Académique Documents
Professionnel Documents
Culture Documents
ar
i-L
zir
IT
ja
D
S.
EN
La Quantification scalaire prédictive
La Quantification scalaire prédictive
Introduction
bi
ar
-L
• Lorsque le signal à quantifier est corrélé, il est avantageux de le
i
zir
décorréler avant de le quantifier.
IT
• Avantages :
ja
I réduction de la distorsion due à la quantification
D
I réduction du débit
S.
EN
• La décorrélation peut se faire avec la prédiction linéaire du signal
Prédiction linéaire
bi
• Exprimer x (n) comme une combinaison linéaire pondérée par les
ar
coefficients ai de ses valeurs passées :
-L
PP
x̂ (n) = i=1 ai x (n − i)
i
• Erreur de prédiction :
zir PP
e(n) = x (n) − x̂ (n) = x (n) − i=1 ai x (n − i)
IT
ja
D
⇒ décorrélation totale. EN
• sinon, si x (n) n’est que partiellement AR et/ou P n’est pas le bon
ordre du modèle, alors e(n) est un signal coloré (corrélé), mais moins
que x (n)
⇒ décorrélation partielle.
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 35 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
Minimiser l’EQM : σe2 = E [(e(n))2 ] par rapport aux ai
ar
Formulation matricielle du problème :
i -L
x (n − 1) zir a1 ∂σe2 ∂e(n)
.. .. = 2E [e(n) ]=0
x= .
, a =
.
∂a ∂a
t
⇒ E [(x (n) − a x)x] = 0
IT
ja
x (n − P) aP
⇒ E [x (n)x] = E [at xx] = E [xxt a]
D
et ⇒ rx = Rx a
⇒ aopt = R−1
S.
rx (1)
rx (0)
EN ··· rx (P − 1)
.
..
.. .. ..
avec rx =
et Rx =
. . .
rx (P) rx (P − 1) ··· rx (0)
bi
ar
I Equations normales, de Wiener-Hopf ou de Yule-Walker : rx = Rx aopt
-L
• Rx est la matrice d’autocorrélation de x (de Toeplitz et symétrique),
i
• aopt est le vecteur des paramètres AR optimaux, pour un ordre P donné.
zir
IT
ja
I Calcul de la puissance de l’erreur de prédiction minimale σe2 (P) :
D
σe2 (P) = E [(x (n) − atopt x)2 ] = E [(x (n)2 − 2x (n)xt aopt + atopt xxt aopt ]
= rx (0) − 2E [x (n)xt aopt ] + atopt rx
S.
=
=
rx (0) − rxt aopt
PP
rx (0) − i=1 aiopt rx (i)
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 37 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
ar
PP
I L’équation aux différences du modèle : e(n) = x (n) − i=1 ai x (n − i)
-L
PP −i
I TZ : E (z) = (1 − i=1 ai z )X (z) = (1 − A(z))X (z)
i
zir 1
1. Filtre blanchisseur : 1 − A(z) 2. Filtre de synthèse : H(z) = 1−A(z)
IT
ja
D
S.
σe2
= PP
σe2
|1 − A(f )|2
|1 − i=1 ai e j2πf |2
bi
ar
i -L
zir
IT
ja
D
S.
EN
Un bon choix de P ⇒ Une meilleure approximation de la DSP du signal
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 39 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
ar
i -L
zir
IT
ja
D
S.
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 40 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
ar
-L
• Le prédicteur ne capte que l’enveloppe spectrale
i
zir
• L’enveloppe spectrale du signal résiduel e(n)(sortie du filtre
IT
ja
blanchisseur) est plate mais la structure harmonique est préservée.
D
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 41 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
ar
i -L
zir
IT
ja
D
S.
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 42 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
ar
-L
• Le prédicteur ne capte que l’enveloppe spectrale
i
zir
• L’enveloppe spectrale du signal résiduel e(n)(sortie du filtre
IT
ja
blanchisseur) est plus plate que celle du signal original.
D
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 43 / 72
La Quantification scalaire prédictive Rappels prédiction linéaire
bi
Cas S(k) discret (TFD) :
ar
qQ P
N N−1 1 N−1
k=0 S(k)
exp ln(S (k))
-L
N k=0 x fe
ν = 1 PN−1 = PN−1 , k≡k
k=0 Sx (k)
1
k=0 Sx (k)
N
i
N zir N
Cas S(f ) continue (TFtd) :
R
IT
1/2
ja
exp −1/2 ln(Sx (f ))df
ν= , f fréq. réduite
D
R 1/2
S (f )df
−1/2 x
S.
EN
• plus un signal est blanc, plus ν sera proche de 1,
• un signal sinusoı̈dal a un ν qui tend vers 0.
bi
ar
i -L
zir
filtre prédicteur : A(z) = Pi=1 ai z −P
P
I
IT
ja
I filtre blanchisseur : 1 − A(z)
D
I
I
EN
erreur de reconstruction : q̄(n) = x (n) − x̂ (n)
bi
RSB Quantification scalaire (rappel)
ar
E [e(n)2 ] σe2 22R
-L
= =
E [(e(n) − ê(n))2 ] σq2 c
i
RSB Quantification scalaire predictive :
zir
E [x (n)2 ] σx2 σx2 σe2 σx2 22R
σq̄2 = σq2
IT
ja
= = = , car
E [(x (n) − x̂ (n))2 ] σq̄2 σe2 σq2 σe2 c
D
|{z}
Gp
S.
σx2 −2R
EN
⇒ σq2 = σq̄2 = c
Gp
2
bi
ar
I Il n’est pas raisonnable de transmettre le signal prédit xp (n) au décodeur
⇒ on code et on transmet les coefficients de prédiction ai :
-L
I Schéma en boucle fermée ⇒ le codeur contient une partie du décodeur
i
zir
Erreur de quantification :
IT
ja
q(n) = e(n) − ê(n),
or e(n) = x (n) − xp (n)
D
EN ⇓
d’où on a toujours :
q(n) = q̄(n)
bi
On fait encore mieux : on ne transmet que l’erreur de prédiction et on
ar
calcule les coefficients de prédiction au décodeur : prédiction arrière
i -L
zir
IT
ja
D
S.
EN
Prédiction avant (forward) : A(z) est calculé avec x (n)
Prédiction arrière (backward) : A(z) est calculé avec x̂ (n)