Kvantizacija frekvencija spektralnih linija u adaptivnom koderu govornog signala s više brzina prijenosa primjenom modela s Gaussovim mješavinama

magistarski rad

• Naslov (engleski): Gaussian mixture model based quantization of line spectral frequencies for adaptive multirate speech codec
• Autor: Tihomir Tadić; MBZ: 329404
• Mentor: Davor Petrinović (mentor)
• Član povjerenstva: Mladen Vučić (predsjednik povjerenstva)
• Član povjerenstva: Davor Petrinović (član povjerenstva)
• Član povjerenstva: Ivica Kopriva (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; (Zavod za elektroničke sustave i obradbu informacija); Zagreb
• Datum i država obrane: 2010-09-23, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo; Obradba informacija
• Univerzalna decimalna klasifikacija (UDC): 004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka

Sažetak

U ovom radu istražena je mogućnost primjene modela sa Gaussovim mješavinama (engl. Gaussian Mixture Model, GMM) u svrhu kvantizacije frekvencija spektralnih linija (engl. Line Spectral Frequencies, LSFs) u adaptivnom koderu govornog signala s više brzina prijenosa (engl. Adaptive Multi-Rate codec, AMR). Primjenom GMM-a estimirana je parametarska reprezentacija funkcije gustoće vjerojatnosti (engl. probability distribution function, pdf) pogreške predikcije LSF parametara, koji reprezentiraju spektralnu ovojnicu govornog signala. Predložen je kvantizator spektralne ovojnice, koji za svaku komponentu mješavine koristi transformacijski koder temeljen na Karhunen-Loève transformaciji (KLT) i skalarnoj kvantizaciji (engl. Scalar Quantization, SQ) transformiranih reziduala. Istražena je mogućnost korištenja predloženog postupka kvantizacije u postojećem AMR koderu govornog signala isključivo uz izmjenu dijela algoritma koji se odnosi na kvantizaciju LSF vektora. Kao glavni doprinos, u svrhu bolje prilagodbe lokalnoj statistici izvora, ovaj rad razmatra prilagodbu entropijski ograničenog (engl. Entropy Constrained, EC) kodiranja dekoreliranih LSF reziduala za primjenu u AMR koderu fiksne brzine prijenosa. Napravljeno je objektivno vrednovanje i usporedba učinkovitosti sažimanja, računske složenosti i memorijskih zahtjeva polaznog i modificiranog sustava. Rezultati simulacija pokazuju da predloženi kvantizator ostvaruje bolje sažimanje od algoritama korištenih u referentnom AMR koderu, reducirajući prosječnu brzinu prijenosa do 7.33 bita/okviru, pri značajno manjoj računskoj složenosti i memorijskim zahtjevima, koji ne ovise o brzini prijenosa.

Sažetak (engleski)

In this thesis, the use of a Gaussian Mixture Model (GMM) based quantizer for quantization of Line Spectral Frequencies (LSFs) in the Adaptive Multi-Rate (AMR) speech codec is investigated. A parametric GMM model is estimated, modeling the probability density function (pdf) of the prediction error (residual) of mean-removed LSF parameters that are used in the AMR codec for speech spectral envelope representation. The studied GMM vector quantizer is based on transform coding using Karhunen-Loève transform (KLT) and transform domain scalar quantizers (SQ), individually designed for each Gaussian mixture. The applicability of such a quantization scheme in the existing AMR codec has been investigated by solely replacing the AMR LSF quantization algorithm segment. The main novelty in this thesis lies in applying and adapting the entropy constrained (EC) coding for fixed-rate scalar quantization of transformed residuals thereby allowing for better adaptation to the local statistics of the source. The compression efficiency, computational complexity and memory requirements of the proposed algorithm are studied and evaluated. Experimental results show that the GMM-based EC quantizer provides better rate/distortion performance than the quantization schemes used in the referent AMR codec by saving up to 7.33 bits/frame at much lower rate-independent computational complexity and memory requirements.

• Ključne riječi: model s Gaussovim mješavinama; Karhunen-Loève transformacija (KLT); frekvencije spektralnih linija (LSF); adaptivni koder govornog signala s više brzina prijenosa (AMR); kodiranje govornog signala; transformacijsko kodiranje; vektorska kvantizacija (VQ); skalarna kvantizacija s ograničenom entropijom (ECSQ)
• Ključne riječi (engleski): Gaussian mixture models (GMMs); Karhunen-Loève transform (KLT); line spectral frequency (LSF); Adaptive Multi-Rate (AMR); speech coding; transform coding; vector quantization (VQ); entropy constrained scalar quantizer (ECSQ)
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:775077
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: poslijediplomski znanstveni (magistarski); Akademski / stručni naziv: magistar inženjer računarstva (mag. ing. comp.)
• URL zapisa u katalogu: http://lib.fer.hr/cgi-bin/koha/opac-detail.pl?biblionumber=34145
• Vrsta resursa: Tekst
• Opseg: 107 str. ; 30 cm
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-19 08:37:41