CN1151611C

CN1151611C - 量化数字系统中的信号的方法和装置

Info

Publication number: CN1151611C
Application number: CNB998050091A
Authority: CN
Inventors: 约瑟・I・萨阿茨; 约瑟·I·萨阿茨; ・普里托; 约兰达·普里托
Original assignee: Motorola Inc
Current assignee: Motorola Solutions Inc
Priority date: 1998-04-14
Filing date: 1999-04-12
Publication date: 2004-05-26
Anticipated expiration: 2019-04-12
Also published as: AU751295B2; AU3640199A; JP3657517B2; JP2002511695A; CN1297623A; EP1072103A4; US6128346A; WO1999053623A1; EP1072103A1

Abstract

通过对一个具有变换系数(113)的信号执行LMS误差算法，确定最小误差(202)路径，和构成一个表示这些路径的三维矩阵(206)对数字信号处理系统中的一个输入数据信号(102)进行自适应量化。根据最小误差(202)路径计算质心(208)，并且这些计算出的质心被用作下一次迭代的一部分以表示新的量化状态和水平。

Description

量化数字系统中的信号的方法和装置

本申请涉及Yolanda Prieto 1997年3月20日提交的，标题为“用于数据压缩和信号重构的自适应滤波”的美国专利申请08/822,403号和Yolanda Prieto 1997年3月20日提交的，标题为“数据压缩系统，方法和装置”的美国专利申请08/822,404号，上述申请均被提交并转让给摩托罗拉公司。

技术领域

本发明涉及数据压缩，尤其是涉及数字数据压缩。具体地，本发明涉及一个在使用网格编码量化器的系统中改进量化的方法和装置。

背景技术

随着涉及电话会议和数字图像存储的技术和服务的发展，在数字信号处理领域已经取得了长足的进步。正如本领域技术人员所能理解的，数字信号处理通常涉及产生采样数据信号，压缩信号以便存储和/或传输，并且根据压缩信号重构原始数据的系统，设备和方法。对高效，经济的数字信号处理系统起关键作用的是用于实现压缩的方法。

正如本领域中所了解的，数据压缩是指把原始数据信号映射成适于通过信道传输或者在合适的介质中存储的位流的步骤。期望有能够使表示并恢复原始数据所必需的信息量最小的方法以便降低计算复杂度和费用。除了费用之外，能够提供具有最小延迟的高质量数据再生的硬件和软件实现的简单化也是非常期望的。

量化是指得到一个数据位流并且进行压缩以便以后再生的技术。有几种可以被用来实现数据信号压缩的算法。最基础的方法是得到信号样本并且把各个信号样本量化成少数等级中的一个。一个众所周知的量化器是使用最相邻，最小方差(MSE)规则把输入分类成特定数目等级的Lloyd-Max优化量化器。

通过各种其它方案可以实现量化，其中包含向量，标量，舍入，截断和网格编码量化(TCQ)。由于把样本分组并且只用一个符号表示样本组以改进压缩并产生高信噪比(SNR)，向量量化被认为是一种有效的量化手段。但向量量化计算强度较高并且需要一个查询表(即需要存储器)。标量量化用一个符号表示一个样本并且与向量量化相比需要较少的计算量。但标量量化具有压缩率较低的缺点。一种可选的量化方法是对输出信号进行舍入或截断，但这种方法会产生精度问题。

到目前为止，针对静态图像的JPEG 2000(联合图像专家组)的下一代标准提出了使用小波实现输入信号分解并且使用网格编码量化器进行信号压缩的算法。

网格编码量化以维特比算法为基础，该算法提供搜寻以产生一个最小误差路径。通常，维特比与一个栅格量化器(均匀栅格)配合使用。虽然栅格量化操作计算效率较高，但结果对于畸变并不是最优的。在高压缩率(低位数/样本)的情况下SNR会降低。因而，仍然需要一种减少在数据信号压缩期间产生的噪声(量化噪声)并且改进在数据重构期间可达到的信噪比(质量)的改进TCQ技术和装置。

发明内容

相应地，需要一种尤其适用于数字信号处理系统的改进网格编码量化(TCQ)技术。

本发明提供了一个量化信号的方法，其中包括的步骤有：接收具有一个数据范围的一个输入数据信号；把输入数据范围分割成预定数量的量化台阶；把量化台阶分配给一些量化状态和等级；通过一个误差最小化算法计算量化状态和等级；根据各个量化器状态和等级以自适应方式计算质心值；根据计算的质心更新量化器状态和等级，其中重复接收和更新之间的步骤直到满足一个预定的误差阈值。

