[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS
Autor(a) principal: | |
---|---|
Data de Publicação: | 2007 |
Tipo de documento: | Outros |
Idioma: | por |
Título da fonte: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
Texto Completo: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@2 http://doi.org/10.17771/PUCRio.acad.9855 |
Resumo: | [pt] Em algumas aplicações, como por exemplo sinais de dados, a variância do sinal pode ser desconhecida, porém constante. Nesses casos, quantizadores adaptivos que utilizam algoritmos de estimação local da variância não são apropriados para a discretização do sinal. Algoritmos mais adequados para essa situação são aqueles que se preocupam em aprender a variância do sinal de entrada. Neste trabalho são examinados quatro algoritmos de aprendizagem de variância, com vistas ao seu emprego em quatização adaptiva. Um destes algoritmos, proposto por A. Gersho e D. J. Goodman, é um algoritmo de aproximação estocástica que converge com probabilidade 1. É mostrado que um outro algoritmo, também de aproximação estocástica, converge com probabilidade 1 para a aplicação em um quantizador adaptivo com entradas independentes. Os outros dois algoritmos consistem de modificações introduzidas sobre dois primeiros, com a finalidade de obter uma maior velocidade de convergência. Finalmente, é analisado, através de simulações em computador, o desempenho desses quatro quantizadores adaptivos quando usados em sistemas DPCM. |
id |
PUC_RIO-1_618bd08cad417c4fe2901fdf6e269bf7 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:9855 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
534 |
spelling |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS [pt] QUANTIZAÇÃO ADAPTIVA EM SISTEMAS DPCM [pt] VARIANCIA[pt] ALGORITMO[en] VARIANCE[en] ALGORITHM[pt] Em algumas aplicações, como por exemplo sinais de dados, a variância do sinal pode ser desconhecida, porém constante. Nesses casos, quantizadores adaptivos que utilizam algoritmos de estimação local da variância não são apropriados para a discretização do sinal. Algoritmos mais adequados para essa situação são aqueles que se preocupam em aprender a variância do sinal de entrada. Neste trabalho são examinados quatro algoritmos de aprendizagem de variância, com vistas ao seu emprego em quatização adaptiva. Um destes algoritmos, proposto por A. Gersho e D. J. Goodman, é um algoritmo de aproximação estocástica que converge com probabilidade 1. É mostrado que um outro algoritmo, também de aproximação estocástica, converge com probabilidade 1 para a aplicação em um quantizador adaptivo com entradas independentes. Os outros dois algoritmos consistem de modificações introduzidas sobre dois primeiros, com a finalidade de obter uma maior velocidade de convergência. Finalmente, é analisado, através de simulações em computador, o desempenho desses quatro quantizadores adaptivos quando usados em sistemas DPCM. [en] In some applications, such as data transmission, signal variance is unknown but constant. In such cases, adaptive quantizers using local variance estimation algorithms are not appropriate for the signal quantizations. The most suitable algorithms for this situation are those which learn the input signal variance. This work examines four variance learning algorithms for application in adaptive quantization. One of them, proposed by A. Gersho and D. J. Goodman, is a stochastic approximation algorithm which converges with probability one, when applied to adaptive quantization. The remaining two algorithms are modified versions of the first two, in order to obtain greater convergence speed. Finally, performance of these four adaptive quantizers, when used in DPCM systems, is analyzed through computer simulations. MAXWELLJOSE PAULO DE ALMEIDA E ALBUQUERQUEABRAHAM ALCAIM2007-05-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/otherhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@2http://doi.org/10.17771/PUCRio.acad.9855porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2017-09-14T00:00:00Zoai:MAXWELL.puc-rio.br:9855Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342017-09-14T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.none.fl_str_mv |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS [pt] QUANTIZAÇÃO ADAPTIVA EM SISTEMAS DPCM |
title |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
spellingShingle |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS ABRAHAM ALCAIM [pt] VARIANCIA [pt] ALGORITMO [en] VARIANCE [en] ALGORITHM |
title_short |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
title_full |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
title_fullStr |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
title_full_unstemmed |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
title_sort |
[en] ADAPTIVE QUANTIZATION IN DPCM SYSTEMS |
author |
ABRAHAM ALCAIM |
author_facet |
ABRAHAM ALCAIM |
author_role |
author |
dc.contributor.none.fl_str_mv |
JOSE PAULO DE ALMEIDA E ALBUQUERQUE |
dc.contributor.author.fl_str_mv |
ABRAHAM ALCAIM |
dc.subject.por.fl_str_mv |
[pt] VARIANCIA [pt] ALGORITMO [en] VARIANCE [en] ALGORITHM |
topic |
[pt] VARIANCIA [pt] ALGORITMO [en] VARIANCE [en] ALGORITHM |
description |
[pt] Em algumas aplicações, como por exemplo sinais de dados, a variância do sinal pode ser desconhecida, porém constante. Nesses casos, quantizadores adaptivos que utilizam algoritmos de estimação local da variância não são apropriados para a discretização do sinal. Algoritmos mais adequados para essa situação são aqueles que se preocupam em aprender a variância do sinal de entrada. Neste trabalho são examinados quatro algoritmos de aprendizagem de variância, com vistas ao seu emprego em quatização adaptiva. Um destes algoritmos, proposto por A. Gersho e D. J. Goodman, é um algoritmo de aproximação estocástica que converge com probabilidade 1. É mostrado que um outro algoritmo, também de aproximação estocástica, converge com probabilidade 1 para a aplicação em um quantizador adaptivo com entradas independentes. Os outros dois algoritmos consistem de modificações introduzidas sobre dois primeiros, com a finalidade de obter uma maior velocidade de convergência. Finalmente, é analisado, através de simulações em computador, o desempenho desses quatro quantizadores adaptivos quando usados em sistemas DPCM. |
publishDate |
2007 |
dc.date.none.fl_str_mv |
2007-05-07 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/other |
format |
other |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@2 http://doi.org/10.17771/PUCRio.acad.9855 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@2 http://doi.org/10.17771/PUCRio.acad.9855 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
MAXWELL |
publisher.none.fl_str_mv |
MAXWELL |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
repository.mail.fl_str_mv |
|
_version_ |
1814822563117793280 |