基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备专利检索-算法电脑编程专利检索查询-专利查询网

基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备

阅读：289发布：2021-06-07

专利汇可以提供基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备，用于改善链路产生的谐波以及交调失真的情况，其中方法包括：构建第一神经网络模型，基于自适应前馈式主动降噪架构，用所构建的第一神经网络模型来作为所述架构中的前馈滤波器；且/或构建第二神经网络模型，基于自适应前馈式主动降噪架构，用第二神经网络模型来作为所述架构中的次级通道估计S＇(z)。，下面是基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备专利的具体信息内容。

权利要求

1.基于神经网络的自适应前馈式主动降噪方法，其特征在于，包括：
构建第一神经网络模型，基于自适应前馈式主动降噪架构，用所构建的第一神经网络模型来作为所述架构中的前馈滤波器；且/或
构建第二神经网络模型，基于自适应前馈式主动降噪架构，用第二神经网络模型来作为所述架构中的次级通道估计S＇(z)。
2.根据权利要求1所述的方法，其特征在于，所述构建第一神经网络模型，进一步包括：
S101.构建第一神经网络模型的理论模型；
S102.获取耳机中自适应前馈式主动降噪架构的S＇(z)，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计；
S103.从自适应前馈式主动降噪架构中采集x1(n)、y1(n)、e1(n)，其中x1(n)为历史原始噪声信号，y1(n)为前馈滤波器输出的历史反向噪声信号，e1(n)为历史残差噪声信号；
S104.以x1(n)经S＇(z)修正后的值和e1(n)为输入，利用BP 算法计算第一神经网络模型的权重系数；
S105.以x1(n)、第一神经网络模型的权重系数和y1(n)作为第一神经网络模型理论模型的训练样本，其中以x1(n)和第一神经网络模型的权重系数作为输入，以y1(n)作为输出，利用机器学习的方式对理论模型进行训练。
3.根据权利要求2所述的方法，其特征在于，对训练出的第一神经网络模型，采用逻辑回归算法进行拟合。
4.根据权利要求2所述的方法，其特征在于，所述第一神经网络模型以x(n)和第一神经网络模型的当前权重系数作为输入，输出y(n)给自适应前馈式主动降噪架构中的扬声器进行播音，其中x(n)为当前原始噪声信号，y(n)为前馈滤波器输出的当前反向噪声信号。
5.根据权利要求1或2所述的方法，其特征在于，所述构建第二神经网络模型，进一步包括：
S201.构建第二神经网络模型的理论模型；
S202.从自适应前馈式主动降噪架构中采集x1(n)、h1(n)、e1(n)，其中x1(n)为历史原始噪声信号，h1(n)为x1(n)经S＇(z)修正后所输出的值，e1(n)为历史残差噪声信号；
S203.以x1(n)和e1(n)为输入，利用BP算法计算第二神经网络模型的权重系数；
S204.以x1(n)、第二神经网络模型的权重系数和h1(n)为第二神经网络模型理论模型的训练样本，其中以x1(n)、第二神经网络模型的权重系数作为输入，以h1(n)作为输出，利用机器学习的方式对理论模型进行训练。
6.根据权利要求5所述的方法，其特征在于，对训练出的第二神经网络模型，采用逻辑回归算法进行拟合。
7.根据权利要求5所述的方法，其特征在于，所述第二神经网络模型以x(n)和第二神经网络模型的当前权重系数作为输入，输出h(n)给自适应前馈式主动降噪架构中的自适应算法，经自适应算法分析后生成权重系数对前馈滤波器输出的反向噪声信号进行调整，其中x(n)为当前原始噪声信号，h(n)为x(n)经第二神经网络模型修正后的值。
8.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被控制器执行时，实现权利要求1-7中任一项所述的方法。
9.一种电子设备，其中，该电子设备包括：
控制器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述控制器执行权利要求1-7中任一项所述的方法。

