CN109690673B - 量化器与量化方法 - Google Patents

量化器与量化方法 Download PDF

Info

Publication number
CN109690673B
CN109690673B CN201780056167.1A CN201780056167A CN109690673B CN 109690673 B CN109690673 B CN 109690673B CN 201780056167 A CN201780056167 A CN 201780056167A CN 109690673 B CN109690673 B CN 109690673B
Authority
CN
China
Prior art keywords
quantization
threshold
circuit
source data
prediction
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
Application number
CN201780056167.1A
Other languages
English (en)
Other versions
CN109690673A (zh
Inventor
牛凯
董超
郭佳
蒋冰
周德坤
陈广进
孙德福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN109690673A publication Critical patent/CN109690673A/zh
Application granted granted Critical
Publication of CN109690673B publication Critical patent/CN109690673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/032—Quantisation or dequantisation of spectral components
    • G10L19/035—Scalar quantisation

Abstract

一种量化器与量化方法，其中，量化器包括：量化选择电路(10)和至少两个量化电路(1)；每个量化电路(1)对应一种量化方式；量化选择电路(10)的输出端(12)连接量化电路(1)的输入端(21)；量化选择电路(10)用于将第一信源数据xl的预测残差el与阈值比较，以确定el所属的分段，根据el所属的分段确定对el进行量化的目标量化方式，并将el输出至用于执行目标量化方式的目标量化电路；el为xl与xl的预测值(I)的差值，(I)为对xl进行线性预测获得的预测值；目标量化电路用于对el进行量化以获得第一量化结果ul。本方法可以充分利用信源数据之间的相关特性以及信源数据的分布规律，在获得预期的量化信噪比时，能够降低编码时所需的平均比特数，降低数据传输时所需的带宽。

