-
GEBIET DER
ERFINDUNG
-
Die
vorliegende Erfindung bezieht sich im Allgemeinen auf das Gebiet
der elektronischen Vorrichtungen und insbesondere auf eine Schaltungsanordnung
für die
Sprachcodierung, technische Übertragung,
Speicherung und Synthese sowie auf Verfahren.
-
Die
Leistung digitaler Sprachsysteme, die niedrige Bitraten verwenden,
ist bei der aktuellen und absehbaren digitalen Kommunikation zunehmend wichtig
geworden. Ein digitales Sprachverfahren, die linear-prädiktive
Codierung (LPC), verwendet ein parametrisches Modell, um die menschliche
Sprache nachzuahmen. In diesem Ansatz werden nur die Parameter des
Sprachmodells über
den Kommunikationskanal übertragen
(oder gespeichert), wobei ein Synthesizer die Sprache mit den gleichen
wahrnehmbaren Eigenschaften wie die Signalform der Eingangssprache
regeneriert. Die periodische Aktualisierung der Modellparameter
erfordert weniger Bits als die direkte Darstellung des Sprachsignals,
weshalb ein vernünftiger
LPC-Vocoder mit Bitraten arbeiten kann, die so niedrig wie 2–3 kbit/s
(Kilobits pro Sekunde) sind, wohingegen das öffentliche Telephonsystem 64
kbit/s (8-Bit-PCM-Codewörter
bei 8.000 Abtastwerten pro Sekunde) verwendet. Siehe z. B. McCree
et al, A 2.4 Kbit/s MELP Coder Candidate for the New U.S. Federal
Standard, Proc. IEEE Int. Conf. ASSP, 200 (1996) und US-Patent Nr. 5.699.477.
-
Die
aus derartigen LPC-Vocodern ausgegebene Sprache ist jedoch in vielen
Anwendungen nicht annehmbar, weil sie nicht immer wie natürliche menschliche
Sprache klingt, insbesondere beim Vorhandensein von Hintergrundgeräuschen.
Außerdem gibt
es einem Bedarf an einem Sprach-Vocoder mit Sprache wenigstens in
Telephonqualität
mit einer Bitrate von etwa 4 kbit/s. Verschiedene Ansätze, um
die Qualität
zu verbessern, enthalten die Verbesserung der Schätzung der
Parameter eines Linearprädiktionssystems
mit gemischter Erregung (MELP- Systems)
und ihre effizientere Quantisierung. Siehe Yeldener et al, A Mixed
Sinusoidally Excited Linear Prediction coder at 4 kb/s and Below,
Proc. IEEE Int. Conf. Acoust., Speech, Signal Processing (1998)
und Shlomot et al, Combined Harmonic and Waveform Coding of Speech
at Low Bit Rates, IEEE ... 585 (1998). Außerdem beschreibt US-Patent
5.749.065 eine auf einem Codebuch basierende prädiktive Codierung mit einem
Codebuch für
männliche
Sprache und einem Codebuch für
weibliche Sprache.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Die
vorliegende Anmeldung schafft linear-prädiktive Sprach-Codierungs-/-Decodierungs-Verfahren,
wie sie in den unabhängigen
Ansprüchen
dargelegt sind.
-
Außerdem können sowohl
stark prädiktive als
auch schwach prädiktive
Codebücher
verwendet werden, wobei jedoch ein schwacher Prädiktor einen starken Prädiktor ersetzt,
der ansonsten einem schwachen Prädiktor
folgen müsste.
-
Dies
besitzt die Vorteile, die die Beibehaltung niedriger Bitraten, jedoch
mit vergrößerter Leistung, und
die Vermeidung der Fehlerausbreitung durch eine Folge starker Prädiktoren
einschließen.