本发明提供了量化数字处理系统中的输入数据信号的方法，其中包括的步骤有：接收数据信号；对输入数据信号进行网格路径优化以产生一个最小误差路径历史记录；根据最小误差路径构成一个路径矩阵；计算路径矩阵上的质心；重新进行网格路径优化以产生量化器状态和等级的非均匀分配。

附图说明

图1是一个基于本发明最优实施例的数据编解码器的模块图。

图2是一个基于本发明的，基于自适应质心的量化器。

图3是关于图2基于本发明的量化器在经过i＝0的第一次迭代时四个量化器状态的等级分布的一个例子的图形表示。

图4是图2基于本发明的量化器在第一次迭代时存储的索引的图形表示的一个例子。

图5是关于图2基于本发明的量化器在经过任意一次迭代时四个量化器状态的等级分布的一个例子的图形表示。

图6是在进行基于本发明一个可选实施例的量化之前进行的一维数据流转换的建议实现。

图7示出了作为基于本发明可选实施例的一个完整数据编解码器系统一部分的1-D数据流转换步骤。

具体实施方式

虽然说明书后面的权利要求书定义了被认为是本发明的新颖的特征，通过下面结合附图进行的描述可以更好地理解本发明。在附图中，类似的编号用来表示类似的部件。

这里描述的发明改进了量化步骤，并可以被实现成一个数据编解码器的一部分。现在参照图1，其中示出了一个基于本发明的数据编解码器模块图100。这个数据编解码器100可以适用于诸如视频的三维(3-D)系统，诸如静态图像的二维(2-D)系统和诸如话音的一维(1-D)系统。

数据编解码器100包含一个编码器110和一个解码器120。概括地讲，一个具有预定位/样本精度的输入数据信号S(n)102经过了分解级段112的变换。经过变换的信号x(n)113接着经过一个量化级段114以便进行基于本发明的压缩。根据本发明，量化级段114提供一种基于质心的量化以便产生非均匀间隔的量化器。接着量化信号115经过编码级段116的编码，其中最好使用各种已知的编码方案中的一种。接着通过信道130传输编码信号118或将信号存储到该信道中。在接收端，解码器120使用一个反向编码级段132，反向量化级段133和一个反向分解级段134重新产生输入数据信号S(n)以作为输出数据信号S’(n)136。

分解级段112基本上是一个频域分析器，该分析器通过各种已知方法中的一种，例如小波，FFT(快速富立叶变换)，DCT(离散余弦变换)，DFT(离散富立叶变换)，DST(离散正弦变换)，KLT(Karhunen-Loewe变换)，WHT(Walsh-Hadamard变换)进行数据转换。这里使用的变换属于子带编码。在子带编码中，无论是1-D，2-D或3-D，均通过一个低通和高通滤波器组反复分割输入数据信号102以产生一个具有原始信号的子带选择系数的输出。因而变换的信号x(n)113也被称作一个具有变换系数的信号。在本发明的最优实施例中，分解级段112可以包括一个小波，例如在针对JPEG 2000系统的下一代标准中建议的。小波有助于实现某些多精度功能并使图像数据情况下的阻断效应最小。

编码级段116和反向编码级段132可以使用各种编码方案，其中包含但不仅限于算术，Huffman或其它已知的编码和解码方案。

信道130可以包含诸如射频(RF)或光纤传输路径的无线，有线，声学或光学连接路径。信道130同样可以是一个已知或今后开发出的存储介质。

反向量化级段133可以使用各种反向量化方案，其中包含但不仅限于网格编码量化，标量，向量或基于自适应质心的量化器114的反向版本。最好通过诸如反向小波变换或一个滤波器组的已知装置控制反向分解级段134。