说明书全文

基于神经网络的自适应前馈式主动降噪方法、计算机可读存

储介质、电子设备

技术领域

[0001] 本发明涉及耳机降噪，尤其涉及一种基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备。

背景技术

[0002] 见图1，耳机中自适应前馈式主动降噪架构的基本原理如下：在A位，参考麦克风拾取环境中的原始噪声信号，通过前馈滤波器产生和原始噪声信号反向的信号(简称反向噪声信号)，然后将反向噪声信号通过扬声器在B位输出，使原始噪声信号和反向噪声信号在B位相互抵消产生残差噪声信号，上述过程为自适应前馈式主动降噪。

[0003] 在自适应前馈式主动降噪的基础上，增加C位的误差麦克风，残差噪声信号被C位的误差麦克风采集，经LMS 算法分析后生成权重系数对前馈滤波器输出的反向噪声信号进行调整，则实现自适应前馈式主动降噪。

[0004] 自适应前馈式主动降噪中，前馈滤波器一般采用FIR(有限冲击响应)滤波器或者IIR(无限冲击相应)滤波器实现，以FIR为例，自适应前馈式主动降噪的信号的工作过程如图2所示，其中，x(n)为原始噪声信号，P(z)是噪声原始通道的传递函数，表征噪声从A位到B位的时延，x(n)经P(z)后输出目标信号d(n)，Wf(n)是前馈滤波器，y(n)为Wf(n)输出的反向噪声信号，S(z)是次级通道，即从采集x(n)输入Wf(n)，到Wf(n)输出y(n)给扬声器，通过扬声器推动空气后传递到误差麦克风吸取的整个路径的传递函数，表征噪声经该路径的时延，y(n)与d(n)叠加相消后被误差麦克风吸取，得到残差噪声信号e(n)，S＇(z)是S(z)的估计，其本质为滤波器，内部设有一重系数迭代计算公式，通过该公式输出权重来与x(n)相乘，从而对x(n)进行修正。

[0005] 使用时，一方面，e(n)被误差麦克风吸取作为LMS算法的其中一个输入，另一方面，x(n)经S＇(z)修正后作为LMS算法的另一个输入，利用LMS算法的迭代公式输出Wf(n)的权重系数，获得Wf(n)的权重系数后，以x(n)作为Wf(n)的输入信号，通过Wf(n)的权重系数*x(n)从而输出y(n)，达到自适应前馈式主动降噪之目的。

[0006] 现有的自适应前馈式主动降噪方案存在以下问题：

[0007] 因为前馈滤波器Wf(n)所采用的FIR滤波器或者IIR滤波器均属于线性滤波器，所以，若从A位噪声源到B位扬声器的传播路径中存在非线性环节，比如原始噪声过大导致参考麦克风产生非线性，又或者是，若从B位扬声器到C位误差麦克风的传播路径中存在非线性环节，比如扬声器处于饱和，则由于FIR滤波器或者IIR滤波器不能处理非线性产生的谐波以及交调失真的情况，整个链路的降噪效果会明显降低。

发明内容

[0008] 本发明为改善现有技术中的不足之处，而提供一种自适应前馈式主动降噪方法，其用于改善链路产生的谐波以及交调失真的情况。

[0009] 为此，提供一种基于神经网络的自适应前馈式主动降噪方法，包括：

[0010] 构建第一神经网络模型，基于自适应前馈式主动降噪架构，用所构建的第一神经网络模型来作为架构所述架构中的前馈滤波器；且/或

[0011] 构建第二神经网络模型，基于自适应前馈式主动降噪架构，用第二神经网络模型来作为架构所述架构中的次级通道估计S＇(z)。

[0012] 作为一种实施例方式，所述构建第一神经网络模型，进一步包括：

[0013] S101.构建第一神经网络模型的理论模型；

[0014] S102.获取耳机中自适应前馈式主动降噪架构的S＇(z)，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计；

[0015] S103.从自适应前馈式主动降噪架构中采集x1(n)、y1(n)、e1(n)，其中x1(n)为历史原始噪声信号，y1(n)为前馈滤波器输出的历史反向噪声信号，e1(n)为历史残差噪声信号；

