一种基于混沌粒子群算法的矢量量化码书构造方法技术

本发明专利技术请求保护一种基于混沌粒子群算法的矢量量化码书构造方法，具体地说是一种可用于语音压缩编码和图像压缩系统中的基于粒子群的矢量量化器。此方法把粒子群算法与混沌算法相结合用于矢量量化码书的构造，并可将该算法扩展到多级矢量量化器中。由于本发明专利技术在粒子群优化算法中融入了混沌优化，加快了粒子群算法摆脱局部极值点的速度，提高了算法的收敛精度，使矢量量化器的性能得到了改善。

【技术实现步骤摘要】
一种基于混沌粒子群算法的矢量量化码书构造方法
本专利技术属于数据压缩领域，具体涉及一种矢量量化方法及矢量量化器，在语音压缩编码及图像压缩系统中具有广泛的应用。
技术介绍
矢量量化是香农信息论在信源编码理论方面的新发展，将若干个标量数据构成一个矢量，然后在矢量空间中给以整体量化，达到既压缩了数据又不损失太多的信息。因此，矢量量化是一种高效的数据压缩技术，具有压缩比大，解码简单等优点，在语音和图像编码领域有着广泛的应用。矢量量化的基本理论早在二十世纪六七十年代已有人关注，在二十世纪八十年代开始逐步完善起来。实现一个实用的矢量量化器，首先需要解决的是码书的设计。如果码书性能不佳，将影响矢量量化系统的编码质量，如导致解码端语音合成质量或图像重构质量的下降。LBG算法是由Linde、Buzo和Gray于1980年提出的一种经典的码书构造方法，因其具有理论严密、实施简便、收敛快速的特点，在矢量量化领域取得了广泛的应用。但是LBG算法的性能过于依赖初始码书，且容易陷入局部最优。为此，学者们在LBG算法的基础上，提出了很多改进的码书构造算法，如模拟退火码书算法、PNN码书算法、神经网络码书算法、免疫猫群优化码书算法等。本专利技术是将粒子群算法与混沌算法相结合，提出了一种基于混沌粒子群算法的码书构造方法。该方法能增加解空间的多样性，提高全局搜索能力及收敛精度，同时也能处理空胞腔的问题。混沌是自然界广泛存在的一种非线性现象,混沌变量看似杂乱，但其变化过程含有内在的规律性，被誉为上世纪末最大的发现，正在为推动现代科学进步发挥着重要的作用。目前对混沌尚无严格的定义，一般将由确定性方程得到的具有随机性的运动状态称为混沌，呈现混沌状态的变量称为混沌变量。混沌运动貌似随机，却隐含着精致的内在结构，具有遍历性、随机性和对初始条件敏感性的特点，能在一定范围内按其自身规律不重复地遍历所有状态，因此，利用混沌运动的这些性质可以进行优化搜索。如下的logic方程描述了一个最典型的混沌系统。Zn+1＝μZn(1-Zn),n＝0,1,2,…上式中的μ为控制参量，该值确定后，由任意初值Z0(0,1)可迭代出一个确定的时间序列Z0,Z1,…,Zn。粒子群优化(ParticleSwarmOptimization，PSO)算法最初是由Kennedy和Eberhart于1995年受人工生命研究结果的启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能进化的计算技术。由于该算法简单、收敛速度快，并且对目标函数要求较少(如无需梯度信息)等特点，因此发展十分迅速，且在诸多领域得到成功应用。在PSO模型中，优化问题的每个解对应搜索空间中的一只鸟，该“鸟”也称为粒子，每个粒子有一个速度，决定其飞翔的方向和距离。PSO初始化为一群随机粒子，然后粒子开始追随当前的最优粒子运动，直到在整个解空间中搜索找到最优解为止。在每次迭代中，粒子通过追踪两个极值来更新自己，一个是粒子自己找到的最优解，称为个体极值pbest；另一个是整个粒子群找到的最优解，称为全局极值gbest。假设用表示第i个粒子，其中n是粒子的维数，它经历的最好位置表示为而整个群体经历的最好位置表示为粒子i的速度为按搜寻当前最优粒子原理，粒子i按(1)式和(2)式来改变速度和位置。其中,t为当前的迭代次数；c1、c2为学习因子；r1、r2为服从(0,1)分布的随机数，w为惯性权重因子。研究表明：较大的w值有利于跳出局部极小值点，较小的w值有利于算法收敛和提高解的精度。在很多算法中，常采用(3)式计算w的线性递减值。tmax为设定的最大迭代次数；wmax为最大惯性权重；wmin为最小惯性权重。此外，为使粒子速度不至于过大，可设定速度上限值Vmax。当某一维的速度超过这一设定速度时，就令这一维的速度为Vmax。粒子群优化算法虽然具有原理简单，易于应用的优点，但也有易陷入局部极值点，进化后期收敛速度慢，精度较差等缺点。
技术实现思路
针对粒子群优化算法的不足，提出了一种基于混沌粒子群算法的矢量量化码书构造方法。本专利技术的技术方案如下：一种基于混沌粒子群算法的矢量量化码书构造方法，其包括以下步骤：101、提取语音信号或图像信号的特征参数值，提取的特征参数值作为构造码书的训练矢量；102、将生成矢量量化码书所需的全部训练矢量X存储在计算机内存中，全部X的集合用S表示；103、种群初始化，设置迭代算法的最大迭代次数MaxLoop，粒子的个数K，矢量量化级数M，最大速度Vmax，最小速度Vmin；设置粒子的初始速度p[k].v,k＝1,2,...,K；设置适应度初值p[k].f,k＝1,2,...,K；设置迭代初值m＝1，级数初值kkk＝1；104、从步骤102中的全部训练矢量X中，随机提取N个训练矢量组成一个初始码书重复K次，获得K个粒子p[k]；根据最邻近准则，每输入一个粒子，将其划分到N个子集中，即当时，下式成立：105、计算新码字其中是的质心，计算公式如下，numi是集合中训练矢量的个数；统计每一个胞腔，即每个子集包含的训练矢量数，将每一个训练矢量的失真按从大到小排序，对于空胞腔，则将胞腔训练矢量数不为1且失真最大的训练矢量作为新的码字代替空胞腔，同时将此胞腔中的训练矢量数减1；106、计算各个粒子的适应度比较适应度p[k].f(m)与p[k].fbest，如果p[k].f(m)小于最优位置的适应度p[k].fbest，则更新p[k].fbest与比较每个粒子的适应度p[k].fbest与群的最优位置的适应度fgbest，如果p[k].fbest小于fgbest，则更新fgbest与群体最优粒子107、如果迭代次数m能整除3，则对最优粒子进行混沌优化,在下式中，βi和αi是特征参数第i维的最大值和最小值，μ为控制参量；zi＝μ(1-zi)p[k].yi＝αi+(βi-αi)zi循环三次，产生3个粒子，保留适应度最小的粒子，并取代当前群体中随机选取的一个粒子；判定迭代次数是否大于MaxLoop，如果大于MaxLoop，则跳到步骤109，否则转到步骤108，继续执行；108、更新粒子及粒子的速度；109、求训练矢量量化残差，输出码字，级数kkk加1，如果kkk>M，结束；如果kkk≤M，重新设置初值，并将训练矢量改为上一级的量化残差矢量。进一步的，如果矢量量化级数M设为1，设计出来的是单级矢量量化器码书；如果M>1，设计出的是M级矢量量化器码书。进一步的，粒子群算法中惯性权重因子w的计算公式为：上式中，fg是全局最优适应度，wmax表示最大惯性权重，wmin表示最小惯性权重，fi是当前粒子适应度，MaxLoop是最大迭代次数，m是当前迭代次数。本专利技术的优点及有益效果如下：本专利技术充分利用了粒子群算法搜索范围广以及混沌算法具有遍历性的特点，将粒子群算法与混沌算法结合起来，增加解空间的多样性，提高全局搜索能力及收敛精度，同时对空胞腔的问题也作了有效的处理，优化了量化器的性能。本专利技术能用于语音和图像压缩编码中，具有良好的应用前景和实用价值。附图说明图1是本专利技术提供优选实施例基于混沌粒子群的码书构造算法流程图。具体实施方式以下结合附图，对本专利技术作进一步说明：把混沌优化思想引入到粒子群优化算本文档来自技高网...