根据本发明，量化级段114是一个基于质心的量化器，该量化器取系数的整个范围(表示所有或某些子带)并且在状态内产生优化的非均匀量化器等级分配。现在参照图2，其中示出了一个基于本发明最优实施例的四状态网格编码量化(TCQ)级段114的模块图。概括地讲，根据本发明，对变换系数信号x(n)113进行一次网格路径优化202以产生一个被配置成路径矩阵206的输出，其中在级段208上对该矩阵进行质心计算。接着质心被反馈到网格路径优化级段202以便被用作针对另一次路径矩阵迭代，生成和更新质心计算的新量化器等级自适应中心。路径矩阵206由向量分量“n_k，j”构成，其中k表示一个总的K状态集合中的量化状态，j表示每个状态的J个等级中的等级。根据本发明，以自适应方式重复迭代网格路径优化202，路径矩阵配置206和质心更新208的步骤，直到达到210一个可接受的SNR，或其它期望的误差测量，熵或位速率。

根据本发明，最好使用“最小均方”(LMS)算法实现网格优化路径202，该算法选择从量化器到量化器的切换以得到产生最小误差的路径。但是也可以使用其它优化方案来产生最小误差路径，例如极小化极大(mini-max)。

在一个最优实施例209中示出了路径优化202的一个基本实现的例子，其中一组K个量化器被称作状态，每个状态均具有J个等级，量化器(状态和等级)覆盖输入信号的整个范围。在把一个较大的量化器分割成最初可以均匀分布的子集之后，可以从该量化器得到状态和等级。各个状态的量化等级通过等级之间的中点或质心定义了量化间隔。

在寻找对应于一个输入数据样本的最优等级和状态的过程中，当输入数据样本时，优化需要寻找状态和等级的最优序列以便使畸变，误差测量，熵或位速率210最小。针对一个或多个具体的数据集合优化网格，实际上使之成为一个具有几个状态的自适应量化器，其中每个状态均处于一个更小的优化量化器之中。在状态序列和一个具体的数据序列之间存在匹配。在优化之后如果输入一个不同的数据集合，即使具有相同的概率密度函数(pdf)或直方图，多数畸变缩减均会消失并且可以进行一次新的优化，从而产生一个自适应过程。对于一个具有K个状态的网格量化器，针对每个输入数据样本从J个可用等级中只选择一个等级。这样，如果M表示网格中每个状态的量化台阶的总数量，则可以分配M/K个等级。通过寻找产生最低误差的状态可以独立确定第一个输入数据样本的第一状态和等级。接着，根据一个诸如图2中示出的表格209的切换表可以为每个输入值只分配所有K个状态的2^f个状态中的一个状态。因而，用“f”个位告诉一个解码器要使用的切换路径。例如，如209中所示，在f＝1并且从Q0开始的情况下，接着的样本输入可以被量化成Q0(或Q1)，以及告诉解码器要使用的等级的某些位。也可以通过另一个基本上是其镜像的配置来实现四状态网格路径优化209或任何其它的K状态网格。

为了举例，一个已知为维特比算法的LMS算法被作为最小误差算法来加以描述。维特比算法具有数据的整个范围，例如x(n)113，其中n可以为0或N-1，并且该算法把该数据量化成第一次迭代的一部分，从而允许数据被分配到各个状态的不同等级上。无论如何，落在量化器之间的数据均会被分配到最相邻的等级上。

维特比算法是针对量化器之间的所有不同路径寻找最小误差的“最小均方”(LMS)方法。维特比算法优化通过网格的路径，即沿着允许的切换在针对量化器集合{Qⁱ}的第i次迭代上的路径∏¹(Qⁱ)。例如，参照图2所示的维特比，t＝0处的样本x(n)被量化成Q₀(0)，接着在t＝1处只可以切换到Q₀(1)或Q₁(1)。在LMS算法结束时，以一个三维路径矩阵206的形式简要概括并表示出用来产生最小误差的路径过程。

根据路径矩阵206在级段208计算出质心，计算出的质心接着被用来表示落在一个具体的量化器状态和等级上的数据样本。质心计算以通过以下等式确定的一个平均值为基础：

C_{k, j}^{i + 1} = \frac{1}{length ({\overset{&OverBar;}{n}}_{k, j})} Σx ({\overset{&OverBar;}{n}}_{k, j} (m)),

平均(1)

m＝1：length( n_k,j)其中～n_k，j表示向量并且如果～n_k，j为空，则

C_{kj}^{i + 1} = C_{k, j}^{i}

(无更新) (2)接着新近计算并更新的质心C_k，j ⁽ⁱ⁺¹⁾被反馈到网格路径优化级段202，其中这些质心被用作针对第k个状态的第j个等级的新中心，以便开始下面第(i+1)次迭代。在图2中用反馈箭头表示这个过程。

