导读:本文包含了预测编码论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:高效,视频,脉冲,单元,语音,差分,时域。
预测编码论文文献综述
吕雪靖,侯欣[1]（2019）在《听觉预测编码：对声音重复和变化的神经反应》一文中研究指出预测编码被认为是脑与复杂环境交互的重要机制之一,有效感知外界环境并对未来事件做出预测,对个体生存有着至关重要的意义。人类大脑会基于感觉输入以迭代的方式持续优化表征外部环境的内部模型,并不断预测接下来的感觉输入。以听觉模态为例,人类及动物对声音重复和听觉变化的神经反应(如失匹配负波和刺激特异性适应)是大脑预测编码的重要体现,表现为重复抑制和预测误差。结合人类和动物模型在此理论框架下开展跨物种研究将有助于加深我们对听觉加工,甚至是大脑工作机制的认识。(本文来源于《心理科学进展》期刊2019年12期）
曾冬梅[2]（2019）在《基于预测编码的语音压缩技术研究》一文中研究指出数字化的语音信号具有非常巨大的数据量,语音信号的存储、传输和处理对计算机的性能、数据传输率和信道带宽提出极高的要求。解决此问题的一种方法是应用语音信号压缩技术,其重要分支之一是预测编码。这是一种较早用于信源编码的技术,利用信源的相关性对数据进行压缩。文章介绍了预测编码及两种相关的压缩方法:DPCM和ADPCM,并在Matlab中对它们进行仿真,对得到的结果进行分析后得到有关的结论,验证了ADPCM编码方法优于DPCM编码方法。(本文来源于《无线互联科技》期刊2019年14期）
李跃[3]（2019）在《基于深度学习的帧内预测编码技术研究》一文中研究指出最新一代视频压缩标准是高性能视频编码(High Efficiency Video Coding,HEVC)。相比于H.264,HEVC能够在相同主观质量下实现近一半的码率节省。然而,HEVC中包含的主要模块仍是经过手工设计和优化得到。手工设计通常依赖于信号平稳的假设,而自然视频特性十分复杂,因此HEVC中模块的最优性很难保证。深度学习可以从训练数据中自动学习出特征提取器,适合于解决有监督学习问题。目前深度学习在很多计算机视觉任务中取得了巨大的成功。受此启发,本文使用深度学习来解决视频帧内预测中的部分问题。本文的第一个贡献点是提出了基于深度学习的块上采样编码技术。变采样编码,即编码之前下采样编码之后上采样,是压缩高清视频的一种常见策略。传统的变采样编码方案大多采用手工设计的上采样滤波器,极大地限制了性能。因此本文的第一个工作包含以下创新点以提升编码性能:本文设计了用于亮度和色度分量上采样的卷积神经网络;本文提出了将上采样卷积神经网络高效集成到帧内编码框架的方案;本文提出了一个两阶段上采样过程,其中第一阶段在逐块编码循环内,第二阶段在循环之外以改善编码单元边界处的重建;本文推导了下采样块的编码参数以达到帧级率失真最优。本文的第二个贡献点是提出了基于深度学习的块下采样编码技术。传统的变采样编码方案大多采用手工设计的下采样滤波器,造成重要信息的丢失。因此本文的第二个工作包含以下创新点以提升编码性能:本文在图像压缩的背景下,定义了图像超分辨率(Super-Resolution,SR)的对偶问题——图像分辨率压缩(Compact-Resolution,CR),并对CR提出两个约束项,以保证其适合作为变采样编码中的下采样滤波器;本文提出一种基于卷积神经网络的方法用于图像CR,并将关于图像CR的两个约束转化成CR网络训练时的优化目标;本文探索了不同的训练策略和网络结构。本论文的第叁个贡献点是提出了基于深度学习的交叉通道预测技术。当前主流的交叉通道预测技术是线性模型方法。虽然其简单高效,但是对于大的图像块和复杂内容过于简单。因此本文的第叁个工作包含以下创新点以提升编码性能:本文提出一种混合神经网络(既包括全连接层又包括卷积层)用于交叉通道预测;本文提出一种变换域的损失函数用于网络训练,以使得残差的变换系数具有更紧凑的分布;本文系统研究了网络超参数对预测性能的影响。(本文来源于《中国科学技术大学》期刊2019-05-01）
高原,施云惠,韩妍妍,曾萍,尹宝才[4]（2019）在《附加法向信息的叁维网格预测编码》一文中研究指出为提升叁维网格的压缩性能,提出了一种网格法向与几何帧内-帧间预测编码方法.该方法充分利用法向数据内部分量间(帧内)及几何与法向数据间(帧间)的相关性,实现附加法向信息的叁维网格压缩,有效保持解码后叁维网格的几何特性.实验结果表明,提出的预测编码方法相比分别压缩叁维网格法向与几何数据,能够显着提高附加法向信息叁维网格的压缩效率.(本文来源于《北京理工大学学报》期刊2019年01期）
于兴中[5]（2018）在《预测编码在司法中的应用简介》一文中研究指出预测编码是一种利用计算机技术审查、分析和处理大量文档的技术。预测编码在特定算法支持下进行"文本分类",并基于律师及案情专家对测试文件审阅,通过软件程序对与特定案件或争论点相关或者可响应的文件进行识别。由于预测编码可以通过协助律师进行文件的搜索、挑选和分类,减少需要手动审查的不相关和无响应文档的数量从而大幅降低电子披露流程的成本,被认为是电子证据开示领域最重要的发展之一。自2012年以来,在英美法系中已有若干在司法审判中使用预测编码的案例。但由于预测编码技术仍处于发展之中,其仍然具有局限性。预测编码技术尚难以准确无误地捕捉到案件文本的关键点,在算法决策透明度、训练模型的设计上也仍不成熟。由于预测编码技术自身的专业性,使得法律文件审查工作将日益专业化和精英化。人类语言的复杂性使得预测编码尚难以准确理解不同场景中不同词语的内涵,因而在审查的准确性上仍存在风险。(本文来源于《经贸法律评论》期刊2018年01期）
杨超,刘云飞,徐向旭,朱弘,刘传辉[6]（2018）在《基于预测编码和矢量编码的语音信号编码算法》一文中研究指出为了在保证译码恢复的语音质量良好的前提下,减小编码的压缩率,以减小语音信号的存储空间,文中提出一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的语音信号编码算法,并利用Matlab软件编程进行了语音信号编解码实验。实验结果表明,该算法既保留了波形编码算法具有的译码语音质量较好和算法简单的优点,又具有较一般的波形编码算法更小的压缩率,该编码算法的码率达到12.8 kbit/s,小于采用ADPCM编码算法的波形编码标准G.721的码率32 kbit/s(波形编码的最小码率)。(本文来源于《现代电子技术》期刊2018年24期）
张盛峰,汪仟,黄胜,肖傲[7]（2018）在《HEVC帧间预测编码单元深度快速选择算法》一文中研究指出为降低高效视频编码(HEVC)帧间预测编码的计算复杂度,提出一种快速编码单元(CU)深度选择算法。利用当前CU与时空域相邻CU的深度信息,初步预测当前CU的深度范围,并根据当前CU与邻近CU的运动矢量信息对当前CU深度选择做进一步终止判断。实验结果表明,该算法与HEVC测试模型(HM16. 0)相比,在低时延和随机访问2种编码配置下,码率分别仅增加0. 93%和1. 01%,而编码时间减少了29. 1%和30. 3%。(本文来源于《计算机工程》期刊2018年10期）
Xu-guang,ZUO,Lu,YU[8]（2018）在《重复镜头视频基于分级B帧结构的长期预测编码方案（英文）》一文中研究指出最新视频编码标准——高效视频编码(HEVC)——获得了远高于之前视频编码标准的编码效率。特别是,在使用分级B帧预测结构时,HEVC可显着去除临近图像间的时间冗余。实际中,消费者使用的视频——例如电视剧、电影和脱口秀等——通常包含了很多重复镜头。据我们观察,这些视频在分级B帧结构下使用HEVC编码时,每个镜头的时域相关性可以得到很好利用。然而,重复镜头之间的长期相关性并未被使用。我们提出一种长期预测方案,以利用视频中重复镜头之间的长期时域相关性。首先,聚类源视频中的相似镜头并从中抽取代表性图像作为长期参考帧。然后,使用长期参考帧对分级B帧的编码结构进行调整,以实现长期时域预测。最后,为长期参考帧设计一种自适应量化方法,以提高整体的视频编码效率。实验表明,提出的新编码方案可获得高达22.86%的编码性能增益。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2018年03期）
