Codificación y compresión de señales de voz con cuantización vectorial no determinística
Abstract
En los sistemas de transmisión [1] actuales es de vital importancia garantizar la integridad de la información y a su vez, que ésta se encuentre protegida de cualquier ambiente externo que exponga la misma a fuentes no deseadas. Por esto la codificación se ha convertido en una de las herramientas más importantes para garantizar la seguridad y exclusividad de la información entre su origen y destino; frecuentemente encontramos que las señales que involucran información son de tamaños mayores y, por lo tanto, su procesamiento y transmisión es más complicado, por esto la alternativa de utilizar métodos de compresión de datos también es usada frecuentemente; en este artículo es utilizada la técnica de cuantización vectorial no determinística para codificar y comprimir la información. De la misma forma, es posible encontrar que al elevar el grado de compresión e implementar algoritmos de codificación se encuentran problemas que comprometen la calidad de la información, es posible que al querer recuperar los datos originales características propias del procesamiento de datos generan pérdidas en la inteligibilidad de la señal original, para esto son utilizadas técnicas diversas como el algoritmo LMS de filtrado adaptativo y así obtener un aprovechamiento significativo.
Downloads
References
[2] Y. Akaiwa, T. Nomura, and S. Minami, “An integrated voice and data radio access system” Vehicular Technology Conference, 1992 IEEE 42nd, Vol. 1, pp. 255- 258.
[3] G. ChuanYiong and Z. ShaoRen, “Dynamic compression and storage of voice information in the distributed voice information database” Communication Technology ICCT 1996, Vol. 1, pp. 127-200.
[4] A. Benyassine, E. Sholomot, H.-Y. Su, D. Massaloux, C. Lamblin and J.-P. Petit, “ITU-T Recommendation G.729 AnnexB: a silence compression scheme for use with G.729 optimized for V.70 digital simultaneous voice and data applications” Communication Magazine IEEE 1997, Vol. 35, pp. 64-73.
[5] M. Abe, S. Nakamura, K. Shikano and H. Kuwubara, “Voice conversion through vector quantization” International Acoustics, Speech and Signal Processing, 1998, Vol. 1, pp. 655-658.
[6] A. Gersho and R. M. Gray, “Vector Quantization and Signal Compression”, Ed. Springer, 1992, 760p, ISBN: 0792391810.
[7] T. Lookabaugh, E. A. Riskin, P. A. Chou and R. M. Gray, “Variable rate vector quantization for speech, image and video compression” IEEE Transactions on Communications, 1993, Vol. 41, pp. 186-199.
[8] H. R. S. Mohammadi and W. H. Holmes, “Low cost vector quantization methods for spectral coding in low rate speech coders” International Acoustics, Speech and Signal Processing, 1995, Vol. 1, pp. 720-723.
[9] C. J. Kuo and L. Chang-Shyan, “Viterbi-based algorithm for side-match vector quantization over noisy channels” IEEE Transactions on Communications, 1996, Vol. 44, pp. 1455-1465.
[10] C. Moreno and F. Labeau, “Variable Frame Size for Vector Quantization” IEEE International Conference on Acoustics, Speech and Signal Processing, 2006, Vol. 3, pp. III-III.
[11] A. Mouchtaris, Y. Agiomyrqiannakis and Y. Stylianou, “Conditional Vector Quantization for Voice Conversion” IEEE International Conference on Acoustic, Speech and Signal Processing, 2007, Vol. 4, pp. IV-505-IV-508.
[12] W. A. Sethares, J. A. Bucklew, “Local Stability of the Median LMS Filter”, IEEE Transactions on Signal Processing, 1994, Vol. 42, No 11, pp. 2901-2905.
[13] S. H. Leung, C. C. Chu, “Adaptive LMS Filter with Lattice Prefilter”, Electronics Letters, 1997, Vol. 33, No 1, pp. 34-35.
[14] H. J. Butterweck, “A Wave Theory of Long Adaptive Filters”, IEEE Transactions on Circuits and Systems – Fundamental Theory and Applications, Vol. 48, No 6, pp. 739-747.
[15] G. Saxena, S. Ganesan, M. Das, “Real Time Implementation of Adaptive Noise Cancellation”, IEEE International Conference on Electro/Information Technology, pp. 431-436.