作为一个例子，考虑一个由10个样本构成的输入数据串x(n)304，其中：

输入数据＝x(n)＝[10.0，10.2，0.5，2.18，1.9，13.75，10.40，0.1，11.2，2.5]

换言之，其中x(0)＝10.0

x(1)＝10.2

x(3)＝0.5

·

x(9)＝2.5

并且[0，1，2，3，...9]均表示一个指向特定数据样本值的索引。(注意实际的数据样本值被变换成系数x(n)。)

接着，使用网格202对变换的系数输入x(n)113进行量化。在这个例子中，网格202被配置成具有四个状态[Q0，Q1，Q2，Q3]，其中每个状态具有四个等级(因而有16个量化台阶和16个要计算的质心)。尽管这里通过一个四状态四等级网格进行图示和描述，但本领域的技术人员会理解到，通过通过具有两个或更多状态，每个状态具有几个等级的各种配置来构成网格202。但网格量化器通常使用四个状态，这是最简单的情况。

再次重复，网格202的四个状态是量化器Q0，Q1，Q2，Q3并且每个状态被分配四个等级。对于第一次迭代，假定一个维特比算法被用来得到量化器分配中的最小均方误差产生路径，但也可以使用其它LMS算法。对于第一次迭代，使用一种均匀的等级分布，但本领域的技术人员也能理解，也可以使用非均匀等级分布进行第一次迭代。例如，在进行一次使用输入数据分布最优分配量化状态和等级的初始量化器分配的情况下，非均匀等级分布可能更适用。例如，对于一个具有Laplacian类型分布(即尖峰值，零均值分布)的输入样本范围，可以为量化台阶提供一个收缩系数以实现非均匀的等级分布。

现在参照图3，其中示出了关于四个量化器状态在经过i＝0的第一次迭代后的等级分布的图形表示。图形300表示一个可能的例子，其中量化器状态Q0，Q1，Q2，Q3相对于数据输入范围的四个等级的第一次迭代，而数据输入范围被分成16个量化台阶。

下面的表格示出了各种输入数据范围和针对该指定范围的量化器和等级分配(其中“[”表示包含端点，而“)”表示不包含端点)。

表格

0---＞1，1---＞2，2---＞3，	[0，1)[1，2)[2，3)	＝＝＞＝＝＞＝＝＞	Q0Q1Q2	等级0等级0等级0
0---＞1，1---＞2，2---＞3，	[0，1)[1，2)[2，3)	＝＝＞＝＝＞＝＝＞	Q0Q1Q2	等级0等级0等级0
14---＞15，	[14，15)	＝＝＞	Q2	等级3
14---＞15，	[14，15)	＝＝＞	Q2	等级3	15---＞16，	[15，16)	＝＝＞	Q3	等级4

再次参照图2的维特比网格，网格具有一个样本x(n_i)，并且如果样本在时间t＝t_i被量化成状态Q0(或Q2)的四个等级中的任何一个等级，则在时间t＝t_i+1上的下一个样本x(n_i+1)只能被量化成状态Q0或Q1的四个等级中的任何一个等级。类似地，如果样本x(n_i)在时间t＝t_i上被量化成状态Q1(或Q3)的四个等级中的任何一个等级，则在时间t＝t_i+1上的下一个样本x(n_i+1)只能被量化成状态Q2或Q3的四个等级中的任何一个等级。

因而，对于上述指定的输入数据x(n)，不仅根据采样数据值而且根据以前的量化器状态通过LMS级段202对数据进行量化。接着通过把指向输入数据的索引存储到各个矩阵位置n_{(状态，等级)}上来配置一个路径矩阵206。下面的表格说明了如何量化采样数据并且把索引分配给矩阵位置。