-
KURZBESCHREIBUNG
DER ZEICHNUNG
-
Spezifische
Ausführungsformen
der vorliegenden Erfindung werden nun beispielhaft unter Bezugnahme
auf die beigefügte
Zeichnung ausführlicher
beschrieben, worin:
-
1a–1b Ablaufpläne bevorzugter Ausführungsformen
sind,
-
2a–2b den
Codierer und Decodierer der bevorzugten Ausführungsform im Blockformat veranschaulichen;
und
-
3a–3d einen
LP-Rest und seine Fourier-Transformationen zeigen.
-
BESCHREIBUNG DER BEVORZUGTEN
AUSFÜHRUNGSFORMEN
-
Die
ersten bevorzugten Ausführungsformen klassifizieren
die Spektren des Linearprädiktionsrestes
(LP-Restes) (in einem MELP-Codierer) in Klassen von Spektren (Vektoren),
wobei sie jede Klasse separat vektorquantisieren. Eine erste bevorzugte Ausführungsform
klassifiziert die Spektren z. B. in lange Vektoren (viele harmonische,
die etwa den tiefen Tonhöhenfrequenzen
entsprechen, wie es für männliche
Sprache typisch ist) und kurze Vektoren (wenige harmonische, die
etwa den hohen Tonhöhenfrequenzen
entsprechen, wie es für
weibliche Sprache typisch ist). Diese Spektren werden dann mit separaten
Codebüchern
vektorquantisiert, um die Codierung der Vektoren mit einer unterschiedlichen Anzahl
von Komponenten (Harmonischen) zu unterstützen. 1a zeigt
den Ablauf der Klassifikation, wobei sie eine Überlappung der Klassen enthält.
-
Die
zweiten bevorzugten Ausführungsformen
berücksichtigen
die prädiktive
Codierung der Spektren (oder alternativ anderer Parameter, wie z. B.
und der Frequenzen des Linienspektrums oder LSFs) und eine Auswahl
entweder des starken oder schwachen Prädiktors anhand der besten Approximation,
aber mit dem Vorbehalt, dass ein erster starker Prädiktor,
der ansonsten einem schwachen Prädiktor
folgt, durch einen schwachen Prädiktor
ersetzt wird. Dies verhindert die Fehlerausbreitung durch eine Folge
starker Prädiktoren
eines Fehlers in einem schwachen Prädiktor, der der Folge von starken
Prädiktoren
vorhergeht. 1b veranschaulicht den Steuerablauf
der prädiktiven
Codierung.
-
Die 2a–2b veranschaulichen
im Blockformat die MELP-Codierung (MELP-Analyse) und MELP-Decodierung
(MELP-Synthese) der bevorzugten Ausführungsform. Insbesondere bestimmt die
Linearprädiktionsanalyse
die LPC-Koeffizienten a(j),
j = 1, 2, ..., M, für
einen Eingangsrahmen der digitalen Sprachabtastwerte {y(n)} durch
das Setzen: e(n)
= y(n) – ΣM≥j≥1a(j)y(n – j) (1)und das Minimieren
von Σe(n)2. Typischerweise wird M, die Ordnung des
Linearprädiktionsfilters,
so gewählt,
dass sie etwa 10–12
beträgt;
die Abtastrate, um die Abtastwerte y(n) zu bilden, wird so gewählt, dass
sie 8000 Hz beträgt
(die gleiche wie die Abtastung im öffentlichen Telephonnetz für die digitale Übertragung);
wobei die Anzahl der Abtastwerte {y(n)} in einem Rahmen oft 160
(ein 20-ms-Rahmen) oder 180 (ein 22,5-ms-Rahmen) beträgt. Ein
Rahmen von Abtastwerten kann durch verschiedene Fensterbildungs-Operationen
erzeugt werden, die auf die Abtastwerte der Eingangssprache angewendet
werden. Der Name "lineare
Prädiktion" ergibt sich aus
der Interpretation von e(n) = y(n) – ΣM≥j≥1a(j)y(n – j) als
der Fehler beim Vorhersagen von y(n) durch die lineare Summe der
vorhergehenden Abtastwerte ΣM≥j≥1a(j)y(n – j). Folglich
liefert die Minimierung von Σe(n)2 die {a(j)}, die die beste lineare Prädiktion
liefern. Die Koeffizienten {a(j)} können für die Quantisierung und Übertragung
in die LSFs umgesetzt werden.
