$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Estatísticas | Formato DC|



Título: ADAPTIVE QUANTIZATION IN DPCM SYSTEMS
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Autor(es): ABRAHAM ALCAIM

Colaborador(es):  JOSE PAULO DE ALMEIDA E ALBUQUERQUE - Orientador
Número do Conteúdo: 9855
Catalogação:  07/05/2007 Idioma(s):  PORTUGUESE - BRAZIL

Tipo:  TEXT Subtipo:  THESIS
Natureza:  SCHOLARLY PUBLICATION
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9855@2
Referência DOI:  https://doi.org/10.17771/PUCRio.acad.9855

Resumo:
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.

Descrição Arquivo
COMPLETE  PDF
Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui