不理想相比,其采用数字信号的自适应量化采用统计和量化结合的方式实现,统计中所需的统计参考数量和量化中所需的量化比较门限采用不同的设置方式可以调整输出信号的分布形式,以减少量化损失。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种数字信号的自适应量化方法,其特征在于,包括:
在当前的样本空间中,统计符合统计准则的输入信号的有效个数;所述统计准则包括统计参考数量和统计参考门限;
根据所述有效个数更新所述统计准则,得到趋于固定值的统计参考门限;
对所述统计参考门限进行计算,得到量化比较门限集合;所述量化比较门限集合包括多个量化比较门限值;
将输入信号分别与各个所述量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据;
所述根据所述有效个数更新所述统计准则,包括:
根据预设的统计参考门限初始值、所述统计参考数量、所述有效个数和预设的参考门限调整系数,对所述统计参考门限进行迭代计算,得到趋于固定值的统计参考门限;
所述对所述统计参考门限进行迭代计算包括:
根据公式TH=TH0+(R-C)*Coe,对所述统计参考门限进行迭代计算;
其中,TH表示下一个样本空间的统计参考门限;TH0表示当前样本空间的统计参考门限;C表示当前大小为M的样本空间中符合统计规则的输入信号的个数;Coe为统计参考门限的调整系数;R表示统计参考数量。
2.根据权利要求1所述的数字信号的自适应量化方法,其特征在于,所述统计符合统计准则的输入信号的有效个数,包括:
根据输出分布形态和输出位宽,配置统计参考数量;
根据预设的统计参考门限初始值和所述统计参考数量对应的所述统计准则,统计当前样本空间中的输入信号的有效个数。
3.根据权利要求2所述的数字信号的自适应量化方法,其特征在于,所述根据输出分布形态和输出位宽,配置统计参考数量包括:
根据信号的输入分布形态,确定所述信号的输出分布形态;
利用数学工具,建立与所述输出分布形态相匹配的分布函数;
根据所述分布函数的分布形态,统计所述分布函数对应的样本空间在预设能量区间中的样本个数;
按照公式计算所述参考数量;其中,R表示统计参考数量;K表示所述分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
4.根据权利要求3所述的数字信号的自适应量化方法,其特征在于,所述统计所述分布函数对应的样本空间在预设能量区间中的样本个数包括:
以所述分布函数的对称轴为中心将所述分布函数的能量区间按所述输出位宽进行对称划分,得到划分能量区间;
在划分的所述能量区间中,确定所述分布函数的对称轴所在的能量区间;
统计所述分布函数对应的样本空间在所述对称轴所在的能量区间中的样本个数。
5.一种数字信号的自适应量化装置,其特征在于,包括:
统计单元,用于在当前的样本空间中,统计符合统计准则的输入信号的有效个数;所述统计准则包括统计参考数量和统计参考门限;
更新单元,用于根据所述统计单元统计的所述有效个数更新所述统计准则,得到趋于固定值的统计参考门限;
计算单元,用于对所述更新单元得到的所述趋于固定值的每一个统计参考门限进行计算,得到量化比较门限集合;所述量化比较门限集合包括多个量化比较门限值;
比较单元,用于将输入信号分别与各个所述计算单元得到的所述量化比较门限值相比较,输出比较结果所在的量化比较门限值区间对应的量化后的数据;
所述更新单元包括:
迭代计算子单元,用于根据预设的统计参考门限初始值、所述统计参考数量、所述有效个数和预设的参考门限调整系数,对所述统计参考门限进行迭代计算;
设置子单元,用于将所述迭代计算子单元得到的所述迭代计算的结果设置为趋于固定值的统计参考门限;
所述迭代计算子单元,具体用于根据公式TH=TH0+(R-C)*Coe,对所述统计参考门限进行迭代计算;
其中,TH表示下一个样本空间的统计参考门限;TH0表示当前样本空间的统计参考门限;C表示当前大小为M的样本空间中符合统计规则的输入信号的个数;Coe为统计参考门限的调整系数;R表示统计参考数量。
6.根据权利要求5所述的数字信号的自适应量化装置,其特征在于,所述统计单元包括:
配置子单元,用于根据输出分布形态和输出位宽,配置统计参考数量;
统计子单元,用于根据预设的统计参考门限初始值和所述配置子单元得到的所述统计参考数量对应的所述统计准则,统计当前样本空间中的输入信号的有效个数。
7.根据权利要求6所述的数字信号的自适应量化装置,其特征在于,所述配置子单元包括:
确定模块,用于根据信号的输入分布形态,确定所述信号的输出分布形态;
建立模块,用于利用数学工具,建立与所述确定模块确定的所述输出分布形态相匹配的分布函数;
统计模块,用于根据所述建立模块建立的所述分布函数的分布形态,统计所述分布函数对应的样本空间在预设能量区间中的样本个数;
计算模块,用于按照公式计算所述参考数量;其中,R表示统计参考数量;K表示所述分布函数对应的模拟样本空间的大小;T表示模拟样本空间在预设能量区间中的样本个数;M表示统计样本空间的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510450526.4A CN105138304B (zh) | 2015-07-28 | 2015-07-28 | 数字信号的自适应量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510450526.4A CN105138304B (zh) | 2015-07-28 | 2015-07-28 | 数字信号的自适应量化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105138304A CN105138304A (zh) | 2015-12-09 |
CN105138304B true CN105138304B (zh) | 2018-07-20 |
Family
ID=54723664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510450526.4A Active CN105138304B (zh) | 2015-07-28 | 2015-07-28 | 数字信号的自适应量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105138304B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401518B (zh) * | 2020-03-04 | 2024-06-04 | 北京硅升科技有限公司 | 一种神经网络量化方法、装置及计算机可读存储介质 |
WO2022061936A1 (zh) * | 2020-09-28 | 2022-03-31 | 华为技术有限公司 | 量化参数的训练方法、信号量化方法及相关装置 |
CN116366411B (zh) * | 2023-03-28 | 2024-03-08 | 扬州宇安电子科技有限公司 | 一种多比特信号量化自适应门限生成及量化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263558A (zh) * | 2010-05-28 | 2011-11-30 | 华为技术有限公司 | 信号处理方法及系统 |
CN102377452A (zh) * | 2011-08-16 | 2012-03-14 | 中国科学技术大学 | 高速取样有限精度量化脉冲超宽带信号到达时间估计方法 |
CN103929177A (zh) * | 2014-04-29 | 2014-07-16 | 武汉大学 | Gnss接收机中a/d量化位数转换系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130272390A1 (en) * | 2012-04-16 | 2013-10-17 | Qualcomm Incorporated | Uniform granularity for quantization matrix in video coding |
-
2015
- 2015-07-28 CN CN201510450526.4A patent/CN105138304B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263558A (zh) * | 2010-05-28 | 2011-11-30 | 华为技术有限公司 | 信号处理方法及系统 |
CN102377452A (zh) * | 2011-08-16 | 2012-03-14 | 中国科学技术大学 | 高速取样有限精度量化脉冲超宽带信号到达时间估计方法 |
CN103929177A (zh) * | 2014-04-29 | 2014-07-16 | 武汉大学 | Gnss接收机中a/d量化位数转换系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105138304A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ross et al. | Normalized online learning | |
Cho et al. | Multiple-change-point detection for high dimensional time series via sparsified binary segmentation | |
Pedas et al. | Piecewise polynomial collocation for linear boundary value problems of fractional differential equations | |
Ford et al. | An implicit finite difference approximation for the solution of the diffusion equation with distributed order in time | |
CN105138304B (zh) | 数字信号的自适应量化方法及装置 | |
CN106445890B (zh) | 数据处理方法 | |
Lupulescu et al. | Existence results for random fractional differential equations | |
CN108805174A (zh) | 聚类方法及装置 | |
Perez et al. | A filtered bucket-clustering method for projection onto the simplex and the ℓ 1 ball | |
CN111768761B (zh) | 一种语音识别模型的训练方法和装置 | |
D'Urso et al. | Wavelet‐based self‐organizing maps for classifying multivariate time series | |
Rosenbaum et al. | Asymptotically optimal discretization of hedging strategies with jumps | |
CN109558543A (zh) | 一种样本采样方法、样本采样装置、服务器和存储介质 | |
CN109272340B (zh) | 参数阈值确定方法、装置及计算机存储介质 | |
Wang et al. | A distribution-based lasso for a general single-index model | |
CN107357714B (zh) | 一种基于监控平台的故障分析方法和装置 | |
CN105825311A (zh) | 一种套餐确定方法及系统 | |
Hult et al. | On importance sampling with mixtures for random walks with heavy tails | |
de Carvalho et al. | Similarity‐based clustering for patterns of extreme values | |
CN112085522B (zh) | 一种工程项目的造价数据处理方法、系统、装置及介质 | |
CN115810401A (zh) | 配方建构系统、方法、可读存储介质与计算机程序产品 | |
CN106899295A (zh) | 一种随机量化信号解码方法及系统 | |
Fukunaga et al. | Robust cost colorings. | |
CN108256642B (zh) | 一种用于非精确计算神经网络的电路设计方法 | |
CN109740756A (zh) | 数据离散化方法、装置和服务器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |