[发明专利]编码方法、编码器、解码方法及解码器

说明书

技术领域

本发明涉及通信领域，尤其涉及矢量量化技术。

背景技术

随着通信系统中高速率数据服务的发展，宽带语音(50～7000Hz)编码 技术得到了越来越广泛的应用。线性预测分析技术(LPA，Linear Predictive  Analysis)是目前进行语音信号分析的最有效的技术之一，也是代数码激励线 性预测模型(ACELP，Algebraic Code Excited Linear Prediction)中的一个关 键环节，它为模拟声道的频率特性提供了一组简洁的模型参数。LPA的模型 参数具有多种表达形式，其中，导抗谱频率(ISF，Immittance Spectral  Frequencies)参数因其许多优良的特性更加适合矢量量化，得到了广泛的应用。 例如，在第3代合作伙伴计划2(3GPP2，3rd Generation Partnership Project 2) 的宽带自适应多速率(AMR-WB，Adaptive Multi-Rate-Wideband)和宽带变 速率多模式(VMR-WB，Variable-Rate Multimode Wideband)语音编码标准中， 都采用了ISF参数。

宽带语音通常需要16阶线性预测系数才能较好的表征语音的谱包络信 息。如果直接对整个矢量进行矢量量化，将导致非常高的空间和时间复杂度。 因此，一些针对谱参数量化的次优量化方法相继提出，如预测矢量量化、分 裂矢量量化、多级矢量量化、代数矢量量化等。预测分裂矢量量化方法结合 了预测矢量量化和分裂矢量量化的优点，利用谱参数的帧间相关性，使用预 测的方法减小了待量化矢量的动态范围，使用分裂的方法减小了时间和空间 复杂度，对ISF参数有良好的量化效果，获得了广泛的应用。

发明人在实现本发明的过程中，发现现有技术至少存在以下缺点：虽然 预测技术提高了量化的效果，但是由于预测要使用量化的历史值，所以，在 发生帧丢失的情况下，就会有错误的延续。现有的预测模型主要有移动平均 (MA，Moving Average)预测和自回归(AR，Autoregressive)预测。在相同 量化比特数下，AR预测的量化效果更好，但是，在帧丢失情况下，错误延续 比较严重，会严重影响语音质量，MA预测虽然可以把错误的延续控制在下一 帧，但会严重降低量化效果。由此可见，现有的矢量量化的量化质量比较低。

发明内容

本发明目的在于提供编码方法、编码器、解码方法、解码器、矢量量化 系统、矢量量化方法及装置，用以提高矢量量化的量化质量。

一种清音或过渡音模式下的编码方法，包括：判断语音信号的种类；获 得去均值后的无偏矢量；在所述语音信号为所述清音或所述过渡音模式的 情况下，对所述去均值后的无偏矢量进行矢量分裂，得到多个分裂子矢量； 对所述多个分裂子矢量进行矢量量化，得到一组码字索引值。

一种清音或过渡音模式下的编码器，包括：语音信号种类判别单元，用 于判断语音信号所属的种类；无偏矢量获得单元，用于获得去均值后的无偏 矢量；矢量分裂单元，用于在所述语音信号为所述清音或所述过渡音模式的 情况下，对所述无偏矢量获得单元获得的去均值后的无偏矢量进行矢量分裂， 得到多个分裂子矢量；矢量量化单元，用于对所述矢量分裂单元得到的多个 分裂子矢量进行矢量量化，得到一组码字索引值。

一种清音或过渡音模式下的解码方法，包括：判断语音信号的种类；在 所述语音信号为所述清音或所述过渡音模式的情况下，获得一组码字索引 值；根据每个码字索引值获得对应的分裂子矢量；将获得的分裂子矢量重构 为去均值后的无偏矢量；根据所述去均值后的无偏矢量，获得量化后的目标 矢量。

一种清音或过渡音模式下的解码器，包括：语音信号种类判别单元，用 于判断语音信号所属的种类；码字索引值获得单元，在所述语音信号为所述 清音或所述过渡音模式的情况下，用于获得一组码字索引值；分裂子矢量获 得单元，用于根据所述码字索引值获得单元获得的每个码字索引值获得对应 的分裂子矢量；无偏矢量重构单元，用于将所述分裂子矢量获得单元获得的 分裂子矢量重构为去均值后的无偏矢量；目标矢量获得单元，用于根据所述 无偏矢量重构单元重构的去均值后的无偏矢量，获得量化后的目标矢量。