基于硬件限制的非均匀任务量化器的设计与分析（论文理解）

最新推荐文章于 2024-07-24 10:22:43 发布

后浪千王之王

最新推荐文章于 2024-07-24 10:22:43 发布

阅读量383

点赞数

文章标签：人工智能机器学习计算机视觉

本文链接：https://blog.csdn.net/m0_48986533/article/details/126449601

版权

keyword:Non-uniform Task-based Quantizers

现状：当前基于硬件限制的基于任务的量化的设计和分析框架仅适用于具有输入限制（inputs with bounded support）和具有非减法抖动的均匀量化器。

Compare and improvment:在这里，作者提出了一个基于generalized Bussgang decomposition的新框架，该框架能够设计和分析硬件受限的基于任务的量化器，这些量化器配备了非均匀标量量化器或具有无限限制(inputs with unbounded support)的输入。

对于这种非均匀标量量化器，文章首先是用量化前（模拟域）和量化后（数字域）的线性映射，这种均方误差MSE的理论值和仿真值（simulation）是非常相匹配。但是之后将这种非均匀标量量化器运用到了非线性映射，即任务不是线性的，即所用信息和原信号之间的关系不再是线性映射的关系。

接触到的几个量化器：

均匀量化器：M个抽样区间是等间隔划分的

非均匀量化器：M个抽样区间是不均匀划分的

非减法抖动量化器（nonsubtractive dithered quantizers）:一个被认为抖动的信号在量化前是被加入到采样后的信号中的。

（为了获得非线性量化器的分析易处理模型，我们假设它们被实现为非减法抖动量化器，即在量化之前将一个称为抖动的附加信号添加到量化器输入[18]。非减法在此表示在量化之后抖动没有被减去，即，被补偿。因此，量化器输出由下式给出

）

1. 在这里，我们提供了一种新方法来设计和分析基于广义 The Bussgang Decomposition的具有模拟预量化和数字后量化线性映射的硬件受限的基于任务的量化系统。

2.与最先进的 (SOTA) 分析框架 [15] 相比，所提出的框架不依赖于零过载概率假设（即量化时不存在超出动态的数值，即量化范围之内进行量化），并且也适用于非均匀标量量化器和非抖动设置

3, 我们提出的框架将预量化映射限制在使标量量化器的输入不相关的线性映射类内。虽然这种限制可能会导致性能欠佳，但我们的数值结果表明，当量化预算有限时，所提出的框架可以实现比以前的结果更低的失真

The Bussgang Decomposition

The Bussgang Decomposition 是一种流行的工具，用于分析涉及此类非线性组件的系统的性能。简而言之，The Bussgang Decomposition提供了非线性的输出和输入之间的精确概率关系 ：输出等于输入的缩放版本加上不相关的失真。The Bussgang Decomposition可用于计算精确的性能结果或不相关失真被视为独立噪声的下限

The Bussgang Decomposition 确定了非线性函数的输出是随机输入信号的缩放版本加上不相关的失真项。这是一个准确而独特的表示。失真不是独立的，也不是高斯的，但可以看作是获得通信性能的下界。The Bussgang Decomposition 可以扩展到 MIMO 系统，但失真向量的条目通常是相互关联的。

（1）通过设计Analog Linear Map的ha和Digital Linear Map的hd来实现实际s和预测sˆ之间的最小MSE。原理如下（1）式子

（2）对于Analog Linear Map过程：

限制：

对角化后的Bussang增益矩阵：

在A满足限制的情况下，本论文给出了最优的模拟过程矩阵：

（3）对于非均匀标量量化过程：

该过程是基于the generalized Bussgang decomposition的，即输出是随机输入信号的缩放版本加上不相关的失真项，它将这个量化过程表示成输入信号的一个线性表达式，即

其中Ax是量化器的输入项，B是Bussgang增益，η是和输入信号不相关的失真矢量（即the generalized Bussgang decomposition描述的失真项）。

该过程量化器的设计时采用了Liyod-Max算法，即是非均匀量化。该量化器的特点是在信源符号概率分布函数fx值大的时候，减小量化区间；在fx小的时候，增大量化区间（出现次数多，细量化，出现次数少，粗量化）【取自博客(21条消息) 数据压缩补充知识——量化器（Lloyd-Max条件推导）Adore11的博客-CSDN博客量化器】

基本思路：当给定量化区间数目M时，求出最佳的量化区间bi和重建电平yi，使MSE最小。条件求解的数学方法是求偏导

（4）对于Digital Linear Map过程

对于任何满足限制条件的模拟预处理过程中的矩阵A，最优的数字后量化处理过程中的矩阵D（达到最小MSE）是用下式给出的：

论文在已有模型的基础上，评估模型的性能。模型评估过程中主要是和SOTA方式和无失真方式进行比较，同时也对本模型的理论值和实际仿真值做出了一定的比较。得出：新提出的非均匀量化模型的理论值和实际仿真值能够匹配，并且在量化器的位数比较低的情况下表现性能良好，这样可以用于有功率限制的情况下。
之后作者又对非线性的任务进行了模型验证，研究方法和线性映射模型基本相同，但是这种非线性任务的模型结构的区别在于模拟预量化处理过程A和数字后量化处理D的设计上不同。