[0016] S104.以x1(n)经S＇(z)修正后的值和e1(n)为输入，利用BP算法计算第一神经网络模型的权重系数；

[0017] S105.以x1(n)、第一神经网络模型的权重系数和y1(n)作为第一神经网络模型理论模型的训练样本，其中以x1(n)和第一神经网络模型的权重系数作为输入，以y1(n)作为输出，利用机器学习的方式对理论模型进行训练。

[0018] 其中，对训练出的第一神经网络模型，采用逻辑回归算法进行拟合。

[0019] 其中，所述第一神经网络模型以x(n)和第一神经网络模型的当前权重系数作为输入，输出y(n)给自适应前馈式主动降噪架构中的扬声器进行播音，其中x(n)为当前原始噪声信号，y(n)为前馈滤波器输出的当前反向噪声信号。

[0020] 作为另一种实施方式，所述构建第二神经网络模型，进一步包括：

[0021] S201.构建第二神经网络模型的理论模型；

[0022] S202.从自适应前馈式主动降噪架构中采集x1(n)、h1(n)、e1(n)，其中x1(n)为历史原始噪声信号，h1(n)为x1(n)经S＇(z)修正后所输出的值，e1(n)为历史残差噪声信号；

[0023] S203.以x1(n)和e1(n)为输入，利用BP算法计算第二神经网络模型的权重系数；

[0024] S204.以x1(n)、第二神经网络模型的权重系数和h1(n)为第二神经网络模型理论模型的训练样本，其中以x1(n)、第二神经网络模型的权重系数作为输入，以h1(n)作为输出，利用机器学习的方式对理论模型进行训练。

[0025] 其中，对训练出的第二神经网络模型，采用逻辑回归算法进行拟合。

[0026] 其中，所述第二神经网络模型以x(n)和第二神经网络模型的当前权重系数作为输入，输出h(n)给自适应前馈式主动降噪架构中的自适应算法，经自适应算法分析后生成权重系数对前馈滤波器输出的反向噪声信号进行调整，其中x(n)为当前原始噪声信号，h(n)为x(n)经第二神经网络模型修正后的值。

[0027] 还提供一种电子设备，其中，该电子设备包括：

[0028] 控制器；以及，

[0029] 被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述控制器执行上述的方法。

[0030] 还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被控制器执行时，实现上述的方法。

[0031] 有益效果：

[0032] 本发明通过将自适应前馈式主动降噪架构中的前馈滤波器改用为第一神经网络模型实现，利用神经网络的非线性滤波特性，实现更好地对噪声进行控制，改善由A位噪声源到B位扬声器的传播路径中存在非线性环节而引起的谐波以及交调失真现象；同理，将S＇(z)改用为由第二神经网络模型实现，使次级通道的估计更准确，改善从B位扬声器到C位误差麦克风的传播路径中存在非线性环节而引起的谐波以及交调失真现象。

[0033] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明

[0034] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

[0035] 图1示出了传统耳机中自适应前馈式降噪架构的结构示意图；

[0036] 图2示出了传统耳机中自适应前馈式降噪架构的数字降噪方案实施示意图；

[0037] 图3示出了本实施例中前馈滤波器改用为第一神经网络模型时的数字降噪方案实施示意图；

[0038] 图4示出了第一神经网络模型的结构示意图；

[0039] 图5示出了神经元的结构示意图；

[0040] 图6示出了第一神经网络模型存在若干个输入信号时的结构示意图；

[0041] 图7示出了本实施例中次级通道估计S＇(z)改用为第二神经网络模型时的数字降噪方案实施示意图；

[0042] 图8示出了本实施例中前馈滤波器和次级通道估计S＇(z)均用神经网络来实现时的数字降噪方案实施示意图；

[0043] 图9示出了本发明的电子设备的结构示意图；

[0044] 图10示出了本发明的计算机可读存储介质的结构示意图。

具体实施方式

[0045] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

[0046] 对于从A位噪声源到B位扬声器的传播路径中存在非线性环节，比如原始噪声过大导致参考麦克风产生非线性，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制，而神经网络是一种非线性控制器，基于此，可以采用神经网络来实现前馈滤波器，改善由A位噪声源到B位扬声器的传播路径中存在非线性环节而引起的谐波以及交调失真现象，具体地，见图3，在背景技术的自适应前馈式主动降噪架构的基础上，将前馈滤波器改用为由第一神经网络模型来实现，具体地包括以下步骤：

