一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

為了降低高性能視頻編碼(HEVC)的編碼計算復雜度，根據視頻時域上高度相關性的特點，該文提出一種快速高性能視頻編碼(HEVC)幀間預測單元(PU)模式判決算法。分析了時域上相鄰幀兩幀相同位置編碼單元(CU)的PU模式之間的相關性；同時，針對視頻中可能存在對象運動，還分析了前一幀對應位置CU的周邊CU與當前幀中當前CU間PU模式的相關性。根據分析的時域相關性，跳過當前CU中冗余的PU模式，從而降低編碼復雜度。實驗結果表明，在編碼效率和峰值信噪比(PSNR)損失很小的情況下，在目前已有的HEVC快速幀間預測算法的基礎上，進一步降低了31.30%的編碼時間。

隨著視頻編碼標準的不斷更新迭代，開放媒體聯盟(AOM)發(fā)布最新視頻編碼標準開放媒體視頻編碼標準(AV1)。其中，幀內編碼技術采用更加豐富的預測模式來提高預測效率，預測種類從VP9中的10種擴展至61種。為了應對預測種類增加的變化并提高硬件的處理吞吐能力，該文提出基于全流水線結構的AV1粗模式決策硬件架構設計。在算法層面，以4×4塊為最小處理單元，按照Z順序對64×64編碼樹單元(CTU)中不同尺寸的預測單元(PUs)進行粗模式決策，同時采用基于1:1 PU的代價累加近似方法來完成1:2, 1:4, 2:1和4:1 PU的代價計算，以減少計算復雜度；在硬件層面，設計兼容4×4至32×32等多尺寸PU的粗模式決策電路，取代為不同尺寸PU單獨設計電路的方法，有效減少邏輯資源的閑置。實驗結果表明，在全幀內(AI)配置下，提出的改進算法相較于AV1標準算法平均節(jié)省了45.78%的時間，提高了1.94% BD-Rate。同時，提出的硬件架構設計能夠在1057個時鐘周期內完成64×64 CTU的粗模式決策，使用Synopsys公司的Design Compiler 2016工具及UMC 28 nm工藝庫對硬件設計綜合得到，該設計能夠在432.7 MHz工作頻率下實時處理8k@50.6fps的視頻。

針對高性能視頻編碼(HEVC)幀內預測編碼算法復雜度較高的問題，該文提出一種基于感興趣區(qū)域的高性能視頻編碼幀內預測優(yōu)化算法。首先，根據圖像顯著性劃分當前幀的感興趣區(qū)域(ROI)和非感興趣區(qū)域(NROI)；然后，對ROI基于空域相關性采用提出的快速編碼單元(CU)劃分算法決定當前編碼單元的最終劃分深度，跳過不必要的CU劃分過程；最后，基于ROI采用提出的預測單元(PU)模式快速選擇算法計算當前PU的能量和方向，根據能量和方向確定當前PU的預測模式，減少率失真代價的相關計算，達到降低編碼復雜度和節(jié)省編碼時間的目的。實驗結果表明，在峰值信噪比(PSNR)損失僅為0.0390 dB的情況下，所提算法可以平均降低47.37%的編碼時間。

在認知無線電(CR)網絡中，針對檢測頻段突然被主用戶(PU)占用導致次用戶頻譜檢測性能較差的情況。該文提出一種基于反饋疊加原理的改進循環(huán)平穩(wěn)特征檢測算法，該算法通過將檢測周期后半部分采樣點的瞬時采樣值累加到檢測周期前半部分采樣點的瞬時采樣值上，在不延長檢測時間的基礎上，提高了整個檢測周期的判決統(tǒng)計值，從而提高了系統(tǒng)檢測性能。并且從理論上詳細分析了該算法的檢測概率，虛警概率與吞吐量。仿真結果表明，該算法的檢測性能優(yōu)于傳統(tǒng)循環(huán)平穩(wěn)特征檢測算法和傳統(tǒng)能量檢測算法，并且保證了不錯的用戶數據吞吐量。

無人機(UAV)的便攜性和高機動性使其與認知無線電(CR)結合的應用場景更加實用。在構建的無人機認知無線網絡(CRN)模型中，該文提出UAV單弧度吞吐量優(yōu)化方案，在確保檢測概率的前提下優(yōu)化感知弧度最大化UAV平均吞吐量。考慮在信道條件不理想情況下進一步改善感知性能，提出基于協作頻譜感知(CSS)的多弧度吞吐量優(yōu)化方案，利用交替迭代優(yōu)化(AIO)算法對感知弧度和弧度數量進行聯合優(yōu)化以最大化吞吐量。仿真結果表明，該文提出的多弧度協作頻譜感知方案在信道衰落嚴重時，對于主用戶(PU)服務質量(QoS)和UAV吞吐量有明顯提升。

針對認知無線電系統(tǒng)中的頻譜感知問題，該文采用隨機矩陣理論(Random Matrix Theory, RMT)對多認知用戶(Secondary User, SU)接收信號采樣協方差矩陣的最大特征值的分布特性進行了分析和研究，提出了一種新的基于雙特征值判決門限(Double Eigenvalue Threshold, DET)的合作頻譜感知算法。由該算法感知性能的理論分析可知：DET合作感知算法無需主用戶(Primary User, PU)發(fā)射機信號的先驗知識，也不需要預先知道信道背景噪聲功率。仿真結果表明，與傳統(tǒng)的頻譜感知方法相比，該方法只需較少的認知用戶就能獲得較高的感知性能，并且對噪聲的不確定性具有較強的魯棒性。

近年來，基于機器學習(ML)的頻譜感知技術為認知無線電系統(tǒng)提供了新型的頻譜狀態(tài)監(jiān)測解決方案。利用蜂窩認知無線電網絡(CCRN)中的次級用戶設備(SUE)所能提供的大量頻譜觀測數據，該文提出了一種基于主用戶(PU)傳輸模式分類的頻譜感知方案。首先，基于多種典型的ML算法，對于網絡中的多個主用戶發(fā)射機(PUT)的傳輸模式進行分類辨識，在網絡整體層面上確定所有PUT的聯合工作狀態(tài)。然后，網絡中的SUE根據其所處地理位置或者頻譜觀測數據，判斷其在當前已判定的PUT發(fā)射模式下接入授權頻譜的可能性。由于PUT在網絡中的實際位置可能事先已知或者無法提前確定，該文給出了3種不同的處理方法。理論推導與實驗結果表明，所提方案與傳統(tǒng)的能量檢測方案相比，不僅改善了頻譜感知性能，還增加了蜂窩認知網絡對于授權頻譜的動態(tài)訪問機會。該方案可以作為蜂窩認知無線電網絡中的一種高效實用的頻譜感知解決方案。