x(索引)	＝	数据，	量化器状态#/等级			和		索引在矩阵中的存储位置
x(索引)	＝	数据，	量化器状态#/等级			和		索引在矩阵中的存储位置
x(0)	＝	10.0	被量化成	Q2	等级2	＝＝＞	n₂₂		＝	[0，..]
x(0)	＝	10.0	被量化成	Q2	等级2	＝＝＞	n₂₂		＝	[0，..]	现在只能用Q0或Q1的任意四个等级来量化x(1)(量化器Q1等级2提供最低误差)
x(1)	＝	10.2	被量化成	Q1	等级2	＝＝＞	n₁₂		＝	[1，..]	现在只能用Q0或Q1的任意四个等级来量化x(1)(量化器Q1等级2提供最低误差)
x(1)	＝	10.2	被量化成	Q1	等级2	＝＝＞	n₁₂		＝	[1，..]	现在只能用Q2或Q3来量化x(2)
x(2)	＝	0.5	被量化成	Q2	等级0	＝＝＞	n₂₀		＝	[2，..]	现在只能用Q2或Q3来量化x(2)
x(2)	＝	0.5	被量化成	Q2	等级0	＝＝＞	n₂₀		＝	[2，..]	现在只能用Q1或Q0来量化x(3)
x(3)	＝	2.18	被量化成	Q1	等级0	＝＝＞	n₁₀		＝	[3，..]	现在只能用Q1或Q0来量化x(3)
x(3)	＝	2.18	被量化成	Q1	等级0	＝＝＞	n₁₀		＝	[3，..]	现在只能用Q2或Q3来量化x(4)
x(4)	＝	1.9	被量化成	Q2	等级0	＝＝＞	n₂₀		＝	[2，4，..]	现在只能用Q2或Q3来量化x(4)
x(4)	＝	1.9	被量化成	Q2	等级0	＝＝＞	n₂₀		＝	[2，4，..]	现在只能用Q0或Q1来量化x(5)
x(5)	＝	13.75	被量化成	Q1	等级3	＝＝＞	n₁₁		＝	[5，...]	现在只能用Q0或Q1来量化x(5)
x(5)	＝	13.75	被量化成	Q1	等级3	＝＝＞	n₁₁		＝	[5，...]	现在只能用Q2或Q3来量化x(6)
x(6)	＝	10.4	被量化成	Q2	等级2	＝＝＞	n₂₂		＝	[0，6..]	现在只能用Q2或Q3来量化x(6)
x(6)	＝	10.4	被量化成	Q2	等级2	＝＝＞	n₂₂		＝	[0，6..]	现在只能用Q0或Q1来量化x(7)
x(7)	＝	0.1	被量化成	Q0	等级0	＝＝＞	n₀₀		＝	[7，...]	现在只能用Q0或Q1来量化x(7)
x(7)	＝	0.1	被量化成	Q0	等级0	＝＝＞	n₀₀		＝	[7，...]	现在只能用Q0或Q1来量化x(8)
x(8)	＝	11.2	被量化成	Q0	等级3	＝＝＞	n₀₀		＝	[8，...]	现在只能用Q0或Q1来量化x(8)
x(8)	＝	11.2	被量化成	Q0	等级3	＝＝＞	n₀₀		＝	[8，...]	现在只能用Q0或Q1来量化x(9)
x(9)	＝	2.5	被量化成	Q1	等级0	＝＝＞	n₁₀		＝	[3，9，..]	现在只能用Q0或Q1来量化x(9)

各个矩阵位置上存储的索引表示原始数据的LMS(最小均方)(即最小误差路径)。因而，继续通过第一次迭代(在这个例子中从一个均匀分布开始迭代)，矩阵206由以下存储索引构成：

n₀₀＝[7]n₀₁＝空n₀₂＝空n₀₃＝[8]n₁₀＝[3，9]n₁₁＝空n₁₂＝[1]n₁₃＝[5]

n₂₀＝[2，4]n₂₁＝空n₂₂＝[0，6]n₂₃＝空n₃₀＝空n₃₁＝空n₃₂＝空n₃₃＝空

在图4中示出了关于存储索引的图形表示，该图示有助于说明实际表示量化器状态，等级和索引的一个3-D配置400的路径矩阵206。通过一个索引表示每个输入数据点，该索引指示出现样本输入点的时间位置。在图2的路径矩阵206中，各个分量