Description

量化器与量化方法
技术领域
本发明涉及通信技术领域，特别涉及一种量化器与量化方法。
背景技术
在实际的通信场景中，大部分信源属于有记忆的信源，对于有记忆信源，信源输出的信源数据之间存在统计关联，如果对信源数据间的统计关联加以利用，可以降低数据传输中的冗余，起到数据压缩的作用，进而提高带宽利用率。
预测编码就是基于这一思想。预测编码不直接对信源数据进行编码，而是对信源数据进行预测，对预测值与信源数据的差值进行编码。在实际应用中，DPCM(DifferentialPulse Code Modulation，差分脉冲编码调制)便是一种常用的基于线性预测的编码架构，其工作原理如下：根据历史信源数据来预测当前输入的信源数据的值，并计算预测值与实际的信源数据的差值，对差值进行量化编码后进行数字信号的传输。
对上述差值进行量化时，可以选择均匀量化的方式，假设量化器的工作范围为(-V，+V)，均匀量化器将(-V，+V)的取值范围均匀分割成M个长度为Δ＝2V/M的区间。获取区间的中点作为量化电平，对上述差值进行量化。然而，均匀量化若获得预期的信噪比，需要占用较多的带宽。
CPRI(Common Public Radio Interface，通用公共无线电接口)是规范基站内部射频控制设备和射频设备之间接口标准的协议。降低CPRI接口传输负载的数据压缩技术，包括时域压缩方案(如降采样率、非线性量化、正交调制信号数据压缩等)和频域压缩方案(如子载波压缩等)。
频域压缩方案的出发点在于，信源信号在频域上存在大量的冗余；但是频域压缩会导致星座图映射复杂，增加接口逻辑设计和处理复杂度，不具备可实现性。
另一种方案是时域压缩方案。一种代表性的时域压缩方案是：基于信源信号特征，通过插值、低通滤波以及降采样的方式消除冗余，同时也大幅减少了符号数量。另外，又针对信号动态范围较大的特性，对数据进行分段缩放，以保证相同的数据位宽能够表征更多幅值较大的信号。然而，时域压缩方案并没有充分利用信源之间的相关特性及信源的分布规律，压缩率还有提升的空间。
发明内容
本发明实施例提供了一种量化器与量化方法，用于将数字信号进行压缩以降低传输时所需的带宽。
本发明实施例第一方面公开了一种量化器，包括：
量化选择电路和至少两个量化电路；每个量化电路对应一种量化方式；
所述量化选择电路的输出端连接所述量化电路的输入端；
所述量化选择电路用于将第一信源数据xl的预测残差el与阈值比较，以确定所述el所属的分段，根据所述el所属的分段确定对所述el进行量化的目标量化方式，并将所述el输出至用于执行所述目标量化方式的目标量化电路；所述el为所述xl与所述xl的预测值
Figure GPA0000263937340000041
的差值，所述
Figure GPA0000263937340000042
为对所述xl进行线性预测获得的预测值；所述el经所述量化选择电路的输入端到达所述量化选择电路；所述el经所述量化选择电路的输出端到达所述目标量化电路；
所述目标量化电路用于对所述el进行量化以获得第一量化结果ul。
在该实施方式中，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽。
作为一种可选的实施方式，所述量化器还包括阈值计算电路；
所述至少两个量化电路的输出端连接所述阈值计算电路的输入端；所述阈值计算电路的输出端连接所述量化选择电路的输入端；
所述阈值计算电路用于根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，所述xl-1为所述xl前一次的信源数据；所述el-1为所述xl-1与所述xl-1的预测值
Figure GPA0000263937340000043
的差值，所述
Figure GPA0000263937340000044
为对所述xl-1进行线性预测获得的预测值；其中，所述xl-1、所述el-1、所述ul-1和所述SNRt经所述阈值计算电路的输入端到达所述阈值计算电路；所述阈值经所述阈值计算电路的输出端到达所述量化选择电路。
在该实施方式中，用于将预测残差分段的阈值根据目标量化信噪比的要求确定，以保证量化后的数据可以达到理想的信噪比。
作为一种可选的实施方式，所述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，所述τ1～τn-1将预测残差的取值范围划分为n个分段；所述第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据所述预测残差的分布确定；所述预测残差的分布根据先验知识确定；
所述阈值计算电路用于根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，包括：
计算阈值组：
根据所述xl-1、所述xl-1的预测残差el-1和所述第二量化结果ul-1计算发送端信噪比
Figure GPA0000263937340000045
判断所述SNRq是否大于所述SNRt；若SNRq＞SNRt，则将所述阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将所述阈值组内各阈值分别减少δ；
获取nτ个阈值组的计算结果，对所述nτ个阈值组求平均以获得所述第一阈值组。
在该实施方式中，阈值可以根据发送端信噪比进行动态修正，以保证量化后的数据可以达到理想的信噪比。
作为一种可选的实施方式，所述量化器还包括减法器；
所述减法器的输出端连接所述量化选择电路的输入端；
所述减法器用于将第一信源数据xl与所述xl的预测值
Figure GPA0000263937340000046
相减以获得所述xl的预测残差el；所述
Figure GPA0000263937340000047
为对所述xl进行线性预测获得的预测值；其中，所述xl和所述
Figure GPA0000263937340000048
经所述减法器的输入端到达所述减法器；所述el经所述减法器的输出端到达所述量化选择电路。
在该实施方式中，利用信源数据之间的相关特性，将传输信源数据转变为传输对信源数据进行预测的预测残差，从而降低传输的数据位宽，提高数据压缩率。
作为一种可选的实施方式，所述量化器还包括线性预测器；
所述线性预测器的输出端连接所述减法器的输入端；
所述线性预测器用于根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure GPA0000263937340000051
其中，所述xl-1和所述ul-1经所述线性预测器的输入端到达所述线性预测器；所述
Figure GPA0000263937340000052
经所述线性预测器的输出端到达所述减法器。
在该实施方式中，利用信源数据之间的相关特性，对信源数据进行线性预测，在进行数据传输时，将传输信源数据转变为传输对信源数据进行预测的预测残差，从而降低传输的数据位宽，提高数据压缩率。
作为一种可选的实施方式，所述线性预测器包括：
预测系数计算电路和线性预测电路；
所述预测系数计算电路用于计算预测系数，所述预测系数包含第一预测系数，所述第一预测系数为对所述第一信源数据xl进行所述线性预测的预测系数；
所述计算预测系数，包括：
利用所述xl之前的Nblock个信源数据计算相关函数；
获取f个所述相关函数之后对所述f个所述相关函数求平均以获得平均相关函数，通过最小均方误差准则建立所述平均相关函数与所述预测系数的关系以求得所述预测系数；
所述第一预测系数经所述预测系数计算电路的输出端到达所述线性预测电路；
所述线性预测电路用于根据所述第一预测系数、所述第二信源数据的预测值
Figure GPA0000263937340000053
和所述ul-1计算所述
Figure GPA0000263937340000054
包括：
计算所述
Figure GPA0000263937340000055
与所述ul-1的和与所述第一预测系数的积作为中间量；
获取K个所述中间量之后对所述K个中间量求和以获得所述
Figure GPA0000263937340000056
其中，所述K为线性预测的阶数；
所述
Figure GPA0000263937340000057
和所述ul-1经所述线性预测电路的输入端到达所述线性预测电路；所述
Figure GPA0000263937340000058
经所述线性预测电路的输出端到达所述减法器。
在该实施方式中，在计算相关函数时，采用将输入的信源数据分段计算相关函数的方式，并分段进行相关函数的更新，降低在数据发送端进行相关函数计算的数据复杂度。
作为一种可选的实施方式，所述量化器还包括组帧电路；
所述量化选择电路的输出端连接所述组帧电路的输入端；所述目标量化电路的输出端连接所述组帧电路的输入端；所述预测系数计算电路的输出端连接所述组帧电路的输入端；
所述量化选择电路还用于获取所述ul的位置标识信息；所述ul的位置标识信息为所述el所属的分段；所述ul的位置标识信息和所述阈值分别经所述量化选择电路的输出端到达所述组帧电路；
所述ul经所述目标量化电路的输出端到达所述组帧电路；
所述第一预测系数经所述预测系数计算电路的输出端到达所述组帧电路；
所述组帧电路用于将所述ul、所述ul的位置标识信息、所述阈值和所述第一预测系数组成数据帧以进行传输。
在该实施方式中，将量化结果、位置标识信息、阈值和预测系数组成数据帧以进行传输；数据接收端接收到上述数据帧后，可根据量化结果、位置标识信息和阈值还原出信源数据的预测残差，利用预测系数求得对信源数据的预测值，将预测残差和预测值相加即可还原出信源数据。
本发明实施例第二方面公开了一种量化方法，包括：
获取第一信源数据xl的预测残差el与阈值；所述el为所述xl与所述xl的预测值
Figure GPA0000263937340000061
的差值，所述
Figure GPA0000263937340000062
为对所述xl进行线性预测获得的预测值；
将所述el与所述阈值比较以确定所述el所属的分段，根据所述el所属的分段确定对所述el进行量化的目标量化方式；
利用所述目标量化方式对所述el进行量化以获得第一量化结果ul。
作为一种可选的实施方式，所述将第一信源数据xl的预测残差el与阈值比较以确定所述el所属的分段之前，所述方法还包括：
根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值；所述xl-1为所述xl前一次的信源数据，所述el-1为所述xl-1与所述xl-1的预测值
Figure GPA0000263937340000063
的差值，所述
Figure GPA0000263937340000064
为对所述xl-1进行线性预测获得的预测值。
作为一种可选的实施方式，所述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，所述τ1～τn-1将预测残差的取值范围划分为n个分段；所述第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据所述预测残差的分布确定；所述预测残差的分布根据先验知识确定；
所述根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，包括：
计算阈值组：
根据所述xl-1、所述xl-1的预测残差el-1和所述第二量化结果ul-1计算发送端信噪比
Figure GPA0000263937340000065
判断所述SNRq是否大于所述SNRt；若SNRq＞SNRt，则将所述阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将所述阈值组内各阈值分别减少δ；
获取nτ个阈值组的计算结果，对所述nτ个阈值组求平均以获得所述第一阈值组。
作为一种可选的实施方式，所述将第一信源数据xl的预测残差el与阈值比较以确定所述el所属的分段之前，所述方法还包括：
将第一信源数据xl与所述xl的预测值
Figure GPA0000263937340000066
相减以获得所述xl的预测残差el；所述
Figure GPA0000263937340000067
为对所述xl进行线性预测获得的预测值。
作为一种可选的实施方式，所述将第一信源数据xl与所述xl的预测值
Figure GPA0000263937340000068
相减以获得所述xl的预测残差el之前，所述方法还包括：
根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure GPA0000263937340000069
作为一种可选的实施方式，所述根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure GPA00002639373400000610
之前，所述方法还包括：
计算预测系数，所述预测系数包含第一预测系数，所述第一预测系数为对所述第一信源数据xl进行预测的预测系数；
所述计算预测系数，包括：
利用所述xl之前的Nblock个信源数据计算相关函数；
获取f个所述相关函数之后对所述f个所述相关函数求平均以获得平均相关函数，通过最小均方误差准则建立所述平均相关函数与所述预测系数的关系以求得所述预测系数；
所述根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure GPA0000263937340000071
包括：
计算所述
Figure GPA0000263937340000072
与所述ul-1的和与第一预测系数的积作为中间量；
获取K个所述中间量之后对所述K个中间量求和以获得所述
Figure GPA0000263937340000073
其中，所述K为线性预测的阶数。
作为一种可选的实施方式，所述方法还包括：
获取所述ul的位置标识信息和所述阈值；所述ul的位置标识信息为所述el所属的分段；
将所述ul、所述ul的位置标识信息、所述阈值和所述第一预测系数组成数据帧以进行传输。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，先确定需要量化的预测残差所属的分段，再根据预测残差所属的分段确定对预测残差进行量化的目标量化方式，最后利用目标量化方式对预测残差进行量化以获得量化结果，从而可以充分利用信源数据之间的相关特性以及信源数据的分布规律，在获得预期的量化信噪比时，能够降低编码时所需的平均比特数，从而降低数据传输时所需的带宽。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1为本发明实施例公开的一种量化器的结构示意图；
图2为本发明实施例公开的另一种量化器的结构示意图；
图3为本发明实施例公开的一种量化方法的流程示意图；
图4为本发明实施例公开的另一种量化方法的流程示意图；
图4a为本发明实施例公开的一种线性预测器的结构示意图；
图4b为本发明实施例公开的一种预测残差的概率密度的示意图；
图5为本发明实施例公开的一种计算初始的τ1的值的流程示意图；
图6为本发明实施例公开的一种阈值更新方法的流程示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
本发明实施例提供了一种量化器和量化方法，可以充分利用信源数据之间的相关特性以及信源数据的分布规律，在获得预期的量化信噪比时，降低编码时所需的平均比特数，从而降低数据传输时所需的带宽。
请参阅图1，图1是本发明实施例公开的一种量化器的结构示意图。如图1所示，本实施例中所描述的量化器，包括量化选择电路10和量化电路组20，量化电路组20包括至少两个量化电路，每个量化电路对应一种量化方式，其中：
量化选择电路10包括输入端11和输出端12；量化电路组20包括输入端21和输出端22。
量化选择电路10的输出端12连接量化电路组20的输入端21。
本发明实施例中，包括第一信源数据xl、第二信源数据xl-1等在内的信源数据，为数字化的数据，举例来说，可为进行数据传输时，数据发送端需要传输的正交调制信号。
本发明实施例中，量化选择电路10将第一信源数据xl的预测残差el与阈值比较，以确定el所属的分段，根据el所属的分段确定对el进行量化的目标量化方式，并将el输出至用于执行目标量化方式的目标量化电路。其中，el为xl与xl的预测值
Figure GPA0000263937340000081
