现代通信原理(06).ppt

1 现代通信原理 第六章自适应差分脉码调制 2 单元概述 差分脉冲编码调制由增量调制演变而来 它用二进制码组对信号的差值进行幅度量化和编码 这里所谓 差分 又称 差值 是一般意义上的 增量 即信号的当前抽样值与预测值之差 ADPCM之所以能用较小的码组编码 而获得接近PCM的量化信噪比 其关键在于 预测 预测 得越准确 差值 就会越小 就可以用较少的位数量化而具有较小的量化噪声 3 单元学习提纲 1 差分脉冲编码调制原理和方框图 差值信号 预测信号 重建信号的含义 差分脉冲编码调制的编码增益 2 线性预测原理 极点预测和零点预测的基本概念和物理意义 3 自适应预测和自适应量化的基本概念和物理意义 4 第六章自适应差分脉码调制 ADPCM 6 1概述8位PCM编码 对于语音传输 其速率为64K 需要32K的带宽 多用于有线传输 在无线通信 特别是移动通信中 带宽资源是非常宝贵 一般要求信号具有更低的速率以减小传输带宽 数字化图像一般有96M的速率 占用48M的带宽 就更需要重新设计信源编码形式 以降低速率或数据量 便于传输和存储 这就提出了压缩的问题 5 语音压缩编码技术 低于64kb s数码率的语音编码技术 差分脉码调制 DPCM 自适应差分脉码调制 ADPCM 子带编码 SBC 矢量量化编码 VQ 6 6 2DPCM的基本原理 任何信号 不论语音或图像 采用直接采样 量化 编码的方式进行编码 都会发现码组之间具有很强的相关性 由于相关性的存在 传输数据中存在大量不需要传输的信息 称为冗余 DPCM就是通过预测和差分编码方式来减少冗余 实现数据压缩的目的 7 什么是预测 知道某时刻以前信号的表现 就可以推断它以后的数值 具体到信号的采样过程 就是通过前几次的样值来预测后一次的样值 8 假如有一个信号m t 用速率1 TS进行采样 那么在时刻t nTs 我们可以掌握此前N个样值序列M nTs m nTs Ts m nTs 2Ts m nTs NTs 根据前N个样值对m nTs 进行预测 定义为 m nTs 的预测值 Wi 加权常数 9 预测过程可以用以下抽头延时滤波器实现 10 DPCM系统原理框图 11 差分脉码调制 对信号采样值和预测值的差值进行量化编码并传输 接收端将接收到的差值和恢复的预测值相加得到此次采样值 由于只传输动态范围较小的差值 所以编码的码组不需太长 在DPCM中 一般采用4位 12 发送端 差值信号d k s k se k 量化后得到的dq k 一方面送入编码器 另一方面送入本地解码器产生斜变信号se k 接收端 先经过PCM解码恢复dq k 在经过积分器和LPF即恢复出模拟信号sr k 13 DPCM的系统总量化误差 总量化误差只和差值信号的量化误差有关 14 系统总的量化信噪比等于预测增益与差值量化信噪比的乘积 15 预测增益 差值信号量化信噪比 要使信号总信噪比大 就要使预测增益大 也就是增加预测的准确性 同时还要求降低量化噪声 DPCM就是研究如何使这两个参数最大 提出了ADPCM 自适应差分量化编码 的思想 16 线性预测网络可分为极点预测器和零点预测器两种1 极点预测器 17 设发送系统预测量化器传递函数为D Z 式中ai是一组预测系数 18 接收系统重建滤波器传递函数H Z 由于重建滤波器传递函数只有极点没有零点 故称为全极点预测器 19 20 2 零点预测器 21 若预测信号为 Bi是一组预测系数 则重建信号为 22 重建滤波器的传递函数只有零点没有极点 称为全零点预测器 23 3 极零点预测器 24 从发送端 从接收端 传递函数 有零点有极点 称为极零点预测器 25 4 最佳线性预测器预测器具有一组预测系数ai bi 怎样选择这一组数据 使预测值更接近实际值 实现GP和SNR的最大 是最佳预测器所要解决的问题 怎样选择一组系数ai bi 使差值功率E d2 最小 可以通过求极限 26 对于一极点预测器 求偏微分 并令为零 27 所以得到一组线性方程 28 差值信号在预测系数取最佳值时最小 有 29 并假设信号与噪声无关 最佳预测增益 30 5 GP与预测阶数的关系预测通常要选用前多少次的样值来参与 见下图 当阶数大于2时 最佳预测增益就趋于饱和 饱和值一般为6 12dB 31 6 3自适应预测 为了获得最大的预测增益 通常采用自适应预测方式 预测系数在预测过程中实时调整 1 前向自适应预测算法如前所述 根据短时间的相关特性R i 求短时的最佳预测系数 运算量大 延迟时间大 不能用于高速系统 32 2 后向序贯自适应预测算法在dq k 最小的情况下 找出最佳预测系数 采用不断修正预测系数 ai k 的方法来减小瞬时平方差dq2 k 使 ai k 不断接近 aiopt k Widrow提出的LMS算法 33 梯度符号算法 以下来说明 差值信号 实际信号 预测信号 表达式为 34 预测过程如上图所示 此次预测系数ai越大 此次的预测值Sr k 就越大 35 1 若预测信号Sr k 0 差值dq k 0 在正信号情况下预测值小于实际值 应增加下一次的预测系数使预测值增加 36 2 若预测信号Sr k 0 差值dq k 0 在正信号情况下预测值大于实际值 应减小下一次的预测系数使预测值减小 37 3 若预测信号Sr k 0 在负信号情况下预测值大于实际值 应减小下一次的预测系数使预测值减小 38 4 若预测信号Sr k 0 差值dq k 0 在负信号情况下预测值小于实际值 应增加下一次的预测系数使预测值增加 39 6 4自适应量化 自适应预测解决了预测增益最大的问题 自适应量化主要解决量化信噪比最大的问题 这里的量化是指对差值信号的量化 功率变化大 动态范围大 的信号 量化器参数 量化电平 dqn 分层电平 dn 量阶 应能跟上输入信号方差的变化 40 介绍以下两种方式 1 前向自适应量化 按输入信号的方差来调整量化电平 dqn 和分层电平值 dn d2大 用大量阶 d2小 用小量阶 这种方法在实时系统不易实现 41 2 后向自适应量化根据前一时刻的输出数字码I k 1 或量化器输出值 dqn k 1 来确定本次 dn k 与 dqn k 是目前常用的方法 Jayant提出的后向自适应算法 本次量化间隔 前一次量化间隔 量化调整因子 42 上式算法在有传输误码情况下 会产生误码扩散问题 因此采用修正式 抗误码因子M I K 量化间隔调整因子 43 对于L 16的DPCM DPCM通常采用4位编码 L 16 此表是绝对值 共8组值 正负信号刚好表示16个值 Jayant等人根据大量实验确定了不同量化电平L时DPCM量化器的M值见下表 44