[发明专利]一种基于粒子群的矢量码书量化器

说明书

技术领域：

本发明涉及一种高效的数据压缩技术，具体地说是一种应用于语音编码和 图像压缩系统中的基于粒子群的矢量码书量化器。

背景技术：

众所周知，在矢量量化技术中，码书量化器设计是其中的关键技术。由 Linde、Buzo和Gray于1980年提出的一种最佳码书量化器设计算法——LBG算 法。因其理论上的严密性，收敛速度比较快，实施过程简单以及具有较好的实 际效果，因此被广泛采用于语音和图像处理应用中。但该算法仍有计算量大且 往往容易陷入局部最优解及性能强烈地依赖于初始码书选取的缺陷。针对这些 问题，学者们开始提出各种改进的算法，如模拟退火码书设计算法、禁止搜索 码书设计算法、神经网络码书设计以及蚁群码书量化器设计等。实验证明，这 些算法虽然均在不同程度上改善设计的码书量化器的质量，但均存在不同的问 题。如在LBG算法的初始码书选取过程中，同样不可避免地遇到空胞腔处理问 题。该问题的处理好坏将严重影响所设计的码书的性能，因此如何更好地处理 空胞腔的问题已成为矢量码书量化器设计中不可忽视并需要重点解决的问题。

粒子群算法(Particle Swarm Optimization，PSO)是1995年由美国社会 心理学家James Kennedy和电气工程师Russell Eberhart共同提出的。由于粒 子群算法的计算快速性和算法本身的易实现性，自该算法被提出以来，引起了 国际上相关领域众多学者的关注和研究。PSO算法最早应用于人工神经网络的训 练方法中，随后在函数优化、约束优化、极大极小问题、多目标优化等问题中 均得到了成功的应用。同样PSO应用到码书量化器设计中也取得了一定效果， 但仍然暴露出容易陷入局部最优解的问题，又由于模拟退火算法具有全局搜索 能力的特点，所以本发明提出将模拟退火算法及PSO共同应用到码书量化器设 计中，目的设计一个实用的矢量码书量化器。

近年来，学者们提出了多种启发式的空胞腔处理方法。典型的方法有：最 大胞腔分裂法，即先去掉空胞腔，而将最大胞腔分裂为2个胞腔；随机选取法， 即随机地选取一个训练矢量以取代空胞腔的码字作为新的码字；次邻域法，即 采用一组离胞腔为空的码字的距离仅远于各自的聚类中心的训练矢量的聚类中 心作为新的码字来取代该空胞腔。前两种方法都是处理空胞腔码字的直接且简 便的方法，但缺乏一定的理论指导，其结果的不确定性较大。虽然第三种方法 较前两种方法要好，但仍存在一些缺陷。为了更好地了解该缺陷，有必要描述 次邻域法的运算过程。次邻域法一般采取如下两种策略：

策略1：采用通用的随机选取法，也就是在训练矢量中随机选取一个训练矢 量以取代空胞腔的码字作为新的码字。

策略2：每个训练矢量在寻找与之距离最近的码字的同时，记录与其距离 次近的码字。如果与其距离次近的码字是空胞腔码字，然后在处理空胞腔码字 时，将记录与该空胞腔距离次近的训练矢量归为一类，取其聚类中心作为新的 码字来代替该空胞腔码字。注意在策略1和策略2中，被选中的训练矢量都必 须清除之前其与所选取码字的胞腔的聚类关系。

对于一个空胞腔，若其次邻域的划分不为空时，则运用上述策略2更改该 空胞腔的码字；否则运用上述策略1更改该空胞腔的码字。对于胞腔不为空的 码字，则根据质心准则，更新码字。

次邻域法是目前新兴的一种空胞腔处理的算法，虽然较以往算法有着更好 的处理效果，但其本身还存在如下一些缺点：

①在次邻域划分为空的情况下，次邻域法将采用随机选取一个训练矢量以 取代空胞腔的码字作为新的码字，这样做缺乏一定的理论基础，且会导致相应 码字的不确定性。

②若某个胞腔内只聚类了一个训练矢量，而此训练矢量又恰好被归类到了 某个空胞腔的次邻域划分中，那么此时按照次邻域法中的策略2来处理此空胞 腔时，如若将这个训练矢量归到此空胞腔内，将导致这个训练矢量原所在胞腔 将变成空胞腔，进而将会增大失真，降低聚类的效果。

③盲目地将所有次选码字均归类到次邻近的空胞腔内，在很大程度上会下 增大总体失真，影响最终的码书量化器的性能。

在本发明进行矢量码书量化器设计过程中，同样会遇到处理空胞腔问题， 为此提出一种新的空胞腔处理方法。

发明内容：