的差值，
Figure GPA0000263937340000082
为对xl进行线性预测获得的预测值；el经量化选择电路10的输入端11到达量化选择电路10；el经量化选择电路10的输出端12到达量化电路组20中的目标量化电路。
作为一种可选的实施方式，量化电路组20中可配置有开关电路，使得目标量化电路的输入端与量化电路组20的输入端21的连接导通，从而目标量化电路可以接收到量化选择电路10输出的el。
在接收到el之后，量化电路组20中的目标量化电路对el进行量化以获得第一量化结果ul。
本发明实施例中，上述阈值可为量化选择电路10中预先存储的一组阈值；或者，量化选择电路10中预先存储有多组可选阈值，每隔预设时间间隔选择一组可选阈值对阈值来进行更新；或者，阈值由量化选择电路10的输入端11进行输入。具体采用何种方式，本发明实施例不做限定。
本发明实施例中，量化电路组20包括至少两个量化电路，每个量化电路对应一种量化方式，其中，可选的量化方式包括：均匀量化、A率量化和μ率量化等，具体采用何种方式，本发明实施例不做限定。
由此可见，实施图1所描述的发明实施例，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽。
请参阅图2，图2是本发明实施例公开的另一种量化器的结构示意图。如图2所示，本实施例中所描述的量化器，可建立在图1所描述的量化器的基础之上，除了图1所描述的量化选择电路10和量化电路组20之外，还包括阈值计算电路30；其中，量化选择电路10和量化电路组20的实施方式可参考图1所描述的实施方式。
阈值计算电路30包括第一输入端31、第二输入端32、第三输入端33、第四输入端34和输出端35。量化电路组20的输出端22连接阈值计算电路30的第三输入端33；阈值计算电路30的输出端35连接量化选择电路的输入端11。
需要说明的是，本发明实施例中的各个硬件模块的第一输入端、第二输入端、第三输入端、第一输出端、第二输出端等端口，在物理实现上可为多个不同的分离端口，也可为合并的一个端口，具体采用的方式根据数据传输速度或硬件实现难度等情况进行选择，本发明实施例不做限定。
阈值计算电路30根据第二信源数据xl-1、xl-1的预测残差el-1、el-1的第二量化结果ul-1和目标量化信噪比SNRt确定阈值，xl-1为xl前一次的信源数据；el-1为xl-1与xl-1的预测值
Figure GPA0000263937340000091
的差值，
Figure GPA0000263937340000092
为对xl-1进行线性预测获得的预测值；其中，xl-1、el-1、ul-1和SNRt分别经阈值计算电路30的第一输入端31、第二输入端32、第三输入端33和第四输入端34到达阈值计算电路30；阈值经阈值计算电路30的输出端35到达量化选择电路10的输入端11。
作为一种可选的实施方式，上述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，τ1～τn-1将预测残差的取值范围划分为n个分段；第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据预测残差的分布确定；而预测残差的分布根据先验知识确定。
在上述实施方式中，阈值计算电路30通过如下的方式求得阈值：
首先，通过如下方式计算阈值组：根据xl-1、xl-1的预测残差el-1和第二量化结果ul-1计算发送端信噪比
Figure GPA0000263937340000093
判断SNRq是否大于SNRt；若SNRq＞SNRt，则将阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将阈值组内各阈值分别减少δ；
循环执行nτ次阈值组的计算，获取nτ个阈值组的计算结果，对nτ个阈值组求平均以获得第一阈值组。
作为一种可选的实施方式，图2所描述的量化器还可以包括减法器40；减法器40包括第一输入端41、第二输入端42和输出端43；减法器40的输出端43连接量化选择电路10的输入端11。
需要强调的是，量化选择电路10的输入端11既接收阈值，也接收预测残差el，其在物理实现上，既可以是同一个输入端，也可能是分离的两个输入端，其具体的屋里实现方式，本发明实施例不做限制。
减法器40将第一信源数据xl与xl的预测值
Figure GPA0000263937340000094
相减以获得xl的预测残差el；
Figure GPA0000263937340000095
为对xl进行线性预测获得的预测值；其中，xl和
Figure GPA0000263937340000096
分别经减法器40的第一输入端41和第二输入端42到达减法器40；el经减法器40的输出端43到达量化选择电路10的输入端11。
作为一种可选的实施方式，图2所描述的量化器还可以包括线性预测器50；线性预测器50包括第一输入端51、第二输入端52和输出端53；线性预测器的输出端53连接减法器40的输入端42；
线性预测器50根据第二信源数据xl-1和第二量化结果ul-1计算第一信源数据xl的预测值
Figure GPA0000263937340000097
其中，xl-1和ul-1经线性预测器50的第一输入端51和第二输入端52到达线性预测器50；
Figure GPA0000263937340000098
经线性预测器50的输出端53到达减法器40的第二输入端42。
作为一种可选的实施方式，线性预测器50可以包括预测系数计算电路501和线性预测电路502。
预测系数计算电路501包括输入端5011和输出端5012；线性预测电路502包括第一输入端5021、第二输入端5022、第三输入端5023和输出端5024。
预测系数计算电路501计算预测系数，预测系数包含第一预测系数，第一预测系数为对第一信源数据xl进行线性预测的预测系数。
上述计算预测系数，包括：
利用xl之前的Nblock个信源数据计算相关函数；
获取f个相关函数之后对f个相关函数求平均以获得平均相关函数，通过最小均方误差准则建立平均相关函数与预测系数的关系以求得预测系数。
第一预测系数经预测系数计算电路501的输出端5012到达线性预测电路502的第一输入端5021。
线性预测电路502根据上述第一预测系数、第二信源数据的预测值
Figure GPA0000263937340000101
和ul-1计算
Figure GPA0000263937340000102
包括：
计算
Figure GPA0000263937340000103
与ul-1的和与第一预测系数的积作为中间量；
获取K个中间量之后对K个中间量求和以获得
Figure GPA0000263937340000104
其中，K为线性预测的阶数。
Figure GPA0000263937340000105
和ul-1分别经线性预测电路502的第二输入端5022和第三输入端5023到达线性预测电路502；
Figure GPA0000263937340000106
经线性预测电路502的输出端5024到达减法器40的第二输入端42。
作为一种可选的实施方式，图2所描述的量化器还可以包括组帧电路60；组帧电路60包括第一输入端61、第二输入端62、第三输入端63、第四输入端64和输出端65；量化选择电路10的输出端还包括：第一输出端13和第二输出端14。
量化选择电路10的第一输出端13和第二输出端14连接组帧电路60的第一输入端61和第二输入端62；量化电路组20的输出端22连接组帧电路60的第三输入端63；预测系数计算电路501的输出端5012连接组帧电路60的第四输入端64。
量化选择电路10还用于获取ul的位置标识信息；ul的位置标识信息为el所属的分段；ul的位置标识信息和阈值分别经量化选择电路10的第一输出端13和第二输出端14到达组帧电路60；ul经量化电路组20的输出端22到达组帧电路60；第一预测系数经预测系数计算电路501的输出端5012到达组帧电路60。
组帧电路将ul、ul的位置标识信息、阈值和第一预测系数组成数据帧以进行传输。
