선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 NNVQ를 위한 고속 부호화 알고리듬을 제안하였다. 제안된 알고리듬은 기존의 풀서치 알고리듬에 기하여 SD 성능 감쇄와 추가적 인 메모리 요구없이 탐색 2상 코드북의 크기를 줄임으로써 부호화과정의 복잡 도를감소시켰다.
- 본 논문에서는 NNVQ를 위한 고속 부호화 알고리듬을 제안하였다. 제안된 알고리듬은 기존의 풀서치 알고리듬에 기하여 SD 성능 감쇄와 추가적 인 메모리 요구없이 탐색 2상 코드북의 크기를 줄임으로써 부호화과정의 복잡 도를감소시켰다.
- Orchard가 제안한 삼각부등식을 이용하는 방법은 각 코드벡터와 기준 벡터간의 거리에 관한 정보를 추가로 저장해야 한다는 단점이 있다. 본 논문에서는 메모리 증가와성능감쇄 없이 벡터 양자화시 최적 코드벡터를고속으로 찾을 수 있는 고속 부호화 알고리듬을 제안하였다. 제안된 방식은 주어진 코드북을 이용해서 입력 훈련용 벡터들의 최적 왜곡 (distortion) 값들을 구하고, 그러한 값들로부터 임계 값을 결정해서 입력 벡터의 한 요소 값과 최적 벡터의 해당 요소 값간의 왜곡이 이러한 임계값보다 크면, 그러한 요소를 포함하는 코드워드를 탐색宅 위에서 제외하여 코드북 내 탐색 대상 코드벡터를 결정한다.
제안 방법
- 乙 그리고을특정 요소로 선정하였다:斗°는 a번째 LSF 예측 에러 벡터의 b번째 요소값을 의미한다. AMR 음성 코덱의 ISP 코드북은 결정된 특정 요소의 크기 값을 기준으로 내림차순으로 재정렬시켰다. 이렇게 재정렬된 코드북과 임계값을 이용하여 고속 부호화과정이 수행되었고 실험결과는 다음 장에 기술되어 있다.
- 탐색 코드북의 크기를줄이기 위한 방법으로서 벡터의 MSE는 벡터내 요소의 MSE보다 항상크다는 사실을 이용한다. 그래서 훈련 벡터 MSE 값들의 통계 치들로부터 임계 값을 결정하고 입력 벡터내 특정 요소와 최적 코드벡터의 해당 요소간의 왜곡 값이 임계 값을 초과하지 않는 코드 벡터들을 선정한다. 즉 특정 요소간의 왜곡 값이 임계 값보다 큰 코드 벡터들은 입력벡터의 최적 코드 워드 후보가 될 수 없다.
- 탐색 코드북의 크기를줄이기 위한 방법으로서 벡터의 MSE는 벡터내 요소의 MSE보다 항상크다는 사실을 이용한다. 그래서 훈련 벡터 MSE 값들의 통계 치들로부터 임계 값을 결정하고 입력 벡터내 특정 요소와 최적 코드벡터의 해당 요소간의 왜곡 값이 임계 값을 초과하지 않는 코드 벡터들을 선정한다. 즉 특정 요소간의 왜곡 값이 임계 값보다 큰 코드 벡터들은 입력벡터의 최적 코드 워드 후보가 될 수 없다.
- 실험을 위해 50,000 개의 훈련용 샘플을 사용하였고, 100,000 개의 테스트용 샘플을 사용하였다. 제안된 방식에 의한 효율적인 탐색 시작점과 끝점을 찾기 위하여 LBG 알고리듬［4］에 의하여 설계된 코드북을 특정 요소의 크기 값에 따라 내림차순으로 정렬하였다.
- 본 논문에서는 메모리 증가와성능감쇄 없이 벡터 양자화시 최적 코드벡터를고속으로 찾을 수 있는 고속 부호화 알고리듬을 제안하였다. 제안된 방식은 주어진 코드북을 이용해서 입력 훈련용 벡터들의 최적 왜곡 (distortion) 값들을 구하고, 그러한 값들로부터 임계 값을 결정해서 입력 벡터의 한 요소 값과 최적 벡터의 해당 요소 값간의 왜곡이 이러한 임계값보다 크면, 그러한 요소를 포함하는 코드워드를 탐색宅 위에서 제외하여 코드북 내 탐색 대상 코드벡터를 결정한다. 또한 탐색 대상 코드벡터 의 결정을 효율적으로 하7' 위해 코드북 내 코드워드의 배 열 순서를 해당 요소 값으 크기에 따라 순차적으로 배열시킨다.
- 본 논문에서는 메모리 증가와성능감쇄 없이 벡터 양자화시 최적 코드벡터를고속으로 찾을 수 있는 고속 부호화 알고리듬을 제안하였다. 제안된 방식은 주어진 코드북을 이용해서 입력 훈련용 벡터들의 최적 왜곡 (distortion) 값들을 구하고, 그러한 값들로부터 임계 값을 결정해서 입력 벡터의 한 요소 값과 최적 벡터의 해당 요소 값간의 왜곡이 이러한 임계값보다 크면, 그러한 요소를 포함하는 코드워드를 탐색宅 위에서 제외하여 코드북 내 탐색 대상 코드벡터를 결정한다. 또한 탐색 대상 코드벡터 의 결정을 효율적으로 하7' 위해 코드북 내 코드워드의 배 열 순서를 해당 요소 값으 크기에 따라 순차적으로 배열시킨다.
- 제안된 알고리듬을 두 개의 양자화기에 적용하여 실험 하였다. 첫 번째는 LBG 알고리듬을 사용하여 설계된 일반적인 양자화기이다.
- 제안된 알고리듬을 두 개의 양자화기에 적용하여 실험 하였다. 첫 번째는 LBG 알고리듬을 사용하여 설계된 일반적인 양자화기이다.
- 제안된 알고리듬을 이용하여 벡터 양자화를 수행하기 위해서는 임계값 tfers을 훈련용 벡터들을 이용해서 통계적으로 결정하고, 아래와 같이 코드북을 재정렬하여야 한다.
- 이런 성질을 이용하여 입력벡터 3와 코드벡터 간의 거리를 구하는 대신, 특정 요소간의 거리만을 구함으로써 적은 계산량으로 많은 수의 코드벡터 들을 탐색 대상에서 제외시킬 수 있다. 탐색 대상 범위를 결정시 사용하는 벡터내 특정 요소는 벡터내 요소들 중 탐색구간을 가장 많이 감소시키는 요소를 실험적으로 구 한다.
- 이런 성질을 이용하여 입력벡터 3와 코드벡터 간의 거리를 구하는 대신, 특정 요소간의 거리만을 구함으로써 적은 계산량으로 많은 수의 코드벡터 들을 탐색 대상에서 제외시킬 수 있다. 탐색 대상 범위를 결정시 사용하는 벡터내 특정 요소는 벡터내 요소들 중 탐색구간을 가장 많이 감소시키는 요소를 실험적으로 구 한다.
- 86은 음성신호의 1차 자기 상관계수로 널리 사용되고 있는 값이다.） 두 번째는 기존의 AMR 음성 코덱에서 사용되고 있는 LSP 양자화기에 적용하여 실험하였다.
대상 데이터
- AMR 코덱의 LSP 벡터 양자화에 적용하기 위하여 1, 682, 080 개의음성샘플 (10, 513 프레 임)을 사용하였다.
- AMR 코덱의 LSP 벡터 양자화에 적용하기 위하여 1,682,080 개의음성샘플 （10,513 프레 임）을 사용하였다. 표 3과 4의 결과는 풀서치 알고리듬의 SNR성능과 동일한 성능을 얻었을 경우의 평균 탐색 범위와 탐색 범위의 감소율을 나타낸다.
- 1% 존재할 경우의 임계 값을 나타낸다. 실험을 위해 50,000 개의 훈련용 샘플을 사용하였고, 100,000 개의 테스트용 샘플을 사용하였다. 제안된 방식에 의한 효율적인 탐색 시작점과 끝점을 찾기 위하여 LBG 알고리듬［4］에 의하여 설계된 코드북을 특정 요소의 크기 값에 따라 내림차순으로 정렬하였다.
- 1% 존재할 경우의 임계 값을 나타낸다. 실험을 위해 50,000 개의 훈련용 샘플을 사용하였고, 100,000 개의 테스트용 샘플을 사용하였다. 제안된 방식에 의한 효율적인 탐색 시작점과 끝점을 찾기 위하여 LBG 알고리듬［4］에 의하여 설계된 코드북을 특정 요소의 크기 값에 따라 내림차순으로 정렬하였다.
데이터처리
- 실험을 위해 50,000 개의 훈련용 샘플을 사용하였고, 100,000 개의 테스트용 샘플을 사용하였다. 제안된 방식에 의한 효율적인 탐색 시작점과 끝점을 찾기 위하여 LBG 알고리듬［4］에 의하여 설계된 코드북을 특정 요소의 크기 값에 따라 내림차순으로 정렬하였다.
이론/모형
- 실제로 특정 요소의 크기순으로 재 정렬된 코드북의 시작점과 끝점을 효율적으로 결정하기 위하여 이진 (binary) 탐색 방법(3)을 사용하였다.
- 첫 번째는 LBG 알고리듬을 사용하여 설계된 일반적인 양자화기이다. 이때, training 벡터는 음성 신호의 모델링으로많이 사용되고 있는 q = 0.86 인 1차 Gauss Markov 소스가 이용되었다. （0.