张曦[9]（2018）在《视频编码中预测编码算法的优化》一文中研究指出随着视频朝着高分辨率、高帧率、实时性的方向不断发展,一种高性能的视频编码标准HEVC(High Efficiency Video Coding)应运而生。与H.264/AVC相比,在均使用联合编码的框架下,HEVC加入了许多新的技术,尤其在预测编码方面。新技术的加入在大大提高视频编码精确度的同时也带来了较大的计算压力。预测算法分为帧间预测与帧内预测,因为HEVC的CU尺寸跟PU模式选择较多,所以在预测过程中需要花费大量的时间。为了提高编码的效率,本文首先从编码结构上出发,提出了两级预测编码过程的概念;其次在第一级预测编码过程中,通过对图像进行下采样处理以及跳过子像素搜索,可以快速的完成编码并且得到快速编码模式下的CU划分跟PU模式;最后通过对比大量实验数据,根据一定的原则对第一级得到的数据进行处理,在第二级预测过程中只对部分CU划分跟PU模式进行遍历。该两级预测编码算法一方面通过对整个编码流程进行宏观上的优化,减少了 40%的编码时间;另一方面,通过合理而全面的模式挑选准则,视频编码质量损失控制在5%以内;最后,该算法具有较强的序列适应性,对高复杂度运动剧烈的视频序列也有较好的优化效果。因此本文提出的优化算法具有很高的实用价值跟研究参考价值。(本文来源于《北京邮电大学》期刊2018-01-24）
吴良堤,冯桂[10]（2017）在《HEVC帧内预测编码的快速CU决策算法》一文中研究指出提出一种快速编码单元(CU)修剪方法和CU深度范围决策方法.在快速CU修剪方法中,根据贝叶斯决策准则,基于残差信息Hadamard变换绝对值之和(SATD)提前结束CU的修剪;在CU深度范围决策方法中,根据当前CU深度与空间邻近CU深度的相似性决策当前CU深度级范围.通过在HM10.1的实验证明:文中方法相比于HM10.1的标准代码,能降低35.9%的编码时间,且BDBR的增加仅为1.039%.(本文来源于《华侨大学学报(自然科学版)》期刊2017年04期）
预测编码论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数字化的语音信号具有非常巨大的数据量,语音信号的存储、传输和处理对计算机的性能、数据传输率和信道带宽提出极高的要求。解决此问题的一种方法是应用语音信号压缩技术,其重要分支之一是预测编码。这是一种较早用于信源编码的技术,利用信源的相关性对数据进行压缩。文章介绍了预测编码及两种相关的压缩方法:DPCM和ADPCM,并在Matlab中对它们进行仿真,对得到的结果进行分析后得到有关的结论,验证了ADPCM编码方法优于DPCM编码方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预测编码论文参考文献
[1].吕雪靖,侯欣.听觉预测编码：对声音重复和变化的神经反应[J].心理科学进展.2019
[2].曾冬梅.基于预测编码的语音压缩技术研究[J].无线互联科技.2019
[3].李跃.基于深度学习的帧内预测编码技术研究[D].中国科学技术大学.2019
[4].高原,施云惠,韩妍妍,曾萍,尹宝才.附加法向信息的叁维网格预测编码[J].北京理工大学学报.2019
[5].于兴中.预测编码在司法中的应用简介[J].经贸法律评论.2018
[6].杨超,刘云飞,徐向旭,朱弘,刘传辉.基于预测编码和矢量编码的语音信号编码算法[J].现代电子技术.2018
[7].张盛峰,汪仟,黄胜,肖傲.HEVC帧间预测编码单元深度快速选择算法[J].计算机工程.2018
[8].Xu-guang,ZUO,Lu,YU.重复镜头视频基于分级B帧结构的长期预测编码方案（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2018
[9].张曦.视频编码中预测编码算法的优化[D].北京邮电大学.2018
[10].吴良堤,冯桂.HEVC帧内预测编码的快速CU决策算法[J].华侨大学学报(自然科学版).2017
论文知识图