由此可见，实施图2所描述的发明实施例，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽；除此以外，将预测残差分段的阈值根据目标量化信噪比的要求确定，以保证量化后的数据可以达到理想的信噪比。
请参阅图3，图3为本发明实施例公开的一种量化方法的流程示意图。图3所描述的量化方法可包括以下步骤：
301、获取第一信源数据xl的预测残差el与阈值。
本发明实施例中，量化器获取第一信源数据xl的预测残差el与阈值，并且，该量化器可为作为数据发送端的终端设备中的电路模块。
本发明实施例中，上述el为xl与xl的预测值
Figure GPA0000263937340000107
的差值，
Figure GPA0000263937340000108
为对xl进行线性预测获得的预测值。而上述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，将预测残差的取值范围划分为n个分段。
本发明实施例中，上述第一阈值组可为量化器中预先存储的，也可根据实时输入的数据计算获得。作为一种可选的实施方式，第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据预测残差的分布确定；而预测残差的分布根据先验知识确定。根据上述特征，可通过如下的方式计算第一阈值组：
首先，计算阈值组：根据第一信源数据xl前一次的信源数据：第二信源数据xl-1、第二信源数据xl-1的预测残差el-1和第二信源数据的第二量化结果ul-1计算发送端信噪比
Figure GPA0000263937340000111
判断SNRq是否大于SNRt；若SNRq＞SNRt，则将阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将阈值组内各阈值分别减少δ；
循环执行nτ次上述阈值组计算过程，以获取nτ个阈值组的计算结果，对nτ个阈值组求平均以获得第一阈值组。
302、将el与阈值比较以确定el所属的分段，根据el所属的分段确定对el进行量化的目标量化方式。
本发明实施例中，不同的分段对应不同的量化方式，其中，可采用的量化方式包括：均匀量化、A率量化和μ率量化等；与对所有量化残差采用相同的量化方式相比，本发明实施例可以更好地匹配量化残差的分布规律，进一步降低量化结果所需的位宽。
303、利用目标量化方式对el进行量化以获得第一量化结果ul。
由此可见，利用图3所描述的量化方法，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽。
请参阅图4，图4为本发明实施例公开的另一种量化方法的流程示意图。图4所描述的量化方法可包括以下步骤：
401、利用信源数据计算预测系数，预测系数包含第一预测系数。
本发明实施例中，量化器利用信源数据计算预测系数，并且，该量化器可为作为数据发送端的终端设备中的电路模块。另外，包括第一信源数据xl、第二信源数据xl-1等在内的信源数据，为数字化的数据，举例来说，可为进行数据传输时，数据发送端需要传输的正交调制信号。第一预测系数为对第一信源数据xl进行预测的预测系数。
本发明实施例中，可以通过线性预测的方式获得第一信源数据xl的预测值，在进行线性预测前，数据发送端每进入f*Nblock个数据更新一次预测系数。
在数据发送端刚开始发送数据时，获取Ninit个数据作为初始训练样本，为了降低计算复杂度，将初始训练样本分为F＝Ninit/Nblock段，以进行相关函数的计算。其中，相关函数的表达式为
Figure GPA0000263937340000112
在表达式中，k1为相关函数的阶数，Nblock为计算相关函数所需要的信源信号的样本长度。
之后对每段长为Nblock的数据，利用移位相乘或者快速傅里叶变换的方式，计算出一组相关函数R(0)～R(K)，将求得的相关函数存入发送端的存储器之中，其中，针对初始训练样本计算出的相关函数的存储结构图如表1所示：
R<sub>1</sub>(0) R<sub>2</sub>(0) ... R<sub>F</sub>(0)
R<sub>1</sub>(1) R<sub>2</sub>(1) ... R<sub>F</sub>(1)
... ... ... ...
R<sub>1</sub>(K) R<sub>2</sub>(K) ... R<sub>F</sub>(K)
表1初始训练样本的相关函数的存储结构图
考虑到在DPCM框架中，预测系数需要由发送端传输到接收端，预测系数的传输会占用传输带宽，因此预测系数更新步长不能太短。同时，应当注意到，预测系数的更新需要能够跟上信源数据相关特性的时变特性，因此预测系数的更新步长也不能太长，需要进行折中。在实现中，我们选取更新步长Nupdate。Nupdate应该小于Ninit。
同样，将后续每段Nupdate个数据分为f＝Nupdate/Nblock段，每段长度为Nblock。
后续计算预测系数的过程，包括：
假设当前输入的数据为第一信源数据xl，利用xl之前的Nblock个信源数据计算相关函数，并循环进行相关函数的计算，将求得的f组相关函数存储进如表2所示的相关函数存储结构之中。
R<sub>f+1</sub>(0) R<sub>f+2</sub>(0) ... R<sub>F</sub>(0) R<sub>1</sub>(0) ... R<sub>f</sub>(0)
R<sub>f+1</sub>(1) R<sub>f+2</sub>(1) ... R<sub>F</sub>(1) R<sub>1</sub>(1) ... R<sub>f</sub>(1)
... ... ... ... ... ... ...
R<sub>f+1</sub>(K) R<sub>f+2</sub>(K) ... R<sub>F</sub>(K) R<sub>1</sub>(K) ... R<sub>f</sub>(K)
表2相关函数存储结构图
每次计算一组相关函数的时候，数组整体左移，新计算的结果放在数组的最右面。上面表格中，前面的Rf+1～RF是训练样本的第f+1～F段数据计算得到的相关函数，后面的R1～Rf是后续的一组数据计算得到的f组相关函数，之后进入数据都是采用此方式更新相关函数数组。采用如上方式，数据发送端存储的只是当前进行预测系数更新的f个相关函数，硬件开销适中，且硬件结构容易实现。
获取f个相关函数之后，对f个所述相关函数求平均以获得平均相关函数，通过最小均方误差准则建立平均相关函数与预测系数的关系；其中，假设计算出的平均相关函数为R(0)～R(K)，则平均相关函数与预测系数的关系可用如下线性方程组表达：
Figure GPA0000263937340000121
因此，根据上述线性方程组，可计算得到预测系数。
402、根据第一预测系数、第二信源数据xl-1和第二量化结果ul-1计算第一信源数据xl的预测值
Figure GPA0000263937340000122
本发明实施例中，可以通过线性预测的方式对第一信源数据xl进行预测。如图4a所示，图4a为本发明实施例公开的一种线性预测器的结构示意图。如图4a所示，计算第一信源数据xl前一次的信源数据(即第二信源数据)xl-1与预测系数β1的积作为中间量；之后重复执行上述计算中间量的过程，获取K个中间量之后对K个中间量求和以获得第一信源数据xl的预测值
Figure GPA0000263937340000131
在获得上述
Figure GPA0000263937340000132
之后，执行步骤403，将第一信源数据xl与xl的预测值
Figure GPA0000263937340000133
相减以获得xl的预测残差el，再将预测残差el输出到编码器中进行量化编码。
403、将第一信源数据xl与xl的预测值
Figure GPA0000263937340000134
相减以获得xl的预测残差el。
根据图4a公开的线性预测器的结构示意图，预测残差el的计算公式可为：
Figure GPA0000263937340000135
其中，K为线性预测器的预测阶数，其选取依赖于信源的相关特性，需要对信源数据做相关特性的分析，即对信源数据移位计算相关函数，以选取合适的间隔，使得两个采样数据的时延差大于该间隔时，这两个采样数据的相关性低于预期的阈值，则此间隔值即为需求的K值。