성능/효과
- 12.2 kbps 모드에 제안된 알고리듬을 적용 하였을 경우 코드북 탐색 범위가 프레 임 당 58.07% 감소함을 표 3에서알 수 있다. 나머지 7개 모드에 적용할 경우 코드북 탐색범의를 최소 61.
- 12.2 kbps 모드에 제안된 알고리듬을 적용 하였을 경우 코드북 탐색 범위가 프레 임 당 58.07% 감소함을 표 3에서알 수 있다. 나머지 7개 모드에 적용할 경우 코드북 탐색범의를 최소 61.
- 제안된 알고리듬은 기존의 풀서치 알고리듬에 기하여 SD 성능 감쇄와 추가적 인 메모리 요구없이 탐색 2상 코드북의 크기를 줄임으로써 부호화과정의 복잡 도를감소시켰다. Gauss-Markov 소스의 경우 두개의 임계 값 7%rsi과 7%岱2을 적용하여 실험한 결과 풀서치 탐색방법에 비하여 코드북 평균 탐색 범위가 인경丄 최소 33.82%에서 최대 59.32%까지 감소하였고, 7”岱2인 경우 최소 59.70%에서 최대 77.73%까지 감소 하였다. AMR 코덱의 LSP모듈은 OakDSP 구현시 인코더 전치 계산량23.
- LSI' 모듈 계산량의 82.22%에 해당하는 3.7 MIPS의 계산 량을 필요로 하는 LSP 양자화 부분에 제안된 알고리듬을 적응한 결과, 코드북 평균 탐색 범위가 최소 58.07%에서 최디 64.07%까지 감소되어 약 2.22 MIPS의 계산량 감소 효고를 얻었다.
- （본 연구실에서 개발한 DSP 솔루션을 기준으로 하였다.） LSI' 모듈 계산량의 82.22%에 해당하는 3.7 MIPS의 계산 량을 필요로 하는 LSP 양자화 부분에 제안된 알고리듬을 적응한 결과, 코드북 평균 탐색 범위가 최소 58.07%에서 최디 64.07%까지 감소되어 약 2.22 MIPS의 계산량 감소 효고를 얻었다.
- 본 논문에서는 NNVQ를 위한 고속 부호화 알고리듬을 제안하였다. 제안된 알고리듬은 기존의 풀서치 알고리듬에 기하여 SD 성능 감쇄와 추가적 인 메모리 요구없이 탐색 2상 코드북의 크기를 줄임으로써 부호화과정의 복잡 도를감소시켰다. Gauss-Markov 소스의 경우 두개의 임계 값 7%rsi과 7%岱2을 적용하여 실험한 결과 풀서치 탐색방법에 비하여 코드북 평균 탐색 범위가 인경丄 최소 33.
- 본 논문에서는 NNVQ를 위한 고속 부호화 알고리듬을 제안하였다. 제안된 알고리듬은 기존의 풀서치 알고리듬에 기하여 SD 성능 감쇄와 추가적 인 메모리 요구없이 탐색 2상 코드북의 크기를 줄임으로써 부호화과정의 복잡 도를감소시켰다. Gauss-Markov 소스의 경우 두개의 임계 값 7%rsi과 7%岱2을 적용하여 실험한 결과 풀서치 탐색방법에 비하여 코드북 평균 탐색 범위가 인경丄 최소 33.
- 합당한 dE값은 충분히 많은 훈련 벡터들을 이용함으로써 구할 수 있다. 제안된 알고리듬을 효율적으로 적용하기 위해, 0과 1사이의 값을 갖는 조절인자 力를 이용하여 功岱값을 조절할 수 있다.
- 표 2는 표 1에서 결정된 두 개의 임계 값을 이용하여 할당 비트와 벡터의 차원을 변화시키면서 실험한 결과를 나타낸다. 풀서치 알고리듬과 비교시, 제안된 알고리듬에 임계 값 t屛跖을 적용하였을 경우 코드북 탐색 범위가 최소 33.82% 에서 최대 59.32%까지 감소하였고, thrs2을 적용하였을 경우 코드북 탐색 범위가 최소 59.70% 에서 최대 77.73%까지 감소하였다.
- 표 2는 표 1에서 결정된 두 개의 임계 값을 이용하여 할당 비트와 벡터의 차원을 변화시키면서 실험한 결과를 나타낸다. 풀서치 알고리듬과 비교시, 제안된 알고리듬에 임계 값 t屛跖을 적용하였을 경우 코드북 탐색 범위가 최소 33.82% 에서 최대 59.32%까지 감소하였고, thrs2을 적용하였을 경우 코드북 탐색 범위가 최소 59.70% 에서 최대 77.73%까지 감소하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.