1058476視頻監控系統搭建的編碼器AFM60E-BHAC004096光電編碼器的高分辨率光柵定位系統。實現了基于比例--積分--微分（Proportion Integration Differentiation, PID）的高精度閉環調速控制技術,以驅動BLDCM帶動光柵的轉動。同時,高精度光電編碼器快速檢測并反饋光柵的角位置,細分電路對編碼器的輸出信號作進一步細分。將輸出信號的分辨率從16000點/圈提升至2048000點/圈,地提升了光柵定位系統的整體分辨率。通過實驗測試了光柵掃描速度、波長重復性和波長準確度等性能指標,驗證了光柵定位的精度和分辨率。 仿生嗅覺系統又稱電子鼻系統,是一個由氣體傳感器陣列、信號預處理單元和模式識別算法組成的用于氣體識別的系統。當待測氣體通入系統時,傳感器陣列根據氣體特性產生電信號響應,然后利用信號預處理單元對響應信號進行處理,后將其輸入模式識別算法模型以實現氣體判別。傳感器漂移在仿生嗅覺系統中持續發生,難以預測。漂移會造成傳感器的輸出響應異常,改變其所采集的氣體樣本的數據分布,進而劣化預先訓練完成的模式識別算法性能,影響氣體的識別準確率。當前大多數漂移補償算法均為離線算法,此類方法雖然獲得了較好的識別效果,但難以部署到現實應用中。本文引入遷移學習的思想,將時間軸上先后兩個時間段內所采集到的傳感器輸出響應樣本集分別作為源域和目標域。針對離線算法的局限性,本文提出了兩種傳感器在線漂移補償算法以實現目標域樣本的準確識別,增強識別模型的魯棒性,進而達到延長仿生嗅覺系統使用壽命的目的。1.基于子空間分布自適應的傳感器在線漂移補償算法。該算法通過構造測地線核將源域樣本與目標域樣本嵌入到流形子空間中,然后引入條件分布自適應和流形正則化以減小域間特征的分布差異,并利用結構風險小化原則構建分類器。由于漂移是一個持續發生的動態過程,算法利用了格拉斯曼流形空間上的幾何性質,將每次分類后獲得預測標簽的漂移樣本通過源域重構引入到下一輪的分類器訓練中,從而實現了分類模型的在線更新。2.基于稀疏自編碼器的傳感器在線漂移補償算法。該算法在不借助任何目標域樣本的前提下完成稀疏自編碼器與分類器的訓練。當目標域樣本到達時,將其輸入稀疏自編碼器中以獲得包含源域非線性結構的重構表示,減小其與源域特征分布的偏差,然后對該重構表示進行特征增強以保持重構樣本在原始目標域空間下的特性,后將增強后的樣本帶入源域分類器中,完成樣本的分類識別。通過氣體傳感器陣列漂移公開數據集對本文提出的兩種算法進行實驗,結果驗證了算法的有效性。針對光柵莫爾信號正弦性誤差補償過程中波形方程建立準確性影響誤差補償效果的問題,提出了一種根據實際細分倍數要求進行波形建模的方法。在基于粒子群算法的光柵莫爾信號正弦性誤差補償原理的基礎上,說明信號波形方程建立的重要性;針對波形方程建立時諧波選取問題,量化直流漂移及各次諧波含量帶來的角度誤差情況,為波形方程建立提供參考;利用仿真實驗驗證了模型建立的有效性,并在FPGA平臺上實現PSO算法對信號波形參數的求解,對比波形方程在不同維數的情況下對資源占用的影響;終搭建光柵系統平臺對本文所提方法有效性進行驗證,結果表明該補償方法能夠有效減小信號中的正弦性誤差成分.