[0047] S101.构建第一神经网络模型的理论模型，具体地：

[0048] 假定第一神经网络模型由如图4的3*N*1前向神经网络实现，即输入层为3个神经元，隐藏层为N个神经元，输出层为一个神经元；

[0049] 其中，wij,h表示第i个输入到隐藏层第j个神经元的权重值，wj,o表示j个隐藏层的神经元到输出的权重值；

[0050] 上述神经元的定义如图5所示，在此基础上，假定有若干个输入信号xi,i＝1,2,…,N，则第一神经网络模型变为如图6所示，图中，wi表示第i个输入对应的权重系数，θ表示神经元的阈值，也可以理解为另外一个不变的输入值；∑表示累加，Net表示各输入值乘以权重值后的累加值，y为输出值；f是非线性函数，比如Sigmoid函数，或者双曲正切函数如下：

[0051]

[0052] S102.获取耳机中自适应前馈式主动降噪架构的S＇(z)，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计，具体地：

[0053] 此步骤中，S’(z)暂时仍用FIR滤波器或者IIR滤波器实现，此处以FIR滤波器为例，则S’(z)的每阶的权重系数迭代计算公式如下：

[0054] w1(n+1)＝w1(n)+λ2e(n)x(n)

[0055] S103.从自适应前馈式主动降噪架构中采集x1(n)、y1(n)、e1(n)，其中x1(n)为历史原始噪声信号，y1(n)为前馈滤波器输出的历史反向噪声信号，e1(n)为历史残差噪声信号。

[0056] S104.以x1(n)经S＇(z)修正后的值和e1(n)为输入，利用BP(反向传播)算法计算第一神经网络模型的权重系数，具体地：

[0057] 根据BP(Back propagation)反向传播算法，计算出第一神经网络模型中输出层各权重的迭代计算公式如下，其中，f’o(Neto)是fo(Neto)的导数：

[0058]

[0059] 隐藏层各权重的迭代计算公式如下：

[0060]

[0061] 上述两个公式或者统一写成：

[0062] wnode，o(n+1)＝wnode，o(n)+λ1δnode(n)xnode，h(n)

[0063] 式中，λ1是收敛系数，δnod∈(n)按照如下计算：

[0064]

[0065] S105.以x1(n)、第一神经网络模型的权重系数和y1(n)作为第一神经网络模型理论模型的训练样本，其中以x1(n)和第一神经网络模型的权重系数作为输入，以y1(n)作为输出，利用机器学习的方式对理论模型进行训练，并采用逻辑回归(LR)算法对第一神经网络模型进行拟合，直到得出满足要求的模型，至此实现第一神经网络模型的构建；

[0066] S106.用构建出的第一神经网络模型作为自适应前馈式主动降噪架构中的前馈滤波器Wf(n)使用，例如，第一神经网络模型以x(n)和第一神经网络模型的当前权重系数作为输入，输出y(n)给自适应前馈式主动降噪架构中的扬声器进行播音，其中x(n)为当前原始噪声信号，y(n)为前馈滤波器输出的当前反向噪声信号。

[0067] 对于从B位扬声器到C位误差麦克风的传播路径中存在非线性环节，比如扬声器处于饱和，如果次级通道的估计采用非线性估计，则对于次级通道的估计会更准确，进一步地，考虑到S(z)具有非线性，因此S＇(z)可以用第二神经网络模型来进行估计，第二神经网络模型的参数根据BP(反向传播)算法进行迭代求解，具体地，见图7，在背景技术的自适应前馈式主动降噪架构的基础上，将S＇(z)改用为由第二神经网络模型来实现，包括以下步骤：