404、根据第二信源数据xl-1、xl-1的预测残差el-1、el-1的第二量化结果ul-1和目标量化信噪比SNRt确定阈值。
在线性预测的基础上，发送端需要对预测残差进行量化。量化方案的选取依赖于预测残差的统计特性，因此，首先对预测残差的概率分布进行统计。
举例来说，若预测残差的概率密度分布如图4b所示，从图中可以看出，预测残差的分布基本符合高斯分布的特性，小残差的出现概率较大，而大残差的出现概率较小。对于幅度较小的残差来说，利用较少的比特进行量化，即可以获得较高的精度，而对于幅度较大的残差来说，需要采用较多的比特进行量化，才能保证量化精度；因此，通过阈值对预测残差进行分段，每段选择与该分段相适应的量化方式，可以进一步降低量化结果所需的平均位宽。
本发明实施例中，上述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，将预测残差的取值范围划分为n个分段，每段依据预测残差的分布规律采用不同的量化方式。
假定τ1为绝对值最小的阈值，各个阈值之间的间隔为di，j，则τk＝τ1+di，j，k＝2，…，n-1。因此，首先需要确定τ1的值。
请参阅图5，图5为本发明实施例公开的一种计算初始的τ1的值的流程示意图。在数据发送端刚开始发送数据时，可以通过如下步骤计算初始的τ1：
501、获取Ninit个信源数据作为初始训练样本。
502、计算初始训练样本中信源数据的预测残差。
503、采用ΔPCM的方式统计残差功率σ2。
504、构建均值为0，方差为σ2的高斯分布。
505、按照预设的比例要求，根据Q函数计算τ1的值。
在此之后，阈值每输入固定数目的信源数据进行一次更新。请参阅图6，图6为本发明实施例公开的一种阈值更新方法的流程示意图。作为一种可选的实施方式，可以通过如下方式进行阈值更新：
601、初始化参数count＝0，k＝0。同时初始化τ1～τn-1。
602、获取Nblock个信源数据，则计数器count++。
603、判断计数器count是否等于f，如果等于f，则执行步骤604，否则返回步骤602。
604、计算数据发送端的SNRq，同时count归零，计数器k++。
605、比较SNRq是否大于SNRt，若SNRq＞SNRt，则执行步骤606；若SNRq＜SNRt，则执行步骤607。
606、将阈值组内各阈值分别增加δ；其中δ表示每次微调的大小。
607、将阈值组内各阈值分别减少δ；其中δ表示每次微调的大小。
608、判断k是否等于nτ，如果是，则执行步骤609。如果否，则返回步骤602。
609、求nτ个阈值组的平均值以更新阈值。
本发明实施例中，根据数据发送端信噪比的情况定期调整阈值，以确保量化结果可以满足预设的信噪比要求。
405、将el与阈值比较以确定el所属的分段，根据el所属的分段确定对el进行量化的目标量化方式。
举例来说，若预测残差的分布符合高斯分布的特性，则小残差的出现概率较大，而大残差的出现概率较小。对于幅度较小的残差来说，利用较少的比特进行量化，即可以获得较高的精度，而对于幅度较大的残差来说，需要采用较多的比特进行量化，才能保证量化精度；因此，通过阈值对预测残差进行分段，每段选择与该分段相适应的量化方式，可以进一步降低量化结果所需的平均位宽。
406、利用上述目标量化方式对el进行量化以获得第一量化结果ul。
举例来说，若设定两个阈值τ1和τ2，将预测残差的取值范围分为三段，其中绝对值小于τ1的为小信号，绝对值在τ1和τ2之间的为中信号，绝对值大于τ2的为大信号；小信号采用的量化方式为μ＝1的对数压扩量化，中信号采用的量化方式为μ＝30的对数压扩量化，大信号采用均匀量化；若预测残差el为小信号，则采用μ＝1的对数压扩量化。
407、获取ul的位置标识信息。
本发明实施例中，ul的位置标识信息包括ul对应的el所属的分段，以便于将包含ul的数据帧发送至数据接收端时，数据接收端根据阈值和el所属的分段，确定数据发送端对el进行量化的量化方式，并由ul恢复出el。
408、将ul、ul的位置标识信息、阈值和第一预测系数组成数据帧以进行传输。
由此可见，利用图4所描述的量化方式，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽；除此以外，将预测残差分段的阈值根据目标量化信噪比的要求确定，以保证量化后的数据可以达到理想的信噪比。
最后，以微波1024QAM正交调制数据为信源数据(整数位宽为3bit)来进行仿真，以具体说明上述的量化方法。
首先，对本发明实施例中涉及的参数进行配置，仿真时的参数配置如表3所示：
N<sub>init</sub> 300000 N<sub>update</sub> 100000
N<sub>block</sub> 1000 K 20
F 300 f 100
表3仿真参数配置表
之后，设定两个阈值τ1和τ2，将预测残差的取值范围分为三段，其中绝对值小于τ1的为小信号，绝对值在τ1和τ2之间的为中信号，绝对值大于τ2的为大信号。小信号和中信号采用类似于μ律的对数压扩量化，大信号采用均匀量化。请参阅表4，表4为分段量化时的参数配置信息。
Figure GPA0000263937340000151
表4分段量化的参数配置
在本示例中，采用如下方案来确定中小信号的量化方案：
先对中、小信号的量化方式设定不同的μ值，之后分别评估中小信号量化信噪比，通过二分法查找最合适的μ值；
将y值在[0，1]之间平均分成32段，得到33个边界值yi，i＝0，1，...，32，其中y0＝0，y32＝1；
根据μ律公式来确定折线的斜率，其中，μ律公式为：
Figure GPA0000263937340000152
考虑到硬件的实现性，利用32折线来逼近μ律，分别求出小信号和中信号的32段折线的斜率
Figure GPA0000263937340000153
和
Figure GPA0000263937340000154
利用每段折线的斜率及y值计算对应的x值，计算公式为：
x0＝0
Figure GPA0000263937340000155
Figure GPA0000263937340000156
利用求得的x轴的边界值求得码本codebook1和codebook2，即：
Figure GPA0000263937340000157
Figure GPA0000263937340000158
计算正数部分小中信号的量化码本：
codebooks＝codebook1*τ1
codebookm＝codebook2*(τ2-τ1)+τ1
将得到的量化码本取反，即可得到对应的负数部分的量化码本，组成量化码本共64个值。
利用上述量化码本将小信号和中信号进行量化，利用均匀量化的方式对大信号进行量化。对预测残差量化之后便要进行编码传输，由于采用了分段量化的方案，为保证接收端正确译码，组帧后的数据帧需要包括预测系数、预测残差所在分段的位置信息、阈值、预测残差。
根据上述方式仿真数据传输过程，得到的发送端信噪比为55.0435dB，发送的数据的平均比特为6.1780；请参阅表5，为本仿真结果与CPRI压缩和均匀量化在同等情况下，获得的结果的比较：
量化方式 均匀量化 CPRI压缩 本实施例方案
位宽(平均比特) 6bit 6bit 6.18bit
信噪比 22.83 34.87 55.04
压缩率 0 25％ 45％
表5仿真结果比较
由表5中的仿真结果比较可知，与均匀量化和CPRI相比，本发明实施例在量化信噪比和平均比特方面的性能有较大提升，可降低进行数字传输时所需的带宽。
数据接收端接收到上述数据帧之后，首先解帧得到阈值，根据阈值计算出码本；再解帧得到预测系数，将预测系数传递给线性预测器以获取信源数据的预测值；之后解帧得到预测残差所在分段的位置信息，便可利用译码器对量化结果进行译码；最后将译码结果与线性预测器得到的预测值相加，即可恢复出数据发送端发送的信源数据。
综上所述，实施本发明实施例，对预测残差进行分段量化，即根据预测残差的分布规律为每个分段选择匹配的量化方式，可以在满足量化信噪比要求的前提下，提高数据压缩率，即降低传输时需要的带宽。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