增強是提高語音質量與可懂度的關鍵技術,在語音識別、語音通話、電話會議和聽力輔助等領域具有廣泛應用前景與重要研究價值.從模型方法、數據集、特征、評估指標等方面,對單聲道語音增強研究工作的發展現狀進行了全面調研和深入分析.1)對傳統的與基于機器學習的單聲道語音降噪以及語音去混響的已有研究工作進行了梳理分類,簡要介紹了典型方法的研究思路,并對不同方法的實驗結果進行了綜合比較;2)對在實驗與結果評估過程中所涉及到的常用數據集、常見特征、學習目標與評估指標等進行了整理與介紹;3)對目前單聲道語音增強仍然面臨的主要問題與挑戰進行了總結.

1058476視頻監控系統搭建的編碼器AFM60E-BHAC004096基于混合視頻編碼框架,主要包括基于塊的幀內/幀間預測、變換、量化、熵編碼以及環路濾波等步驟。在視頻信號平穩性的假設前提下,HEVC中的各個模塊依據信號處理理論人工設計。然而,實際中的視頻信號往往是非平穩信號,這就導致HEVC各個模塊的設計不是那么從而無法有效去除視頻信號內存在的冗余,限制了視頻編碼性能的提升。一方面,HEVC幀間預測的參考內容為與當前幀相鄰的多參考幀。這些參考幀中的內容往往高度相似,從而造成有限的參考緩存空間的浪費。此外,在交通監控視頻中,外表相似的車輛重復出現,背景保持長期穩定,而多參考幀機制無法有效利用這一先驗特性;另一方面,HEVC幀內編碼模式中采用的離散余弦變換或離散正弦變換為非的線性變換,當前變換塊變換后的系數間可能依然存在相關性。此外,考慮到HEVC幀內預測為簡單的角度預測,當前變換塊系數與周圍塊系數之間的相關性可能依然存在。針對HEVC中存在的上述問題,本文分別提出了基于參考信息建模的幀間預測編碼方法和基于深度學習建模的變換系數預測編碼方法。其中,前者包含面向通用視頻設計的基于圖像片的幀間預測參考信息模型和面向交通監控視頻設計的基于庫的前、背景參考信息模型,后者包含基于深度學習的變換系數熵編碼方案和基于深度學習的變換系數預測方案。論文的主要工作和創新如下:（1）本文針對HEVC中多參考幀機制可能存在的參考緩存空間浪費問題提出了基于圖像片的幀間預測參考信息模型。在限定的參考緩存空間內,通過將部分的參考幀空間用來存儲比參考幀粒度更小的圖像片（從參考幀上截取的子圖）,在平衡視頻信號噪聲的同時,參考緩存空間中可以包含更多被遮擋物體的露出部分,從而可以為幀間預測建立更加的參考信息模型。為了實現基于圖像片的幀間預測參考信息模型,本文設計了相應的圖像片生成、圖像片管理以及圖像片利用模塊。我們將基于圖像片的幀間預測參考信息模型實現在HEVC的編碼框架下,實驗結果表明,本文提出的基于圖像片的幀間預測參考信息模型可以顯著提升視頻編碼的性能。（2）本文基于觀察到的交通監控視頻中存在的前、背景長期重復特性提出了基于庫的前、背景參考信息模型。在交通監控視頻的前期,我們將背景和車輛提取出來,分別去除所提背景和車輛之間存在的冗余性,將剩余的車輛和背景保存在數據庫中。在后期的交通監控視頻編碼中,待編碼視頻幀分割出的車輛和背景可以通過檢索匹配數據庫中的車輛和背景,從而為待編碼視頻幀提供更加的參考信息。我們將基于庫的前、背景參考信息模型實現在HEVC的編碼框架下,實驗結果表明,本文為交通監控視頻提出的基于庫的前、背景參考信息模型在實際拍攝的交通監控序列上可以顯著提升視頻編碼的性能。（3）本文針對HEVC中變換系數之間仍然存在的相關性提出了基于深度學習建模的變換系數預測編碼方法。由于變換系數之間的相關性采用傳統方法難以描述,本文采用深度學習技術中的.