Página principal › Índice multilingüe del archivo › Quantization del vector

Quantization del vector

Quantization del vector es un clásico quantization técnica de proceso de señal cuál permite modelar de las funciones de la densidad de la probabilidad por la distribución de los vectores del prototipo. Fue utilizado originalmente para compresión de datos. Trabaja dividiendo un sistema grande de puntos (vectores) en los grupos que tienen aproximadamente el mismo número de los puntos más cercanos a ellos. Su representa a cada grupo del centro de figura punto, como adentro k-significa y algún otro el arracimar algoritmos.

La característica que empareja de la densidad del quantization del vector es de gran alcance, especialmente para identificar la densidad de datos grandes y alto-dimensionados. Puesto que los puntos de referencias son representados por el índice de su del centro de figura más cercano, los datos comúnmente que ocurren tienen error bajo, y error de los datos raros alto. Esta es la razón por la cual VQ es conveniente para compresión de datos del lossy. Puede también ser utilizado para la corrección de los datos del lossy y valoración de la densidad.

El quantization del vector se basa en el aprender competitivo el paradigma, así que se relaciona de cerca con mapa de auto-organización modelo.

Entrenamiento

Un algoritmo simple del entrenamiento para el quantization del vector es:

1. Escoja un punto de la muestra al azar
2. Mueva el centro de figura más cercano del vector del quantization hacia este punto de la muestra, por una fracción pequeña de la distancia
3. Repetición

Un algoritmo más sofisticado reduce el diagonal en la valoración que empareja de la densidad, y se asegura de que todos los puntos están utilizados, incluyendo un parámetro adicional de la sensibilidad:

1. Aumente la sensibilidad de cada centro de figura en una cantidad pequeña
2. Escoja un punto de la muestra al azar
3. Encuentre el vector del quantization del centro de figura con la distancia-sensibilidad <más pequeña>
   1. Mueva el centro de figura elegido hacia el punto de la muestra por una fracción pequeña de la distancia
   2. Fije la sensibilidad del centro de figura elegido a cero
4. Repetición

Es deseable utilizar un horario que se refresca para producir convergencia: vea Recocido simulado.

El algoritmo se puede poner al día iterativo con datos “vivos”, más bien que escogiendo puntos al azar de un modem, pero éste introducirá un cierto diagonal si los datos se correlacionan temporal sobre muchas muestras.

Usos

El quantization del vector se utiliza para la compresión de datos del lossy, la corrección de los datos del lossy y la valoración de la densidad.

La corrección de los datos del lossy, o la predicción, se utiliza para recuperar los datos que faltan de algunas dimensiones. Es hecho encontrando al grupo más cercano con las dimensiones de los datos disponible, entonces prediciendo el resultado basado en los valores para las dimensiones que falta, si se asume que tendrán el mismo valor que el centro de figura del grupo.

Para valoración de la densidad, el área/volumen que está más cercano a un centro de figura particular que a cualquier otra es inverso proporcional a la densidad (debido a la característica que empareja de la densidad del algoritmo).

Uso en la compresión de datos

Vector el quantization, también llamado “quantization del bloque” o “el quantization de la concordancia con el modelo” es de uso frecuente adentro compresión de datos del lossy. Trabaja codificando valores de un multidimensional espacio del vector en un sistema finito de valores de un discreto subspace de una dimensión más baja. Un vector del bajo-espacio requiere menos espacio de almacenaje, así que se comprimen los datos. Los gracias a la característica que empareja de la densidad del quantization del vector, los datos comprimidos tienen errores que sean inverso proporcionales a su densidad.

La transformación se hace generalmente cerca proyección o usando a codebook. En algunos casos, un codebook se puede también utilizar a código de la entropía el valor discreto en el mismo paso, generando a prefijo cifrado valor codificado variable-length como su salida.

El sistema de niveles de amplitud discretos es quantized en común más bien que cada muestra que es quantized por separado. Considere a K- vector dimensional [x₁,x₂,...,x_k] de los niveles de amplitud. Es comprimido eligiendo el vector que empareja más cercano de un sistema de N- vectores dimensionales [y₁,y₂,...,y_n].

Todas las combinaciones posibles del N- vector dimensional [y₁,y₂,...,y_n] forme el codebook.

Diagrama de bloque: Un quantizer simple del vector se demuestra abajo

Solamente el índice del codeword en el codebook se envía en vez de los valores quantized. Esto conserva el espacio y alcanza más compresión.

Quantization gemelo del vector (VQF) es parte de MPEG-4 el ocuparse estándar de dominio de tiempo cargó el quantization interpolado del vector.

Codecs video basados en el quantization del vector

• Cinepak

y viejas versiones de sus sucesores espirituales:

• Codec de Sorenson
• Indeo
• Formato de VQA de Westwood, usado en muchos juegos

Cuáles son reemplazados por la familia del MPEG.

Codecs audio basados en el quantization del vector

• CELP
• G.729
• TwinVQ
• Ogg Vorbis ^[1]
• AMR-WB+
• DTS

Vea también

• codificación del discurso
• Ogg Vorbis
• Diagrama de Voronoi
• función de la tarifa-distorsión
• el arracimar de los datos
• Quantization del vector que aprende
• Tessellation de Centroidal Voronoi

La parte de este artículo fue basada originalmente en el material del Diccionario en línea libre de computar y se utiliza con permiso debajo del GFDL.

Referencias

1. ^ Especificación de Vorbis I. Xiph.org (2007-03-09). Recuperado encendido 2007-03-09.

Acoplamientos externos

• http://www.data-compression.com/vq.html
• QccPack - Quantization, compresión, y biblioteca de la codificación (fuente abierta)
• http://www.geocities.com/mohamedqasem/vectorquantization/vq.html