构成一个向量，该向量的分量是被量化成状态k，等级j的具体输入数据样本的索引。在没有输入样本被量化成状态k，等级j的情况下，这个矩阵分量

应当为空。

继续i＝0的第一次迭代，下一个步骤是计算质心。如上述等式(1)，(2)所示，根据一个平均值进行质心计算。因而这个例子的第一次迭代(t＝i)的质心计算产生：

对于n₀₀＝＝＞C₀₀＝x[7]＝0.1

并且，

C₀₁＝保持以前的设置

C₀₂＝保持以前的设置

对于n₀₃＝＝＞C₀₃＝x[8]＝11.2

并且

对于n₁₀＝＝＞C₁₀＝1/2[x(7)+x(9)]＝1/2(2.18+2.5)＝2.34

(注意在这次迭代(在t＝i-1上)之前质心C₁₀为1.5)

C₁₁＝保持以前的设置

对于n₁₂＝＝＞C₁₂＝x[1]＝10.2

对于n₁₃＝＝＞C₁₃＝x[5]＝13.75

C₁₄＝保持以前的设置

并且

对于n₂₀＝＝＞C₂₀＝1/2[x(2)+x(4)]＝1/2(0.5+1.9)＝1.2(注意在这次迭代(在t＝i-1上)之前质心C₂₀为2.5)

C₂₁＝保持以前的设置

对于n₂₂＝＝＞C₂₂＝1/2[x(0)+x(6)]＝1/2(10.0+10.4)＝10.2

(注意在这次迭代(在t＝i-1上)之前质心C₂₂为10.5)

C₂₃＝保持以前的设置

C₃₀＝保持以前的设置

C₃₁＝保持以前的设置

C₃₂＝保持以前的设置

C₃₃＝保持以前的设置

因而，如图3的例子所示，以前的质心均集中在0.5周围，现在一个新的质心可用于量化器(现在是非均匀的)的各个状态和等级。在第二次迭代中使用新质心对相同数据集合x(n)重新分类，并且重复迭代过程直到针对指定输入信号的误差测量达到预定的期望值。图5示出了关于一个任意例子的图形500，该例子说明了在一次或几次自适应迭代之后如何把各个状态和等级从一种均匀分布改变成能够最优匹配输入数据的分布。本发明描述的这个方法保证通过各次迭代收敛到一个较低的误差值。

因而，通过将采样数据系数x(n)通过网格台阶用最小均方算法进行量化以构成一个矩阵并针对各个量化状态计算最新的质心，提供了一种裁剪算法，这种算法重复迭代直到收敛产生一个期望的SNR。在有一个新子带或新输入数据集合的情况下，也可以训练量化器使用以前的数据处理计算出的质心值开始第一次迭代。在这种方式下，如果预期在下一个输入数据范围内出现类似的输入数据，则可以使用更接近优化值的质心值开始进行量化，从而只需要较少的迭代就实现SNR的完全优化。

在使用现有技术的情况下，由于假定量化等级之间的差值是均匀的，到维特比算法级段上量化方案就基本上停止了。通过使用如本发明所述的申请人的量化方案114，当量化等级之间的距离变化时(通过比较图3和5可以发现)动态调整质心计算。因而，现有技术适用于均匀间隔系统，本发明的量化方案允许使用非均匀分布并且允许根据输入数据进行调整。

本发明的量化级段114使用最新的质心以自适应的方式分配量化状态的等级。因而针对数据分布优化量化器以便改进SNR。量化器输出115在级段116被编码并且发送到信道130。根据输入信号以自适应的方式分配量化器输出115。本发明描述的基于自适应质心的量化器通过根据输入信号以自适应的方式分配量化等级允许对诸如图像信号的输入信号进行优化。也可以训练量化模块114，以便针对某些类型的信号，例如电话会议期间的表情图像在某种预定的状态和等级分配上开始量化步骤，从而减少处理时间。

以下步骤总结了基于本发明的基于自适应质心的量化方案：

i)输入数据范围被分割成预定数量的台阶。对于上述例子，一个4位网格有16个量化台阶。

ii)用量化台阶构成一个状态矩阵。在上述例子中，台阶1，5，9，13属于状态一，台阶2，6，10，14属于状态二，等等。这是初始的状态分配。

iii)当预期输入数据具有预定分布，例如Laplacian分布时以前述方式引入一个收缩系数。

{Q_{k}^{i}, k = 0; k - 1} |_{i = 0}

iv)使用最好是维特比算法的LMS算法计算网格。

v)通过计算均方误差得到第一个原始SNR值或其它误差测量。

δ_{e}^{2} (i + 1) = \frac{1}{N} \underset{k}{Σ} \underset{j}{Σ} | | X ({\overset{&OverBar;}{n}}_{k, j}) - C_{k, j}^{i + 1} | |^{2}