[0068] S201.构建第二神经网络模型的理论模型，其中第二神经网络模型的理论模型参照第一神经网络模型的的理论模型构建，此处不再赘述。

[0069] S202.从自适应前馈式主动降噪架构中采集x1(n)、h1(n)、e1(n)，其中x1(n)为历史原始噪声信号，h1(n)为x1(n)经S＇(z)修正后所输出的值，e1(n)为历史残差噪声信号；

[0070] S203.以x1(n)和e1(n)为输入，利用BP(反向传播)算法计算第二神经网络模型的权重系数，具体地：

[0071] 根据BP(Back propagation)反向传播算法，计算出第二神经网络模型中各权重的迭代计算公式如下：

[0072] wnode，o(n+1)＝wnode，o(n)+λ1δnode(n)xnode，h(n)

[0073]

[0074] S204.以x1(n)、第二神经网络模型的权重系数和h1(n)为第二神经网络模型理论模型的训练样本，其中以x1(n)、第二神经网络模型的权重系数作为输入，以h1(n)作为输出，利用机器学习的方式对理论模型进行训练，并采用逻辑回归(LR)算法对第二神经网络模型进行拟合，直到得出满足要求的模型，至此实现第二神经网络模型的构建；

[0075] S205.用构建出的第二神经网络模型作为自适应前馈式主动降噪架构中的S＇(z)使用，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计，例如，以x(n)和e(n)为输入，利用BP算法计算出第二神经网络模型的当前权重系数，第二神经网络模型以x(n)和第二神经网络模型的当前权重系数作为输入，输出h(n)给自适应前馈式主动降噪架构中的LMS算法，经LMS算法分析后生成权重系数对前馈滤波器输出的反向噪声信号进行调整，其中x(n)为当前原始噪声信号，h(n)为x(n)经第二神经网络模型修正后的值，e(n)为当前残差噪声信号。

[0076] 对于从A位噪声源到B位扬声器的传播路径中，以及从B位扬声器到C位误差麦克风的传播路径中，同时存在非线性环节的情况，则前馈滤波器和次级通道估计S＇(z)均可用神经网络来实现，具体地，如图8所示，用上述训练好的第一神经网络模型作为前馈滤波器使用，用上述训练好的第二神经网络模型作为次级通道估计S＇(z)使用。

[0077] 需要说明的是：

[0078] 本实施例所用的方法，可转化为可存储于计算机存储介质中的程序步骤及装置，通过被控制器调用执行的方式进行实施。

[0079] 在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

[0080] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

[0081] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

[0082] 本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

[0083] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

[0084] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

[0085] 例如，图9示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器61和被安排成存储计算机可执行指令(程序代码)的存储器62。存储器62可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器62具有存储用于执行实施例中的任何方法步骤的程序代码64的存储空间63。例如，用于程序代码的存储空间63可以包括分别用于实现上面的方法中的各种步骤的各个程序代码64。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图10所述的计算机可读存储介质。该计算机可读存储介质可以具有与图6的电子设备中的存储器62类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码71，即可以由诸如61之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。

[0086] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

标题	发布/更新时间	阅读量
一种带宽压缩中的预测方法	2020-05-08	92
一种基于边缘计算的综合传感网测试平台	2020-05-08	767
用于电力保密数据的大数据云平台安全防护方法	2020-05-08	666
一种适用于电力系统安防的视频增强浓缩方法	2020-05-08	656
一种视频会议加密方法	2020-05-08	912
一种视频压缩的预测方法	2020-05-08	2
一种电力物联网场景中基于协同内容缓存的卸载方法	2020-05-08	614
直播间弹幕显示方法、存储介质、设备及系统	2020-05-08	690
一种基于随机素数的双通道交换的超奇异椭圆曲线算法的密钥交换方法	2020-05-11	360
操作高速缓存的方法	2020-05-08	292