【a律13折线段落码几位】数据压缩在超低频监测中的应用

up>。

1.2 压扩量化

均匀量化的优点是简便，缺点是量化噪声较大，用于量化MDCT的系数会影响数据压缩质量，所以选择改善信噪比的非线性压缩与扩张量化(简称压扩量化)。压扩量化是非均匀量化方法，即用一个非线性对数函数y=F(x)将信号“压缩”后再作最佳量化，恢复时用反变换x=F^-1(y)对量化值进行“扩展”得到重建数据。

压扩量化在小信号域量化区间小，大信号域量化区间大。因为低电平信号出现概率大、量化噪声小，高电平量化噪声大、但出现概率小，所以可以提高数据量化后的信噪比^[12]。目前国内外常用?滋律和A律两种对数压扩量化器(归一化)。

μ律曲线公式：

其中，A为压扩参数，通常取A=87.6，可以通过13或18折线逼近来实现。

μ律和A律的特性基本相同，只在小信号区μ律量化器的信噪比略高于A律量化器，但在大信号区则不如A律量化器。

1.3 Huffman编码/译码

Huffman编码相比于其他3种统计编码(香农-范诺编码、游程编码、算数编码)的算法简单，编码效率高，Huffman译码是编码的逆过程。编码的方法步骤如下：

(1)将信源符号的概率按照由大到小的顺序建立列表。

(2)取2个最小的概率进行组合相加，然后将组合后的概率之和作为新的符号概率，重复步骤(1)和(2)，直到概率总和达到1为止。

(3)将每个组合中的上边一个指定为0，下边一个指定为1。

(4)构造由概率1处到每个信源符号概率的编码树，顺次记下编码树分支上的0和1，即为Huffman码字。

为了提高编码速度，采用自适应Huffman编码，即从一颗空的Huffman编码树开始，随着输入符号的读入和编码、译码，不断修改码树^[13]。

2 数据压缩和解压设计

由于数据压缩参数、应用环境、使用技术、应用目的等不同，数据压缩系统的设计也是多种多样的。

结合次声信号的特点，以及监测数据体信息冗余和互相关的特征，采用MDCT将次声监测数据体从时域转换到另一域中。选用小信号域量化噪声低的μ律量化器，对作MDCT后的系数进行二次“压缩”及基于Max-Lloyd算法（简称M-L算法）的最佳量化。由于数据能量集中到了MDCT系数的前段部分，所以对MDCT系数进行量化时，保留百分之一数据长度的前段变换系数，只对剩余的变换系数进行量化，这样做可以有效降低量化噪声，也不影响数据压缩程度。最后通过自适应Huffman编码，实现对次声监测数据的压缩。解压过程除去MDCT系数量化部分外，其他过程为上述逆过程。

设计选用MATLAB数据处理软件实现对数据的转换、量化、压缩和解压处理。整个设计框图如图2所示。

3 数据压缩测试

3.1 压缩系统评价指标

压缩比(Compression Ratio，CR)是衡量数据压缩系统性能好坏的一个重要指标。其定义为：

CR又称bpc(bit per character)，表示压缩一个字符平均所需的比特数。以下测试是对次声监测数据文本文件的压缩。

离散时间域重建数据的保真度常用信噪比SNR来度量，其计算公式为：

3.2 次声监测数据压缩测试

取已有次声监测数据，使用该数据压缩系统对其进行压缩处理。表1为对3个文件中的次声监测数据压缩测试的结果。

从表1可以看出，该数据压缩设计对原始数据文件进行压缩后，信噪比都大于90 dB，并且文件2和文件3压缩后数据量大幅减少，这样可以很大程度地减轻后续数据存储、传输和处理的压力。

图3～图5是对这3个文件的原始波形、重建波形及其两者误差波形进行测试的结果。

从表1和图3(c)可以看出，CR=2.52时信噪比高达113.7 dB，实现了对原始波形的高保真重建。随着压缩比的增大，原始波形与重建波形的误差增大，信噪比降低。从图5(b)看到，CR=9.56时，重建数据已经开始滤掉原始数据中的高频微弱信号，MDCT开始主要体现出滤波器组的作用，在有用信号电平很低时，选择过高的压缩比会造成有用信号的掉失，所以对压缩比的选取应当小于10。图6～图8是对3个文件的原始数据和重建数据进行频谱测试的结果。

从图6和图7可以看出原始数据和重建数据的频谱相关性比较好，100 Hz以内的波形基本无衰减。从图8看到重建数据的频谱从20 Hz开始衰减，到100 Hz时重建数据的频率已经基本衰减为零，但原始数据中还存在20 Hz～100 Hz的信号，很明显地看出该压缩系统在较大压缩比情况下，衰减甚至滤掉了信号带宽以外的较高频信号。

4 小结

改进型离散余弦变换、非线性压扩量化和霍夫曼编码相结合的数据压缩技术，相比于其他声波压缩技术更适用于低频的次声波数据压缩。该技术在CR≤10时，不仅实现了对次声监测数据的低失真压缩处理，而且滤掉了信号中的高频干扰，保存了次声波带宽内的有用信号。

参考文献

[1] 李彦，欧阳红群，刘小伟.次声波简易监测方法及分析[J].物理实验，2010，30(10)：40-43.

[2] 杨庆生，张少伟，夏雅琴.不同地域前次声波异常信号的分析[J].北京工业大学学报，2016，42(2)：167-168.

[3] 吴家安.数据压缩技术及应用[M].北京：科学出版社，2009.

[4] Khalid Sayood.Introduction to data compression[M].Harbin：Harbin Industrial University Press，2014.

[5] 张俊兰，周峰.数据压缩的发展历程[J].延安大学学报(自然科学版)，2008，27(3)：24-27.

[6] 杜美华，孙建英.正交变换的几何意义及其应用[J].哈尔滨师范大学自然科学学报，2014，30(3)：36-39.

[7] 胡丽丽，李杰.数据采集存储系统无损压缩算法的设计与实现[J].计算机测量与控制，2010，18(12)：2833-2835.

[8] 吴乐南.数据压缩(第三版)[M].北京：电子工业出版社，2012.

[9] Shaban Al-Ani Muzhir，Abd Rajab Ma hand geometry using Discrete Cosine Transform(DCT)[J].Science and Technology，2013，3(4)：34-37.

[10] 张婧，徐国根.基于DCT的遥感图像压缩算法应用[J].航空电子技术，2015，46(1)：25-28.

[11] 闫保中，刘泥石.一种有效的MDCT/IMDCT快速算法[J].应用科技，2011，38(3)：12-15.

[12] 贾瑞莲，肖沙里，郭成.A律语音压缩编解码器的FPGA实现[J].重庆工商大学学报，2016，33(1)：59-64.

[13] 刘政.一种自适应Huffman算法在无线传感器网络数据压缩的应用[J].重庆理工大学学报，2013，27(2)：84-89.

AET会员年终大福利！