QUANTIZAÇÃO ADAPTIVA EM SISTEMAS DPCM

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.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