Claims (10)

1.一种量化器，其特征在于，包括：
量化选择电路和至少两个量化电路；每个量化电路对应一种量化方式；
所述量化选择电路的输出端连接所述量化电路的输入端；
所述量化选择电路用于将第一信源数据xl的预测残差el与阈值比较，以确定所述el所属的分段，根据所述el所属的分段确定对所述el进行量化的目标量化方式，并将所述el输出至用于执行所述目标量化方式的目标量化电路；所述el为所述xl与所述xl的预测值
Figure FDA0002952013760000017
的差值，所述
Figure FDA0002952013760000018
为对所述xl进行线性预测获得的预测值；所述el经所述量化选择电路的输入端到达所述量化选择电路；所述el经所述量化选择电路的输出端到达所述目标量化电路；
所述目标量化电路用于对所述el进行量化以获得第一量化结果ul；
所述量化器还包括阈值计算电路；
所述至少两个量化电路的输出端连接所述阈值计算电路的输入端；所述阈值计算电路的输出端连接所述量化选择电路的输入端；
所述阈值计算电路用于根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，所述xl-1为所述xl前一次的信源数据；所述el-1为所述xl-1与所述xl-1的预测值
Figure FDA0002952013760000011
的差值，所述
Figure FDA0002952013760000012
为对所述xl-1进行线性预测获得的预测值；其中，所述xl-1、所述el-1、所述ul-1和所述SNRt经所述阈值计算电路的输入端到达所述阈值计算电路；所述阈值经所述阈值计算电路的输出端到达所述量化选择电路，所述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，所述τ1～τn-1将预测残差的取值范围划分为n个分段；所述第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据所述预测残差的分布确定；所述预测残差的分布根据先验知识确定；
所述阈值计算电路用于根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，包括：
计算阈值组：
根据所述xl-1、所述xl-1的预测残差el-1和所述第二量化结果ul-1计算发送端信噪比
Figure FDA0002952013760000013
判断所述SNRq是否大于所述SNRt；若SNRq＞SNRt，则将所述阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将所述阈值组内各阈值分别减少δ；
获取nτ个阈值组的计算结果，对所述nτ个阈值组求平均以获得所述第一阈值组。
2.根据权利要求1所述的量化器，其特征在于，所述量化器还包括减法器；
所述减法器的输出端连接所述量化选择电路的输入端；
所述减法器用于将第一信源数据xl与所述xl的预测值
Figure FDA0002952013760000014
相减以获得所述xl的预测残差el；所述
Figure FDA0002952013760000015
为对所述xl进行线性预测获得的预测值；其中，所述xl和所述
Figure FDA0002952013760000016
经所述减法器的输入端到达所述减法器；所述el经所述减法器的输出端到达所述量化选择电路。
3.根据权利要求2所述的量化器，其特征在于，所述量化器还包括线性预测器；
所述线性预测器的输出端连接所述减法器的输入端；
所述线性预测器用于根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure FDA0002952013760000021
其中，所述xl-1和所述ul-1经所述线性预测器的输入端到达所述线性预测器；所述
Figure FDA0002952013760000022
经所述线性预测器的输出端到达所述减法器。
4.根据权利要求3所述的量化器，其特征在于，所述线性预测器包括：
预测系数计算电路和线性预测电路；
所述预测系数计算电路用于计算预测系数，所述预测系数包含第一预测系数，所述第一预测系数为对所述第一信源数据xl进行所述线性预测的预测系数；
所述计算预测系数，包括：
利用所述xl之前的Nblock个信源数据计算相关函数；
获取f个所述相关函数之后对所述f个所述相关函数求平均以获得平均相关函数，通过最小均方误差准则建立所述平均相关函数与所述预测系数的关系以求得所述预测系数；
所述第一预测系数经所述预测系数计算电路的输出端到达所述线性预测电路；
所述线性预测电路用于根据所述第一预测系数、所述第二信源数据的预测值
Figure FDA0002952013760000023
和所述ul-1计算所述
Figure FDA0002952013760000024
包括：
计算所述
Figure FDA0002952013760000025
与所述ul-1的和与所述第一预测系数的积作为中间量；
获取K个所述中间量之后对所述K个中间量求和以获得所述
Figure FDA0002952013760000026
其中，所述K为线性预测的阶数；
所述
Figure FDA0002952013760000027
和所述ul-1经所述线性预测电路的输入端到达所述线性预测电路；所述
Figure FDA0002952013760000028
经所述线性预测电路的输出端到达所述减法器。
5.根据权利要求4所述的量化器，其特征在于，所述量化器还包括组帧电路；
所述量化选择电路的输出端连接所述组帧电路的输入端；所述目标量化电路的输出端连接所述组帧电路的输入端；所述预测系数计算电路的输出端连接所述组帧电路的输入端；
所述量化选择电路还用于获取所述ul的位置标识信息；所述ul的位置标识信息包括所述el所属的分段；所述ul的位置标识信息和所述阈值分别经所述量化选择电路的输出端到达所述组帧电路；
所述ul经所述目标量化电路的输出端到达所述组帧电路；
所述第一预测系数经所述预测系数计算电路的输出端到达所述组帧电路；
所述组帧电路用于将所述ul、所述ul的位置标识信息、所述阈值和所述第一预测系数组成数据帧以进行传输。
6.一种量化方法，其特征在于，包括：
获取第一信源数据xl的预测残差el与阈值；所述el为所述xl与所述xl的预测值
Figure FDA0002952013760000029
的差值，所述
Figure FDA00029520137600000210
为对所述xl进行线性预测获得的预测值；
将所述el与所述阈值比较以确定所述el所属的分段，根据所述el所属的分段确定对所述el进行量化的目标量化方式；
利用所述目标量化方式对所述el进行量化以获得第一量化结果ul；
所述将第一信源数据xl的预测残差el与阈值比较以确定所述el所属的分段之前，所述方法还包括：
根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值；所述xl-1为所述xl前一次的信源数据，所述el-1为所述xl-1与所述xl-1的预测值
Figure FDA0002952013760000031
的差值，所述
Figure FDA0002952013760000032
为对所述xl-1进行线性预测获得的预测值，所述阈值为n-1个分别为τ1～τn-1的值组成的第一阈值组，所述τ1～τn-1将预测残差的取值范围划分为n个分段；所述第一阈值组为nτ个阈值组的平均值；其中，阈值组的每两个阈值间的间隔根据所述预测残差的分布确定；所述预测残差的分布根据先验知识确定；
所述根据第二信源数据xl-1、所述xl-1的预测残差el-1、所述el-1的第二量化结果ul-1和目标量化信噪比SNRt确定所述阈值，包括：
计算阈值组：
根据所述xl-1、所述xl-1的预测残差el-1和所述第二量化结果ul-1计算发送端信噪比
Figure FDA0002952013760000033
判断所述SNRq是否大于所述SNRt；若SNRq＞SNRt，则将所述阈值组内各阈值分别增加δ；若SNRq＜SNRt，则将所述阈值组内各阈值分别减少δ；
获取nτ个阈值组的计算结果，对所述nτ个阈值组求平均以获得所述第一阈值组。
7.根据权利要求6所述的量化方法，其特征在于，所述将第一信源数据xl的预测残差el与阈值比较以确定所述el所属的分段之前，所述方法还包括：
将第一信源数据xl与所述xl的预测值
Figure FDA0002952013760000034
相减以获得所述xl的预测残差el；所述
Figure FDA0002952013760000035
为对所述xl进行线性预测获得的预测值。
8.根据权利要求7所述的量化方法，其特征在于，所述将第一信源数据xl与所述xl的预测值
Figure FDA00029520137600000310
相减以获得所述xl的预测残差el之前，所述方法还包括：
根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure FDA00029520137600000311
9.根据权利要求8所述的量化方法，其特征在于，所述根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure FDA0002952013760000036
之前，所述方法还包括：
计算预测系数，所述预测系数包含第一预测系数，所述第一预测系数为对所述第一信源数据xl进行预测的预测系数；
所述计算预测系数，包括：
利用所述xl之前的Nblock个信源数据计算相关函数；
获取f个所述相关函数之后对所述f个所述相关函数求平均以获得平均相关函数，通过最小均方误差准则建立所述平均相关函数与所述预测系数的关系以求得所述预测系数；
所述根据所述第二信源数据xl-1和所述第二量化结果ul-1计算所述第一信源数据xl的预测值
Figure FDA0002952013760000037
包括：
计算所述
Figure FDA0002952013760000038
与所述ul-1的和与第一预测系数的积作为中间量；
获取K个所述中间量之后对所述K个中间量求和以获得所述
Figure FDA0002952013760000039
其中，所述K为线性预测的阶数。
10.根据权利要求9所述的量化方法，其特征在于，所述方法还包括：
获取所述ul的位置标识信息和所述阈值；所述ul的位置标识信息包括所述el所属的分段；
将所述ul、所述ul的位置标识信息、所述阈值和所述第一预测系数组成数据帧以进行传输。
CN201780056167.1A 2017-01-20 2017-01-20 量化器与量化方法 Active CN109690673B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/071981 WO2018133043A1 (zh) 2017-01-20 2017-01-20 量化器与量化方法