-
Die
e(n) bilden den LP-Rest für
den Rahmen, wobei sie im Idealfall die Erregung für das Synthesefilter
1/A(z) sein würden,
wobei A(z) die Übertragungsfunktion
nach Gleichung (1) ist. Selbstverständlich ist der LP-Rest im Decodierer
nicht verfügbar;
deshalb ist es die Aufgabe des Codierers, den LP-Rest darzustellen,
sodass der Decodierer die LP-Erregung aus den codieren Parametern
erzeugen kann.
-
Die
Bandpass-Stimmhaftigkeit für
ein Frequenzband der Abtastwerte (typischerweise zwei bis fünf Bänder, wie
z. B. 0–500
Hz, 500–1000
Hz, 1000–2000
Hz, 2000–3000
Hz und 3000–4000
Hz) bestimmt, ob die aus dem LP-Rest
abgeleitete LP-Erregung {e(n)} für
ein spezielles Band periodisch (stimmhaft) oder weißes Rauschen
(stimmlos) sein sollte.
-
Die
Tonhöhenanalyse
bestimmt die Tonhöhenperiode
(die kleinste Periode in stimmhaften Rahmen) durch Tiefpassfilterung
von {y(n)} und dann Korrelieren von {y(n)} mit {y(n + m)} für verschiedene m;
die Interpolationen sorgen für
Teilintervalle der Abtastwerte. Die resultierende Tonhöhenperiode
wird als pT bezeichnet, wobei p eine reelle Zahl ist, die typischerweise
eingeschränkt
ist, damit sie im Bereich von 20 bis 132 liegt, während T
das Abtastintervall von 1/8 Millisekunde ist. Folglich ist p die
Anzahl der Abtastwerte in einer Tonhö henperiode. Der LP-Rest {e(n)}
in stimmhaften Bändern
sollte eine Kombination der Harmonischen der Tonhöhenfrequenzen
sein.
-
Die
Schätzung
der Fourier-Koeffizienten schafft die Codierung des LP-Restes für stimmhafte Bänder. Die
folgenden Abschnitte beschreiben dies ausführlich.
-
Die
Verstärkungsanalyse
legt das Gesamtenergieniveau für
einen Rahmen fest.
-
Die
Codierung (und Decodierung) kann mit einem digitalen Signalprozessor
(DSP), wie z. B. dem von Texas Instruments hergestellten TMS320C30, implementiert
sein, der programmiert werden kann, um die Analyse oder Synthese
im Wesentlichen in Echtzeit auszuführen.
-
3a veranschaulicht
einen LP-Rest {e(n)} für
einen stimmhaften Rahmen, wobei sie etwa acht Tonhöhenperioden
enthält,
wobei jede Tonhöhenperiode
etwa 26 Abtastwerte umfasst. 3b zeigt
die Größen der
{E(j)} für
eine spezielle Periode des LP-Restes, und 3c zeigt
die Größen der
{E(j)} für alle
acht Tonhöhenperioden.
Für einen
stimmhaften Rahmen mit der Tonhöhenperiode
gleich pT befinden sich die Spitzen der Fourier-Koeffizienten bei
etwa 1/pT, 2/pT, 3/pT, ..., k/pT, ...; d. h., bei der Grundfrequenz
1/pT und den Harmonischen. Selbstverständlich kann p keine ganze Zahl
sein, wobei die Größen der
Fourier-Koeffizienten bei den Harmonischen der Grundfrequenz, die
als X[1], X[2], ..., X[k], ... bezeichnet werden, geschätzt werden
müssen.
Diese Schätzwerte
werden quantisiert, übertragen
und durch den Decodierer verwendet, um die LP-Erregung zu erzeugen.
-
Die
{X[k]} können
durch verschiedene Verfahren geschätzt werden: z. B. wird eine
diskrete Fourier-Transformation auf die Abtastwerte einer einzelnen
Periode (oder kleinen Anzahl von Perioden) der e(n) angewendet,
wie in den 3b–3c; alternativ
können
die {E(j)} interpoliert werden. In der Tat wendet ein Interpolationsansatz
eine diskrete 512-Punkt-Fourier-Transformation auf eine erweiterte
Version des LP-Restes an, was die Verwendung einer schnellen Fourier-Transformation
erlaubt. Insbesondere wird der LP-Rest {e(n)} von 160 Abtastwerten
auf 512 Abtastwerte erweitert, indem e512(n)
= e(n) für
n = 0, 1, ..., 159 und e512(n) = 0 für n = 160, 161,
..., 511 gesetzt wird. Dann erscheinen die Größen der diskreten Fourier-Transformation
wie in 3d mit den Koeffizienten E512(j) die im Wesentlichen die Koeffizienten
E(j) nach den 3b–3c interpolierten.
Die Spitzen X[k] werden bei den Frequenzen k/pT geschätzt. Die
bevorzugte Ausführungsform
verwendet nur die Größen der
Fourier-Koeffizienten, obwohl die Phasen außerdem verwendet werden könnten. Weil
die LP-Restkomponenten {e(n)} reell sind, sind die Koeffizienten
{E(j)} der diskreten Fourier-Transformation
für eine
diskrete N-Punkt-Fourier-Transformation konjugiert symmetrisch:
E(k) = E·(N – k). Folglich
muss für
die Größenbetrachtungen
nur die Hälfte
der {E(j)} verwendet werden.
-
Sobald
die geschätzten
Größen der
Fourier-Koeffizienten X[k] für
die Grundfrequenz der Tonhöhe
und die Harmonischen k/pT gefunden worden sind, müssen sie
mit einer minimalen Anzahl von Bits übertragen werden. Die bevorzugten
Ausführungsformen
verwenden die Vektorquantisierung der Spektren. Das heißt, die
Menge der Fourier-Koeffizienten X[1], X[2], ..., X[k], ... wird
in einer mehrdimensionalen Quantisierung als ein Vektor behandelt,
wobei nur der Index des quantisierten Ausgangsvektors übertragen
wird. Es wird angegeben, dass es [p] oder [p] + 1 Koeffizienten
gibt, aber nur die Hälfte
der Komponenten, zurückzuführen auf
ihre konjugierte Symmetrie, signifikant ist. Folglich ist für eine kurze
Tonhöhenperiode,
wie z. B. pT = 4 Millisekunden (p = 32), die Grundfrequenz 1/pT
(= 250 Hz) hoch, wobei es 32 Harmonische gibt, aber nur 16 signifikant
sein würden
(wobei die DC-Komponente nicht gezählt wird). Ähnlich ist für eine lange
Tonhöhenperiode,
wie z. B. pT = 12 Millisekunden (p = 96) die Grundfrequenz (= 83
Hz) tief, wobei es 48 signifikante Harmonische gibt.
-
Im
Allgemeinen kann die Menge der quantisierten Ausgangsvektoren durch
adaptive Auswahl mit einem Gruppierungsverfahren aus einer Menge der
Eingangstrainingsvektoren erzeugt werden. Es kann z. B. eine große Anzahl
zufällig
ausgewählter Vektoren
(Spektren) von verschiedenen Sprechern verwendet werden, um ein
Codebuch (oder Codebücher
bei der mehrstufigen Vektorquantisierung) zu bilden. Folglich kann
eine quantisierte und codierte Version eines Ein gangsspektrums X[1],
X[2], ..., X[k], ... als der Index im Codebuch des quantisierten
Vektors übertragen
werden, wobei dieser 20 Bits umfassen kann.
-
Wie
in 1a veranschaulicht ist, fahren die ersten bevorzugten
Ausführungsformen
mit der Vektorquantisierung der Spektren der Fourier-Koeffizienten
wie folgt fort. Zuerst wird das Spektrum (der Vektor) der Fourier-Koeffizienten
gemäß der entsprechenden
Tonhöhenperiode
klassifiziert: falls die Tonhöhenperiode
kleiner als 55 T ist, ist der Vektor ein "kurzer" Vektor, und falls die Tonhöhenperiode
größer als
45 T ist, ist der Vektor ein "langer" Vektor. Einige Vektoren
werden sowohl als kurze als auch als lange Vektoren genauer bestimmt.
Die kurzen Vektoren werden mit einem Codebuch aus 20-komponentigen Vektoren
vektorquantisiert, während
die langen Vektoren mit einem Codebuch aus 45-komponentigen Vektoren
verktorquantisiert werden. Wie vorher beschrieben worden ist, bringt
die konjugierte Symmetrie der Fourier-Koeffizienten mit sich, dass
nur die erste Hälfte
der Vektorkomponenten signifikant ist und verwendet wird. Kurze
Vektoren mit weniger als 20 signifikanten Komponenten werden auf
20 Komponenten erweitert, indem Komponenten angehängt werden,
die gleich 1 sind. Analog werden lange Vektoren mit weniger als
45 signifikanten Komponenten auf 45 Komponenten erweitert, indem
Komponenten angehängt
werden, die gleich 1 sind. Jedes Codebuch besitzt 220 quantisierte
Ausgangsvektoren, deshalb indexieren 20 Bits die quantisierten Ausgangsvektoren
in jedem Codebuch. Es könnte
ein Bit verwendet werden, um das Codebuch auszuwählen, die Tonhöhe wird
aber überragen
und kann verwendet werden, um zu bestimmen, ob die 20 Bits die lange oder
kurze Vektorquantisierung sind.
-
Für einen
Vektor, der sowohl als kurz als auch als lang klassifiziert ist,
wird dieselbe Klassifizierung wie für den Vektor des vorhergehenden
Rahmens verwendet; dies vermeidet Diskontinuitäten und schafft eine Hysterese
durch die Überlappung der
Klassifizierung. Wenn ferner der vorhergehende Rahmen stimmlos war,
dann wird der Vektor als kurz genommen, falls die Tonhöhenperiode
kleiner als 50 T ist, und sonst als lang genommen.
-
Auf
die Metrik, die den Abstand zwischen den Vektoren definiert, wird
ein Gewichtungsfaktor angewendet. Der Abstand wird sowohl für die Gruppierung
der Trainingsvektoren (die das Codebuch erzeugt) als auch für die Quantisierung
der Vektoren der Fourier-Komponenten durch den minimalen Abstand
verwendet. Im Allgemeinen ist ein Abstand zwischen den Vektoren
X1 und X2 durch
d(X1, X2) = (X1 – X2)TW(X1 – X2) definiert, wobei W eine Matrix der Gewichte
ist. Folglich werden Matrizen Wkurz für die kurzen
Vektoren und Matrizen Wlang für die langen
Vektoren definiert; ferner können
die Gewichte von der Länge
des zu quantisierenden Vektors abhängen. Dann wird für kurze
Vektoren Wkurz[j, k] sehr klein gewählt, wenn
entweder j oder k größer als
20 ist; dies macht die Komponenten X1[k]
und X2[k] für k größer als 20 irrelevant. Ferner
wird Wkurz[j, k] abnehmend gewählt, wie
j und k von 1 bis 20 zunehmen, um die niedrigeren Vektorkomponenten
hervorzuheben. Das heißt,
die Quantisierung hängt
in erster Linie von den Fourier-Koeffizienten für die Grundfrequenz und die niedrigen
Harmonischen der Tonhöhenfrequenz
ab. Analog wird Wlang[j, k] für j oder
k größer als
45 sehr klein gewählt.
-
Ferner
könnte
die Verwendung der prädiktiven
Codierung einbezogen werden, um die Größen zu verringern und das Quantisierungsrauschen
zu verringern, wie im Folgenden beschrieben ist.
-
Die prädiktive
Codierung
-
Ein
differentieller (prädiktiver)
Ansatz verringert das Quantisierungsrauschen. Das heißt, anstatt die
Vektorquantisierung eines Spektrums X[1], X[2], ..., X[k], ... auszuführen, wird
zuerst eine Prädiktion des
Spektrums aus den quantisierten Spektren (Vektoren) des vorhergehenden
Rahmens oder von mehreren vorhergehenden Rahmen erzeugt, wobei nur die
Differenz quantisiert wird. Wenn der Vektor des aktuellen Rahmens
von den Vektoren der früheren Rahmen
gut approximiert werden kann, dann kann eine "starke" Prädiktion
verwendet werden, in der die Differenz zwischen dem Vektor des aktuellen
Rahmens und einem starken Prädiktor
klein sein kann. Wenn andererseits der Vektor des aktuellen Rahmens aus
den Vektoren der früheren
Rahmen nicht gut approximiert werden kann, dann kann eine "schwache" Prädiktion
(einschließlich
keine Prädiktion)
verwendet werden, in der die Differenz zwischen dem Vektor des aktuellen
Rahmens und einem Prädiktor
sehr groß sein
kann. Eine einfache Prädiktion des
Vektors X des aktuellen Rahmens könnte z. B. der quantisierte
Vektor Y des vorhergehenden Rahmens oder allgemeiner ein Vielfaches αY sein, wobei α ein Gewichtungsvektor
(zwischen 0 und 1) ist. In der Tat könnte α eine Diagonalmatrix mit verschiedenen
Faktoren für
verschiedene Vektorkomponenten sein. Für α-Werte im Bereich 0,7–1,0 liegt
der Prädiktor αY nahe bei
Y, wobei, falls er außerdem
nahe bei X liegt, der zu quantisierende Differenzvektor X – αY klein im
Vergleich zu X ist. Dies würde
ein starker Prädiktor
sein, wobei der Decodierer einen Schätzwert für X durch Q(X – αY) + αY wiederherstellt,
wobei der erste Term der quantisierte Differenzvektor X – αY ist, während der
zweite Term vom vorhergehenden Rahmen stammt und wahrscheinlich
der vorherrschende Term ist. Umgekehrt ist für α-Werte im Bereich 0,0–0,3 der
Prädiktor
schwach, weil der zu quantisierende Differenzvektor X – αY wahrscheinlich
mit X vergleichbar ist. In der Tat gibt es für α = 0 überhaupt keine Prädiktion,
wobei der zu quantisierende Vektor X selbst ist.
-
Der
Vorteil der starken Prädiktoren
folgt aus der Tatsache, dass mit Codebüchern mit der gleichen Größe die Quantisierung
von irgendetwas, das wahrscheinlich klein ist (die Differenz vom
starken Prädiktor),
bessere mittlere Ergebnisse als das Quantisieren von irgendetwas,
das wahrscheinlich groß ist
(die Differenz vom schwachen Prädiktor),
liefert.
-
Folglich
werden vier Codebücher
trainiert: (1) kurze Vektoren und starke Prädiktion, (2) kurze Vektoren
und schwache Prädiktion,
(3) lange Vektoren und starke Prädiktion
und (4) lange Vektoren und schwache Prädiktion. Dann wird ein Vektor
verarbeitet, wie im oberen Abschnitt der 1b veranschaulicht
ist: zuerst wird der Vektor X als kurz oder lang klassifiziert;
als Nächstes
werden die starken und schwachen Prädiktor-Vektoren Xstark und
Xschwach aus den quantisierten Vektoren
der vorhergehenden Rahmen erzeugt, wobei die Codebücher der
starken Prädiktoren
und schwachen Prädiktoren
für die
Vektorquantisierung von X – Xstark bzw. X – Xschwach verwendet
werden. Dann werden die zwei Ergebnisse (Q(X – Xstark)
+ Xstark und Q(X – Xschwach)
+ Xschwach) mit dem Eingangsvektor verglichen,
wobei die bessere Approximation (der starke oder schwache Prädiktor) ausgewählt wird.
Ein Bit wird zusammen mit dem 20-Bit-Codebuch-Index für den Quantisierungsvektor übertragen
(um anzugeben, ob ein starker oder schwacher Prädiktor verwendet worden ist).
Die Tonhöhe
bestimmt, ob der Vektor lang oder kurz war.
-
In
einer Rahmenlöschung
werden die Parameter (d. h. LSFs, Fourier-Koeffizienten, Tonhöhe, ...),
die dem aktuellen Rahmen entsprechen, als verloren oder unzuverlässig betrachtet,
wobei der Rahmen anhand der Parameter von den vorhergehenden Rahmen
rekonstruiert wird. Beim Vorhandensein von Rahmenlöschungen
breitet sich der Fehler, der sich aus dem Fehlen einer Gruppe von
Parametern ergibt, durch die Folge der Rahmen aus, für die eine
starke Prädiktion
verwendet wird. Falls der Fehler in der Mitte der Folge auftritt,
wird die genaue Entwicklung der vorhergesagten Parameter gefährdet, wobei
normalerweise eine wahrnehmbare Verzerrung eingefügt wird.
Wenn eine Rahmenlöschung
innerhalb eines Bereichs geschieht, in dem ein schwacher Prädiktor konsistent
ausgewählt
wird, wird die Wirkung des Fehlers lokalisiert sein (er wird durch
die schwache Prädiktion
schnell verringert). Die größte Verschlechterung
im rekonstruierten Rahmen wird beobachtet, wann immer eine Rahmenlöschung für einen
Rahmen mit einem schwachen Prädiktor
vorkommt, dem eine Folge von Rahmen folgt, für die ein starker Prädiktor gewählt wird.
In diesem Fall wird die Entwicklung der Parameter auf einem Parameter
aufgebaut, der von dem sehr verschieden ist, von dem angenommen
wird, dass er die Entwicklung beginnt.
-
Folglich
analysiert eine zweite bevorzugte Ausführungsform die in einer Folge
von Rahmen verwendeten Prädiktoren,
wobei sie ihre Sequentialisierung steuert. Insbesondere modifiziert
eine bevorzugte Ausführungsform
für einen
aktuellen Rahmen, der andernfalls einen starken Prädiktor verwenden würde, der
einem Rahmen unmittelbar folgt, der einen schwachen Prädiktor verwendet
hat, den ak tuellen Rahmen, um den schwachen Prädiktor zu verwenden, wobei
sie aber den Prädiktor
des nächsten Rahmens
nicht beeinflusst. 1b veranschaulicht die Entscheidungen.
-
Ein
einfaches Beispiel veranschaulicht die Wirkung dieser bevorzugten
Ausführungsform.
Es wird eine Folge von Rahmen mit Vektoren X1,
X2, X3, ... der
Fourier-Koeffizienten vorausgesetzt, und es wird vorausgesetzt,
dass der erste Rahmen einen schwachen Prädiktor verwendet, während die
zweiten, dritten, vierten, ... Rahmen starke Prädiktoren verwenden, wobei aber
die bevorzugte Ausführungsform
den starken Prädiktor
des zweiten Rahmens durch einen schwachen Prädiktor ersetzt. Folglich ist der übertragene
quantisierte Differenzvektor für
den ersten Rahmen Q(X1 – X1schwach),
wobei ohne Löschung
der Decodierer X1 als Q(X1 – X1schwach) + X1schwach wiederherstellt,
wobei, zurückzuführen auf die
schwache Prädiktion,
der erste Term wahrscheinlich der vorherrschende Term ist. Ähnlich stellt
der gewöhnliche
Decodierer X2 als Q(X2 – X2stark) + X2stark, wobei
der zweite Term vorherrschend ist, und analog X3,
X4, ... wieder her. Im Gegensatz stellt
der Decodierer der bevorzugten Ausführungsform X2 als
Q(X2 – X2schwach) + X2schwach wieder
her, wobei aber der erste Term wahrscheinlich vorherrschend ist.
-
Es
wird angegeben, dass der Decodierer X1schwach aus
den Vektoren X0, X–1,
... der vorhergehenden rekonstruierten Rahmen wieder erzeugt, wobei ähnlich X2stark und X2schwach aus
den rekonstruierten X1, X0,
... wieder erzeugt werden, wobei dies ebenso für die anderen Prädiktoren
gilt.
-
Nun
wird bei einer Löschung
der Parameter des ersten Rahmens der Vektor Q(X1 – X1schwach) verloren, wobei der Decodierer
X1 durch irgendetwas rekonstruiert, wie
z. B. nur durch das Wiederholen des rekonstruierten X0 vom
früheren
Rahmen. Dies kann jedoch keine sehr gute Approximation sein, weil
ein schwacher Prädiktor
ursprünglich
verwendet worden ist. Dann rekonstruiert der gewöhnliche Decodierer für den zweiten
Rahmen X2 durch Q(X2 – X2stark) + Y2stark +
wobei Y2stark der anstatt aus X1,
X0, ... aus X0, X0, ... wieder erzeugte starke Prädiktor ist,
weil X1 verloren und durch die möglicherweise
schlechte Approximation X0 ersetzt worden
ist. Folglich würde
der Fehler etwa X2stark – Y2stark betragen,
was wahrscheinlich groß ist,
zurückzuführen darauf,
dass der starke Prädiktor
der vorherrschende Term im Vergleich zum Differenzterm Q(X2 – X2stark) ist. Dies gilt außerdem für die Rekonstruktion von X3, X4, ...
-
Andererseits
rekonstruiert die bevorzugte Ausführungsform X2 durch
Q(X2 – X2schwach) + Y2schwach +
wobei Y2stark der anstatt aus X1,
X0, ... aus X0,
X0, ... wieder erzeugte schwache Prädiktor ist,
weil abermals X1 verloren und durch die
möglicherweise schlechte
Approximation X0 ersetzt worden ist. Folglich
würde der
Fehler etwa X2schwach – Y2schwach betragen,
was wahrscheinlich klein ist, zurückzuführen darauf, dass der schwache
Prädiktor
im Vergleich zum Differenzterm Q(X2 – X2schwach) der kleinere Term ist. Wobei dieser
kleinere Fehler außerdem
für die Rekonstruktion
von X3, X4 gilt.
-
In
der Tat würde
für den
Fall der Prädiktoren X2stark = αX1 mit α =
0,8 und X2schwach = αX1 mit α = 0,2 der
Fehler des gewöhnlichen
Decodierers für
die Rekonstruktion von X2 0,8(X1 – X0) betragen, während der Fehler des Decodierers
der bevorzugten Ausführungsform
0,2(X1 – X0) betragen würde.
-
Alternativ
modifizieren die zweiten bevorzugten Ausführungsformen starke Prädiktoren
von zwei (oder mehr) aufeinanderfolgenden Rahmen nach einem Rahmen
mit einem schwachen Prädiktor,
damit sie schwache Prädiktoren
sind. Das heißt,
eine Folge aus schwach, stark, stark, stark, ... würde in schwach,
schwach, schwach, stark, ... geändert
werden.
-
Die
vorausgehende Ersetzung starker Prädiktoren durch schwache Prädiktoren
schafft einen Tausch der vergrößerten Fehlerrobustheit
gegen eine ein wenig ver ringerte Qualität (die schwächeren Prädiktoren werden anstelle der
besseren stärkeren Prädiktoren
verwendet).