vi)计算数据样本的质心值，每个状态的每个等级均有一个质心。

vii)通过计算一个新的均方误差得到修正的更高SNR值。

viii)使用通过步骤(iv)得到的最新质心值使用LMS算法第二次计算网格。

viv)重新计算质心，并且得到新的SNR值。

最后的SNR值会好于第一个值。在每个质心更新的迭代周期中，SNR增加逐渐变慢。

x)当满足某种预定SNR标准时停止迭代。

本发明描述的基于自适应质心的量化方案的优点包含更快的迭代处理时间(与梯度方法相比)和收敛时间。

在上述步骤中引入一个可选的参数，即收缩系数。如果输入数据具有一个类似零均值Laplacian分布的尖分布，则最外部的等级会见到较少的数据样本。因而，收缩系数可以被用来把所有等级集中到输入范围的更加有效的中心内。所得到的SNR在各次迭代中单调增加并且向一个最优SNR等级收敛。收缩系数的作用是减少达到最优SNR值的迭代数量。

上述系统应用还包含一个变换级段，量化级段，编码，信道，反向编码和反向分解级段。在本发明的另一个实施例中，在量化114之前执行向量化(把2D数据流转换成1D数据流)和阈值级段，以便通过一个单独的编码可以表示较长的重复数据串，并且得到一个非零1D数据流。图6是一个建议实现，其中数据x(n)在级段602被向量化成1-D数据流，从而产生向量系数604。接着在进行量化之前把这些向量系数604与一个阈值606相比较。阈值606基本上会抛弃零数据样本和/或接近零的数据样本，从而得到一个经过修改的，由非零分量构成的一维输入数据阵列，并且将其作为基于自适应质心的量化器114的输入。

图7示出了作为完整编解码器系统700一部分的1-D数据流转换步骤。一旦进行了量化，则会出现重复数据，最好在编码级段116上对这些数据进行编码以便进一步的压缩。这样就减少了传输时间和计算时间。并且，通过系统700实施例也可以实现通过基于动态质心的量化114所实现的优点，并且还得到通过编码信号有效传输重复数据的额外好处。

前面已经图解和描述了本发明的最优实施例，显然本发明不仅限于此。在不偏离如所附权利要求书所定义的本发明的宗旨和范围的前提下，本领域的技术人员可以得到许多修改，改变，变形，替换和等价形式。

Claims

1.一个量化信号的方法，其中包括的步骤有：

接收具有一个数据范围的一个输入数据信号；

把输入数据范围分割成预定数量的量化台阶；

把量化台阶分配给一些量化状态和等级；

通过一个误差最小化算法计算量化状态和等级；

根据各个量化器状态和等级以自适应方式计算质心值；

根据计算的质心更新量化器状态和等级，

其中重复接收和更新之间的步骤直到满足一个预定的误差阈值。

2.如权利要求1所述的方法，其中通过一个误差最小化算法计算量化状态和等级的步骤包含的步骤有：

存储一个指向各个采样数据输入的量化器状态和等级的索引；

构成一个由各个量化状态和等级的存储索引位置构成的矩阵。

3.如权利要求1所述的方法，其中最小误差算法包括一个最小均方LMS算法。

4.如权利要求1所述的方法，其中还包括根据计算的质心得到信噪比SNR值或信噪比SNR值的变化的步骤。

5.如权利要求4所述的方法，其中还包括比较SNR值和一个预定阈值的步骤；

重复重新执行最小误差算法，自适应计算质心值，更新状态和等级和得到SNR值的步骤，直到SNR值或值的变化达到预定阈值。

6.如权利要求1所述的方法，其中LMS算法是一个维特比算法。

7.量化数字处理系统中的输入数据信号的方法，其中包括的步骤有：

接收数据信号；

对输入数据信号进行网格路径优化以产生一个最小误差路径历史记录；

根据最小误差路径构成一个路径矩阵；

计算路径矩阵上的质心；

重新进行网格路径优化以产生量化器状态和等级的非均匀分配。

8.如权利要求7所述的方法，其中数据信号是抽选的数据信号。

9.如权利要求7所述的方法，其中网格路径优化是镜像式的。