【技术保护点】
一种基于混沌粒子群算法的矢量量化码书构造方法，其特征在于，包括以下步骤：101、提取语音信号或图像信号的特征参数值，提取的特征参数值作为构造码书的训练矢量；102、将生成矢量量化码书所需的全部训练矢量X存储在计算机内存中，全部X的集合用S表示；103、种群初始化，设置迭代算法的最大迭代次数MaxLoop，粒子的个数K，矢量量化级数M，最大速度Vmax，最小速度Vmin；设置粒子的初始速度p[k].v,k＝1,2,...,K；设置适应度初值p[k].f,k＝1,2,...,K；设置迭代初值m＝1，级数初值kkk＝1；104、从步骤102中的全部训练矢量X中，随机提取N个训练矢量组成一个初始码书重复K次，获得K个粒子p[k]；根据最邻近准则，每输入一个粒子，将其划分到N个子集中，即当时，下式成立：d(X,ylm-1)≤d(X,yim-1),∀i,i≠l]]>d(X,ylm-1)=||X-ylm-1||2]]>105、计算新码字p[k].Y=(p[k].y1m,p[k].y2m,...,p[k].yNm),]]>其中是的质心，计算公式如下，numi是集合中训练矢量的个数；p[k].yim=1numiΣX∈SimX]]>统计每一个胞腔，即每个子集包含的训练矢量数，将每一个训练矢量的失真按从大到小排序。对于空胞腔，则将胞腔训练矢量数不为1且失真最大的训练矢量作为新的码字代替空胞腔，同时将此胞腔中的训练矢量数减1；106、计算各个粒子的适应度p[k].f(m)=Σi=1NΣX∈Simd(X,yim)]]>比较适应度p[k].f(m)与p[k].fbest，如果p[k].f(m)小于最优位置的适应度p[k].fbest，则更新p[k].fbest与比较每个粒子的适应度p[k].fbest与群的最优位置的适应度fgbest，如果p[k].fbest小于fgbest，则更新fgbest与群体最优粒子p.Ygbest=(p[k].y1m,p[k].y2m,...,p[k].yNm);]]>107、如果迭代次数m能整除3，则对最优粒子进行混沌优化,在下式中，βi和αi是特征参数第i维的最大值和最小值，μ为控制参量；zi=p[k].yi-αiβi-αi]]>zi＝μ(1‑zi)p[k].yi＝αi+(βi‑αi)zi循环三次，产生3个粒子，保留适应度最小的粒子，并取代当前群体中随机选取的一个粒子；判定迭代次数是否大于MaxLoop，如果大于MaxLoop，则跳到步骤109，否则转到步骤108，继续执行；108、更新粒子及粒子的速度；109、求训练矢量量化残差，输出码字，级数kkk加1，如果kkk>M，结束；如果kkk≤M，重新设置初值，并将训练矢量改为上一级的量化残差矢量。...

【技术特征摘要】
1.一种基于混沌粒子群算法的矢量量化码书构造方法，其特征在于，包括以下步骤：101、提取语音信号或图像信号的特征参数值，提取的特征参数值作为构造码书的训练矢量；102、将生成矢量量化码书所需的全部训练矢量X存储在计算机内存中，全部X的集合用S表示；103、种群初始化，设置迭代算法的最大迭代次数MaxLoop，粒子的个数K，矢量量化级数M，最大速度Vmax，最小速度Vmin；设置粒子的初始速度p[k].v,k＝1,2,...,K；设置适应度初值p[k].f,k＝1,2,...,K；设置迭代初值m＝1，级数初值kkk＝1；104、从步骤102中的全部训练矢量X中，随机提取N个训练矢量组成一个初始码书重复K次，获得K个粒子p[k]；根据最邻近准则，每输入一个粒子，将其划分到N个子集中，即当时，下式成立：105、计算新码字其中是的质心，计算公式如下，numi是集合中训练矢量的个数；统计每一个胞腔，即每个子集包含的训练矢量数，将每一个训练矢量的失真按从大到小排序，对于空胞腔，则将胞腔训练矢量数不为1且失真最大的训练矢量作为新的码字代替空胞腔，同时将此胞腔中的训练矢量数减1；106、计算各个粒子的适应度比较适应度p[k].f(m)与p[k].fbest，...

【专利技术属性】
技术研发人员：李强，舒勤军，付余涛，覃杨微，范杰羚，夏绪玖，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85