Publications (2)

Publication Number Publication Date
CN109690673A CN109690673A (zh) 2019-04-26
CN109690673B true CN109690673B (zh) 2021-06-08

Family

ID=62907500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780056167.1A Active CN109690673B (zh) 2017-01-20 2017-01-20 量化器与量化方法

Country Status (2)

Country Link
CN (1) CN109690673B (zh)
WO (1) WO2018133043A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4168976B2 (ja) * 2004-05-28 2008-10-22 ソニー株式会社 オーディオ信号符号化装置及び方法
KR100750138B1 (ko) * 2005-11-16 2007-08-21 삼성전자주식회사 인간의 시각 특성을 이용한 영상의 부호화, 복호화 방법 및장치
CN102243876B (zh) * 2010-05-12 2013-08-07 华为技术有限公司 预测残差信号的量化编码方法及装置
US8977544B2 (en) * 2011-04-21 2015-03-10 Samsung Electronics Co., Ltd. Method of quantizing linear predictive coding coefficients, sound encoding method, method of de-quantizing linear predictive coding coefficients, sound decoding method, and recording medium and electronic device therefor
BR112015025009B1 (pt) * 2013-04-05 2021-12-21 Dolby International Ab Unidades de quantização e quantização inversa, codificador e decodificador, métodos para quantizar e dequantizar
CN103533351B (zh) * 2013-09-26 2016-08-17 西安空间无线电技术研究所 一种多量化表的图像压缩方法
CN106341689B (zh) * 2016-09-07 2019-04-23 中山大学 一种avs2量化模块和反量化模块的优化方法及系统

Also Published As

Publication number Publication date
WO2018133043A1 (zh) 2018-07-26
CN109690673A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
WO2020113945A1 (zh) 一种极化码构造方法、装置、电子设备及可读存储介质
CN112713966B (zh) 基于似然估计修正信噪比的编码调制切换方法
KR20160019041A (ko) 채널 폴라리제이션 메커니즘으로 데이터를 인코딩 및 디코딩하는 시스템
CN109525369B (zh) 一种基于循环神经网络的信道编码类型盲识别方法
CN107864029A (zh) 一种降低多用户检测复杂度的方法
Skoglund Soft decoding for vector quantization over noisy channels with memory
CN114362855A (zh) 一种基于lstm的信道状态预测方法及系统
CN107437976B (zh) 一种数据处理方法及设备
CN109690673B (zh) 量化器与量化方法
CN115699020A (zh) 用于神经网络的量化
WO2008082909A1 (en) Decoding methods and apparatus for mimo communication systems
Peric et al. Gaussian Source Coding using a Simple Switched Quantization Algorithm and Variable Length Codewords.
CN113630120A (zh) 一种结合1比特模数转换器的零时延通信方法及其应用
CN114157722A (zh) 一种数据传输方法及装置
US9479372B2 (en) Methods, systems, and media for determining whether a signal of interest is present
CN108199755B (zh) 一种无线通信的码本和数据导频功率比的检测方法及系统
CN113711496A (zh) 削波信号的重构
RU2458462C2 (ru) Устройство и способ мягкого решения
Khan et al. Link to system interfacing for multiple input and multiple output wireless system using maximum likelihood receiver
Chen et al. A linear predictive coding based compression algorithm for fronthaul link in C-RAN
Perić et al. Design of forward adaptive hybrid quantiser with Golomb–Rice code for compression of Gaussian source
KR102229893B1 (ko) RoIP 선형 예측 부호화 및 비선형 양자화 융합 압축 송신 방법
US20230141029A1 (en) Decoder for decoding weight parameters of a neural network, encoder, methods and encoded representation using probability estimation parameters
Lin et al. Rate-constrained trellis-coded quantization for large-scale noisy graph signals
Tuan et al. Index Assignment Optimization for Digital Communication Systems Using M-ary Modulation Schemes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant