JP2001511980A - データ圧縮システム及びその方法 - Google Patents

Abstract

(57)【要約】 入力信号のパラメータの入力ベクトルの連続を対応するインデックス信号の連続に変換することによって、記憶または通信チャネルへ送信すべき入力信号を符号化する方法及びシステムであって、各インデックス信号は一組の順序付けられた入力信号パラメータ値に相当する１つの量子化ベクトルに対応しており、方法及びシステムは以下を含む：入力ベクトルと一組の距離パラメータを人工ニューラルネットワーク（５２０）へ入力することにより人工ニューラルネットワークに１以上の制御出力信号を生成させる；ベクトル量子化システムを備える、ここでベクトル量子化システムは、各記憶位置が１つの代表ベクトルを記憶し対応する１つのインデックス信号によって表わされるアドレスを持つ第１の数の記憶位置を有する１以上のテーブル（５３５）と、各代表ベクトルを各入力信号パラメータ値と比較する探索手段（５３０）からなる；前記１以上の制御出力信号をベクトル量子化システムに与えることにより第１の数の記憶位置の部分集合である第２の数の記憶位置を特定する；前記探索手段において、一組の距離パラメータを用いた判定基準をもとに第２の数の記憶位置から抽出された入力特徴ベクトルに最も近似した記憶位置を探し出す；入力ベクトルに最も近似した記憶位置のインデックス信号を出力する。

Description

【発明の詳細な説明】 データ圧縮システム及びその方法発明の背景 １．発明の分野 本発明はデータ圧縮及び通信システムに関し、特に音声、オーディオ、画像お よびビデオの量子化におけるベクトル量子化の複雑さを低減することに関する。２．関連技術の説明 現在の通信システムは、音声、オーディオ、静止画像およびビデオのシーケン スなどの信号を損失のある形で符号化するデータ圧縮技術に依存するところが大 きい。デジタル信号専用プロセッサの演算能力の向上に伴ない、今やデータ圧縮 アルゴリズムは、理論的には最適の技術であるベクトル量子化（ＶＱ：Vector Q uantization）を使用できるようになった。VQを利用した音声量子化アルゴリズ ムの例としては、最近発表されたInternational Telecommunication Union（ITU ）推奨のG.723.1およびG.729がある。 音声、静止画像およびビデオなどの情報量の大きい信号についての現行の量子 化規格はVQを採用していないが、これは処理に非常に複雑なものにならざるをえ ないことが原因である。最近になって提案された音声量子化の新規格には、VQが 含まれている。 VQはデジタル値またはベクトルの大きな集合を利用するもので、このデジタル 値またはベクトルは、それぞれが何らかの信号パラメータの取りうる値を表して いる。パラメータとは絶対値、位相などである。各ベクトルは、順序付けされた 値の集合であり、デジタルで実現する場合には、これらの値はデジタル値となる 。これらの値は各自テーブル内の固有の位置に格納され、それぞれのテーブル内 位 置はアドレスまたはインデックスを有する。入力音声パラメータの連続するベク トルがVQ装置に供給される。各ベクトルはあらかじめ決められたひずみ量測度に 基づいてVQテーブルのエントリと比較され、パラメータのベクトルともっとも近 い値を有するテーブルエントリのインデックスが特定される。そして、このイン デックスが格納または転送される。 受信端では、そのインデックスが、同一のアドレスに同一の値を有する対応テ ーブルのエントリを指すポインタとして用いられ、結果、元のベクトルが一部失 なわれた形のベクトルが検索によって求められる。 ＶＱは、情報理論の分野で発達してきた原理に基づいて、データ圧縮の最適の 解決法と見なされてきた。現在、ＶＱテーブルの設計に関しては、多くの効果的 なそして最適化されたアルゴリズムが存在する。 ＶＱを利用した通信システムで典型的な先行技術を図１に示す。このシステム は転送側にＶＱエンコーダ１００を有し、受信側にＶＱデコーダ１５０を有する 。入力側では、入力ベクトルが入力ライン１１５上を通って、探索ユニット１２ ０と比較ユニット１３０とに入る。探索ユニット１２０はＶＱテーブル１２５に 接続されており、ＶＱテーブル１２５は、複数の記憶位置を有し、記憶位置のそ れぞれは、ベクトル値を格納しているとともにインデックスによって示されるア ドレスを有している。ライン１１５を介して入ってきた入力ベクトルはそれぞれ 、探索ユニット１２０の制御の下で、テーブル１２５内の各ベクトルと比較され る。この比較処理は距離パラメータ１３５を利用して行われるもので、距離パラ メータ１３５は、比較ユニット１３０に入力され、ひずみ量測度の算出に利用さ れる。そして、入力ベクトルに最も近いテーブルエントリに関連付けられたイン デックスが、ライン１４０を介してVQデコーダ１５０に入力される。その後、こ のインデックスは、格納されるか通信チャネル１４５上を転送されるかする。 デコーダ１５０は基本的に検索ユニット１５５とVQテーブル１６０とから成り 、VQテーブル１６０はVQテーブル１２５と全く同じデータを保持している。通信 チャネル１４５を経て送信されて検索ユニット１５５に受信されたインデッ クスについては、対応するベクトルがテーブル１６０から読み出されて出力ライ ン１６５に転送される。 VQユニットの処理には、各入力ベクトルをあらゆるテーブルエントリと比較す る処理が含まれる。こうした手順をとると、複雑な演算処理が相当量必要となり 、所定のプロセッサによる場合、インデックスの出力レートは、かなり制限を受 けることになる。 他の公知のVQシステムとして、複数のより小さいテーブルを有し、それぞれに ベクトルを格納しておくものがある。この場合、適切な量子化ベクトルが、これ ら小さいテーブルそれぞれから１つずつ選ばれたベクトルを連結するかまたは組 み合わせた形で表される。各テーブルのエントリまたはインデックスの数は、図 １のような単一のテーブルの場合に比べて少なくてすむので、その結果、各イン デックスを構成するビットの数が少なくなる。こうした構造は、積符号VQ装置と して知られている。 こうした公知の積符号VQ装置型の一例を図２に示す。これは積符号VQエンコー ダ２００と積符号VQデコーダ２５０とから成る。見て分かる通り、エンコーダ２ １０は、複数のVQテーブル２２５を備える点および比較ユニット２３０に複数の 入力端子がある点で図１のエンコーダ１００とは基本的に異なっている。エンコ ーダ２１０では、ライン２１５を経て入力されたベクトルが探索ユニット２２０ と比較ユニット２３０とに送られる。これら２つのユニットは共同して、入力さ れたベクトルと複数あるテーブル２２５の少なくとも１つに含まれるベクトルの 組合わせ集合の全メンバとを連続的に比較するが、その際には、入力２３５経由 で比較ユニット２３０の送られてくる距離パラメータを利用する。格納された値 で結合すると入力ベクトルに最も近い値となるものに対応づけられたインデック スが、出力ライン２４０に送られ、そこで保持されるか、通信チャネル２４５上 を転送されるかする。 通信チャネル２４５上を転送された後、各インデックスはそれぞれ複数あるVQ テーブル２５５のいずれか１つをアドレス指定する。そして、テーブル２５５中 の当該アドレス記憶位置に格納されているベクトルコンポーネントが、ユニット ２６５において結合されて出力ベクトルとなり、出力ライン２７０を経て転送さ れる。 上記いずれの場合も、出力ベクトルは対応する入力ベクトルを再現したもので あるが、出力ベクトルは、採用されている固有の量子化スキームに依存するエラ ー量のために、入力ベクトルとは異なったものになる。一般的な規則として、こ のエラーは、VQテーブル１２５および１６０または複数のVQテーブル２２５およ び２５５に含まれるエントリの数に左右される。 VQスキームの主な問題点、つまり、現行のデータ圧縮アルゴリズムに必ずしも VQスキームが採用されていない主要な理由は、極端な複雑さにある。大きなテー ブルまたは複数の小さなテーブルの中から最も近いベクトルを検索する処理には 、大量の演算処理が必要となる。例えば、ITU規格G.723.1およびG.729のような 現在の音声量子化スキームの場合、VQ検索が演算負荷の８０％または９０％を占 める。発明の目的および要点 本発明の第１の目的は、公知のVQシステムの問題点を解消することである。 また、本発明の第２の目的は、VQシステムの利点を損なうことなく、VQ量子化 実行を高速化するとともにこれに必要な演算負荷を低減することを目的とする。 上記の目的及び他の目的の達成のため、ほんはつめいの方法は、入力信号のパ ラメータの入力ベクトルの連続を対応するインデックス信号の連続に変換するこ とによって、記憶または通信チャネルへ送信すべき入力信号を符号化する方法で あって、各インデックス信号は一組の順序付けられた入力信号パラメータ値に相 当する１つの量子化ベクトルに対応しており、方法は以下を含む：入力ベクトル を人工ニューラルネットワークへ入力することにより人工ニューラルネットワー クに１以上の制御出力信号を生成させる；ベクトル量子化システムを備える、こ こでベクトル量子化システムは、各記憶位置が１つの代表ベクトルを記憶し対応 する１つのインデックス信号によって表わされるアドレスを持つ第１の数の記憶 位置を有する１以上のテーブルと、各代表ベクトルを各入力信号パラメータ値と 比較する探索手段からなる；前記１以上の制御出力信号をベクトル量子化システ ムに与えることにより第１の数の記憶位置の部分集合である第２の数の記憶位置 を特定する；前記探索手段において、一組の距離パラメータを用いた判定基準を もとに第２の数の記憶位置から入力ベクトルに最も近似した記憶位置を探し出す ；そして、入力ベクトルに最も近似した記憶位置のインデックス信号を出力する 。 また、本発明の他の目的を達成するために、本発明は、入力信号のパラメータ の入力ベクトルの連続を対応するインデックス信号の連続に変換することによっ て、記憶または通信チャネルへ送信すべき入力信号を符号化するシステムであっ て、各インデックス信号は一組の順序付けられた入力信号パラメータ値に相当す る１つの量子化ベクトルに対応しており、システムは以下を含む：１以上の人工 ニューラルネットワーク；入力ベクトルを前記１以上の人工ニューラルネットワ ークに入力することにより人工ニューラルネットワークに１以上の制御出力信号 を生成させる手段；各記憶位置が１つの代表ベクトルを記憶し対応する１つのイ ンデックス信号によって表わされるアドレスを持つ第１の数の記憶位置を有する １以上のテーブルと、各代表ベクトルを各入力信号パラメータ値と比較する探索 手段からなるベクトル量子化システム；前記１以上の制御出力信号をベクトル量 子化システムに与えることにより第１の数の記憶位置の部分集合である第２の数 の記憶位置を特定する手段；前記探索手段において、一組の距離パラメータを用 いた判断基準をもとに第２の数の記憶位置から入力ベクトルに最も近似した記憶 位置を探し出す手段；そして、入力ベクトルに最も近似した記憶位置のインデッ クス信号を出力する手段。図面の簡単な説明 本発明の目的と新規と考えられる特徴とは、特に添付のクレームにおいて説明 される。本発明は、構成についても動作の形態についても、更なる目的と利点と ともに、以下に記す詳細な説明を添付の図面とともに参照することで、さらによ く理解されるであろう。 図１は、先行技術に関する基本的なVQシステムを示すブロック図である。 図２は、図１と同様の図であり、先行技術に関する別形態のVQシステムの構成 を示す。 図３および図４は、それぞれ、本発明の実施の形態におけるコンポーネント、 そして、こうしたコンポーネントをつなぐネットワークを示すブロック図である 。 図５は、本発明に関するエンコーダの１実施の形態を示すブロック図である。 図６は、図５に示すエンコーダの動作を示すフローチャートである。 図７は、本発明に関するエンコーダの第２の実施の形態を示すブロック図であ る。好適な実施の形態の詳細な説明 上述の通り、本発明の目的は人工ニューラルネットワークの機能と通常のVQシ ステムの機能とを、両システムの利点を結合することで量子化処理の高速化と演 算負荷の低減を可能とするような新規な形態で結合することによって実現される 。 人工ニューラルネットワークは、パーセプトロンとして知られる複数の要素コ ンポーネントを連結して形成されるものである。 図３は、要素パーセプトロンの基本構成を示すもので、要素パーセプトロンは 、複数の入力端子３１０、合計ユニット３２０、出力関数ジェネレータ３２５、 出力端子３３０を有する。各入力端子３１０と合計ユニット３２０との間には、 関連する入力において信号に対して選択された重み「ｗ」を与えるコンポーネン トが備えられている。つまり、入力時に「ｉ」という値を持っていた信号の場合 、この信号に対応する信号は、合計ユニット３２０に入る時点で値が「ｗｉ」に なっている。また、別の入力が合計ユニット３２０に接続されており、制御用の 固 定値を有する信号を提供する。例えば、この別の入力が、図に示すように固定値 「it」を受信して、重みコンポーネントからは重み「ｗｔ」が与えられたとする と、その結果、閾値「ｉｔｗｔ」が提供される。合計ユニット３２０は、入力さ れた全ての「ｗｉ」の合計に対応する信号を生成し、この出力信号を関数ジェネ レータ３２５に送る。関数ジェネレータ３２５は、入力部においてこの信号を生 成すべき最終結果に応じた任意の所望の関数に従って、リニアであれノンリニア であれ、変化させる。 人工ニューラルネットワークを形成するには、図３に示す一般的な形を備える パーセプトロンを複数統合して、複数のレイヤを有する人工ニューラルネットワ ークとする。その一例を図４に示す。 図４に示す丸はそれぞれがパーセプトロンであり、図３に示す形をしている。 図４に示す人工ニューラルネットワークは、入力レイヤ、隠しレイヤ、出力レイ ヤから成る。ここに図示した実施の形態では、入力レイヤの各パーセプトロンは 単一の入力のみ有する。しかし、入力レイヤ４２０の各パーセプトロンは同時に 、少なくとも１つの追加入力が接続されていて、制御目的の固定信号（例えば、 閾値用信号を提供するもの）を受信できるようになっているか、または多数の入 力を備えていてもよい。 入力レイヤ４２０の各パーセプトロンの出力は、隠しレイヤ４３０の１つまた は複数のパーセプトロンの入力に接続されている。図４に示す実施の形態では、 入力レイヤ４２０の各パーセプトロンの出力は、隠しレイヤ４３０の各パーセプ トロンの入力に接続されている。しかし、必ずしもこの形である必要はなく、入 力レイヤ４２０の各パーセプトロンの出力は、隠しレイヤ４３０の一部のパーセ プトロンの入力に接続することとしてもよい。さらに、入力レイヤ４２０のパー セプトロンの場合と同様、隠しレイヤ４３０の各パーセプトロンも、制御目的、 特に閾値を提供するための固定信号を受信するために、更に入力を備えることに してもよい。 最終的に、隠しレイヤ４３０の各パーセプトロンの出力は、出力レイヤ４４０ のパーセプトロンの各入力に接続されている。ここでも、隠しレイヤ４３０の各 パーセプトロンの出力は、出力レイヤ４４０の任意の数のパーセプトロンの入力 に接続することができ、出力レイヤ４４０の各パーセプトロンは、制御目的、特 に閾値を提供するための固定信号を受信するために、更に入力を備えることがで きる。本発明を実施する場合、図４に示す形の人工ニューラルネットワークは、 当該技術分野でよく知られた理論に基づいて構築することができる。例えば、こ うしたネットワークの組立てについては、Simon Haykinによる「NEURAL NETWORK 」というタイトルの文書(出版元:McMillan College Publishing Company，New Y ork，1994)に説明されている。この文書の第４章には、パーセプトロンの基本理 論が解説されており、また同文書の第６章には、図４で示すような、１クラスの ニューラルネットワークを構成する複数レイヤのパーセプトロンについて解説し ている。 上で言及した文書から明らかなように、本発明の実施に用いられる人工ニュー ラルネットワークについては、レイヤの数、各レイヤにおけるパーセプトロンの 数、レイヤ間の相互接続の組合わせ、信号の重みの組合わせ、そして出力の数の いずれに関しても制限はない。 各パーセプトロンは、バイナリ出力を生成するタイプ、あるいはアナログ出力 を生成するタイプのいずれでもよい。しかし、出力レイヤ４４０のパーセプトロ ンについては、バイナリ出力を生成するよう構成されるのが普通であり、出力４ ５０の組合わせでバイナリ出力ベクトルが構成される。 人工ニューラルネットワークの動作は、入出力マッピングとして説明すること ができ、マッピングパターンは主として、各パーセプトロンの入力において提供 される重み「ｗ」によって決定される。最もよく使われる人工ニューラルネット ワークは、複数レイヤで成るフィードフォワード型のものである。逆伝搬アルゴ リズム（back-propagation algorithms）などの有効なアルゴリズムは、ラベル 付きトレーニング集合（labeled training set）(例えば、考えられる入力ベク トルと各ベクトルに対するネットワークの所望の出力とを併せたものの集合)に 基づ くネットワークのトレーニングに使用することができる。人工ニューラルネット ワークのこうした形のトレーニングについても、上で言及したHaykinの著作の６ ．６項〜６．２２項で説明されている。重み値の異なる集合を用いることで、所 定の人工ニューラルネットワークが、異なる入出力マッピングを生成することが できる。 各レイヤの全てのパーセプトロンは平行して動作するので、入力ベクトルの入 力から対応する出力ベクトルの出力までに経過する時間の合計は、ニューラルネ ットワークのレイヤの数に各レイヤの１つのパーセプトロンの入出力処理時間ま たはマッピング処理時間を乗じた値に等しくなる。さらに、各レイヤは交互に信 号を処理するので、パーセプトロンが同時に動作させられれば、入力ベクトルは 各パーセプトロンの入出力マッピング速度に相当する頻度で入力４１０に送られ る。 人工ニューラルネットワーク理論によると、３レイヤ構造のフィードフォワー ド型の人工ニューラルネットワークを使えばいかなる入出力マッピングも実行可 能である(隠しレイヤのパーセプトロンの数が充分に多いという条件付き)。実際 、こうしたネットワークは、ラベル付きトレーニングセットによって提示される 入出力マッピングに近づけることができる。 本発明によれば、人工ニューラルネットワークの高速マッピング機能が、VQシ ステムのより正確な入出力マッピング機能と結合されて、両者の利点を併せ持っ たハイブリッドシステムを実現している。特に、本発明に関するシステムは、処 理性能が優れているというVQの特徴とあまり複雑でないという人工ニューラルネ ットワークの特徴とを兼ね備えている。 VQについては、階層化技術の観点から考えることもできる。ありうるベクトル ごとに、代表ベクトル、テーブルのエントリ、そして当該エントリのインデック スである代表インデックスに階層化する。ベクトルの集合は、単一のエントリま たは単一のインデックスで示される。VQについては、また、入出力マッピング技 術の観点から考えることもできる。入力は元のベクトルであり、出力は代表ベク トル（またはVQテーブルの代表ベクトルのインデックス）である。 本発明に関するシステムの１実施の形態を図５に示す。このシステムは、入力 ベクトル受信のために接合された入力５１０と重み値５２２の適切なソースに接 続された入力とを備えた人工ニューラルネットワークを有する。入力ベクトルは 図１および図２の、入力１１５および２１５に入力されていたものと同じである 。ネットワーク５２０では、探索ユニット５３０の入力に制御出力５２５が導入 される。探索ユニット５３０は、VQテーブル５３５と比較ユニット５４０とに接 続されている。探索ユニット５３０、テーブル５３５そして比較ユニット５４０ については、各部の間の接続、各部の動作とも、基本的に図１において説明した ものと同様である。 しかし、本発明によれば、探索ユニット５３０は、選択されたベクトルを特定 する情報をネットワーク５２０から受信し、これらベクトルの各々は、ライン５ １０経由で供給される入力ベクトルに近いベクトルが格納されたテーブル５３５ のインデックスを表している。 一例を述べると、ニューラルネットワーク５２０の出力レイヤは、テーブル５ ３５のエントリと同数のパーセプトロンを有することができ、ネットワーク５２ ０の各出力レイヤの出力は、テーブル５３５の各々のアドレスまたはエントリと 関連付けられているとともに、探索ユニット５３０に接続されている。ネットワ ーク５２０は、トレーニングされることで、選択されたニューラルネットワーク の出力レイヤのパーセプトロンが所定の値（例えば、バイナリで「１」の値）を 有することになるような方法で各入力ベクトルに応答するようになる。この時、 これらパーセプトロンは入力ベクトルに最も近い量子化ベクトルに関連付けられ ている。 また、ニューラルネットワーク５２０の出力レイヤのパーセプトロンの数を少 なくし、各出力レイヤのパーセプトロンの出力をテーブル５３５のエントリの選 択されたサブセットと関連付けることもできる。出力レイヤのパーセプトロンの 数は、テーブル５３５のエントリの数に対して、これ以下であっても、これより 多くてもよい。このようにして、ニューラルネットワーク５２０の出力によりエ ントリのサブセットが特定され、比較ユニット５４０において、特定されたサブ セットに含まれるエントリと入力ベクトルが比較される。比較処理の対象は、従 来技術では、ＶＱテーブル５３５の全エントリであるのに対して、本発明では、 サブセットに含まれる一部のエントリのみなので、計算負荷を削減できる。 具体的には、比較処理の対象となる記憶位置の数は、最小では４、最高ではテ ーブル５３５に含まれる全記憶位置数の２分の１まで可能であるが、テーブル５ ３５に含まれる全記憶位置数の４分の１を上回らないのが望ましい。一般に、処 理速度は、比較が行われる記憶位置の数に反比例するものだからである。 最も近い量子化ベクトルのインデックスが、ライン５４５上でベクトル量子化 技術の通常の実施技法に従って供給される距離パラメータを利用して決定され、 このインデックスはライン５５０上を通信チャネル５６０に転送される。転送さ れたインデックスは、受信側（図示せず）において、従来技術と同じ方法でデコ ードされる。 本発明に関するエンコード手順の基本的なステップを、理解を容易にするため に、プログラムフロー図として図６に示す。ここに図示した通り、エンコード手 順は、入力ベクトルと距離パラメータとを図５に示したネットワーク５２０に導 入するステップ６１０を有する。このステップの実行中、またはこれに先立って 、適当な重みの集合をユニット５２２からネットワーク５２０に供給することが できる。 次いで、ステップ６２０では、ネットワーク５２０からの出力が用いられて、 テーブル５３５内の検証の対象になるインデックスの集合が特定される。これは 、ネットワーク５２０から単一のインデックスを提供してそこから探索ユニット ５３０でインデックスの集合を導き出すことでも実現できるし、ネットワーク５ ２０から直にインデックスの集合を供給することでも実現できる。 ステップ６３０では、比較ユニット５２０の制御の下で、探索ユニット５３０ から提供されたインデックスの各々に対して、最短距離検索が実行される。 最後に、ステップ６４０において、テーブル５３５内の量子化ベクトルのイン デックスで、関連する入力ベクトルからの距離が最も小さいものが、インデック ス５５０として通信チャネル５６０に転送される。 同じ複雑さ低減のコンセプトでANNを単一テーブルのVQとともに用いたものを 拡張すると、積符号VQシステムができる。積符号VQシステムでは、入力ベクトル を示すのに複数のテーブルが用いられる。各テーブルからのエントリのサブセッ トは、VQ検索の複雑さ低減するために、ANNによって前もって選択しておくこと ができる。複数のANNが使用可能であり、ANNはそれぞれが少なくとも１つのVQテ ーブルに対応するとともにこれを用いて動作する。ロード可能な重みのセットを 備えた単一のANNを用いて、各テーブルからエントリのサブセットをシーケンシ ャルな形で選択することもできる。 図７は、複雑さの低減のために用いられる、こうした積符号VQエンコーダとAN Nの集合とを示す。入力ベクトル（７１０）と距離パラメータ（７１５）とが、A NNの集合（７４０）に与えられる。ANNの集合は、制御出力信号（７４５）を生 成する。検索ユニット（７２０）はこの信号を使って、VQテーブルの集合（７３ ５）内での探索の複雑さを低減するが、その際には、比較ユニット（７２５）を 利用してインデックスの集合（７３０）を生成する。 以上、本発明の特定の実施の形態を示して説明したが、本発明のより広い解釈 において、発明の範囲内で様々の変更や変形が可能であることは当業者が見れば 明らかなことである。それゆえ、添付のクレームは、こうした変更や変形が全て 本発明の真の精神とその範囲に収まるものとして網羅できることを目指している 。

───────────────────────────────────────────────────── 【要約の続き】 準をもとに第２の数の記憶位置から抽出された入力特徴 ベクトルに最も近似した記憶位置を探し出す；入力ベク トルに最も近似した記憶位置のインデックス信号を出力 する。

Claims (1)

1. 【特許請求の範囲】 １．入力信号のパラメータの入力ベクトルの連続を対応するインデックス信号 の連続に変換することによって、記憶または通信チャネルへ送信すべき入力信号 を符号化する方法であって、各インデックス信号は一組の順序付けられた入力信 号パラメータ値に相当する１つの量子化ベクトルに対応しており、方法は以下を 含む、 ・ 入力ベクトルを人工ニューラルネットワークへ入力することにより人工ニ ューラルネットワークに１以上の制御出力信号を生成させる、 ・ ベクトル量子化システムを備える、ここでベクトル量子化システムは、各 記憶位置が１つの代表ベクトルを記憶し対応する１つのインデックス信号によっ て表わされるアドレスを持つ第１の数の記憶位置を有する１以上のテーブルと、 各代表ベクトルを各入力信号パラメータ値と比較する探索手段からなる、 ・ 前記１以上の制御出力信号をベクトル量子化システムに与えることにより 第１の数の記憶位置の部分集合である第２の数の記憶位置を特定する、 ・ 前記探索手段において、一組の距離パラメータを用いた判定基準をもとに 第２の数の記憶位置から入力ベクトルに最も近似した記憶位置を探し出す、 ・ 入力ベクトルに最も近似した記憶位置のインデックス信号を出力する。 ２．第２の数は第１の数の２分の１未満である、請求項１記載の方法。 ３．第２の数は第１の数の４分の１未満である、請求項１記載の方法。 ４．入力信号のパラメータの入力ベクトルの連続を対応するインデックス信号の 連続に変換することによって、記憶または通信チャネルへ送信すべき入力信号を 符号化するシステムであって、各インデックス信号は一組の順序付けられた入力 信号パラメータ値に相当する１つの量子化ベクトルに対応しており、システムは 以下を含む、 ・ １以上の人工ニューラルネットワーク、 ・ 入力ベクトルを前記１以上の人工ニューラルネットワークに入力すること により人工ニューラルネットワークに１以上の制御出力信号を生成させる手段、 ・ 各記憶位置が１つの代表ベクトルを記憶し対応する１つのインデックス信 号によって表わされるアドレスを持つ第１の数の記憶位置を有する１以上のテー ブルと、各代表ベクトルを各入力信号パラメータ値と比較する探索手段からなる ベクトル量子化システム、 ・ 前記１以上の制御出力信号をベクトル量子化システムに与えることにより 第１の数の記憶位置の部分集合である第２の数の記憶位置を特定する手段、 ・ 前記探索手段において、一組の距離パラメータを用いた判断基準をもとに 第２の数の記憶位置から入力ベクトルに最も近似した記憶位置を探し出す手段、 ・ 入力ベクトルに最も近似した記憶位置のインデックス信号を出力する手段 。 ５．前記人工ニューラルネットワークが受け取る入力信号は複数ビットからなる ディジタル信号であり、人工ニューラルネットワークはディジタル信号の複数ビ ットをそれぞれ受け取るため連結される複数の入力を有し、人工ニューラルネッ トワークによって得られる出力信号の集合は第２の数の記憶位置のアドレスに対 応する、請求項４記載のシステム。 ６．前記人工ニューラルネットワークは第２の数の記憶位置の１以上の記憶位置 に対応する出力を複数有する、請求項５記載のシステム。 ７．前記人工ニューラルネットワークの各出力は第２の数の記憶位置の１組の記 憶位置に対応する、請求項６記載のシステム。 ８．第２の数は第１の数の２分の１未満である、請求項４記載のシステム。 ９．第２の数は第１の数の４分の１未満である、請求項４記載のシステム。 １０．前記１以上のテーブルは複数のテーブルであり、各テーブルは第１の数の 記憶位置を有し対応する１つのインデックス信号の一部分を表わす量子ベクトル を記憶する、請求項４記載のシステム。 １１．前記１以上のテーブルは複数のテーブルである、請求項４記載のシステム 。 １２．前記１以上の人工ニューラルネットワークは複数の人工ニューラルネット ワークであり、各人工ニューラルネットワークは前記複数のテーブルのうち１以 上のテーブルに対応する制御出力信号を生成する、請求項１１記載のシステム。 １３．前記複数の人工ニューラルネットワークと前記複数のテーブルはそれぞれ 対応している、請求項１２記載のシステム。 １４．各人工ニューラルネットワークは、入力ベクトルの一部分を受け取るため の入力を複数を有するとともに、選択値を含む重みを各入力ベクトル部分に与え る手段を有する、請求項１２記載のシステム。 １５．複数の異なる重み値を各人工ニューラルネットワークに供給する手段を含 む、請求項１４記載のシステム。 １６．各人工ニューラルネットワークは複数のテーブルに対応し、異なる重み値 を入力ベクトル部分それぞれに与えることによって対応する複数のテーブル各々 に異なる制御出力信号を与える、請求項１５記載のシステム。