产品详细介绍  新型半金属窗口对讲机KDJ-3B  一.功能简介 1.全自动双向对讲机，不用按键，自由交谈 2.三种副机可自由选配，外型美观 3.外话筒已置于副机内，内外只有一根连线，安装简捷 4.对讲系统语音逼真、清晰，内外音量可自由调节 5.最新技术，微电脑处理电路，具静噪功能，并彻底解决回音啸叫问题 6.可以用在任何窗口内外交谈困难的地方，适用于银行，金融，售票窗口等不同工作环境 具有较宽的动态工作范围，有效适应各种工作环境；超强的背景噪音抑制电路，静态时本机无噪音； 线性音量控制功能，音量调节时无噪音；功率大，最大达8W(主机3W,付机5W)可长时连续工作；自动双向录音转换 。 设计：专业窗口对讲，适用服务窗口 外型:全新外观设计，贴近客户环境 音质：音响芯片处理，纯真优美动听 功能：通道自动切换，监听语音输出 安装：一线转接内外，灵活选择整机 使用：音量独立调节，静音手动选择 维护：SMD表贴元件，经久稳定耐用 升级：不断探索创新，客户拥有信心 二.技术参数 通道控制：快速智能切换 频率响应：主机、副机200Hz-10KHz 输出功率：主机2W，副机2W 规格：272(L)*165（W)*120（H)mm 失 真 度：小于2% 话筒插孔：3.5双声道插座 监听插孔：3.5双声道插座 电源电压：AC220V 50Hz DC12-15V 消耗功率：0.5W 中软高科官网http://www.sfzydq.com  和www.kedejin.com    

本发明公开了一种减少RAID-6解码I/O数据量的方程选择方法：一次只选择一个校验方程，而且遵循每次都选择具有最多可重用块的校验方程的原则，直到选定的校验方程数量与条带中丢失的数据块数量一致为止；为了快速选出可重用块数量最多的校验方程，维持一个按可重用块数量排序的校验方程序列，每次从序列顺序选择校验方程。使用本发明方法选择校验方程子集用于解码时，解码 I/O 的数据量要少于传统解码方法使用的数据量，这有助于减少解码时

本发明公开了一种计算复杂度感知的视频解码宏块级并行调度 方法，包含两项关键技术：一是根据熵解码和重排序之后的宏块信息， 如非零系数个数、宏块帧间预测编码类型、运动矢量等，建立宏块解 码复杂度预测线性模型，对每个模块进行复杂度分析，充分利用已知 的宏块信息，提高并行效率；二是在满足宏块解码依赖的前提下，将 宏块解码复杂度与计算并行相结合，对已获取的宏块复杂度进行排序， ·945·根据排序结果对宏块进行分组并发执行，分组

本发明公开了一种具有抗误码机制的帧间无损编码与智能解码方法，包括：星上编码步骤：获取序列图像 f；把图像 fk,k＝1,2,...划分成互不重叠的子块；令第 3j+1,j＝0,1,...帧图像为参考帧图像，进行分块 JPEG-LS 编码；而第 3j+2 和 3j+3 帧图像参考第 3j+1 帧图像进行帧间无损编码；每 K 个子块后插入一组 EDC 信息形成检错码流；进行RS(m,n)纠错编码；在压缩码流中加入每帧的压缩帧头和帧尾。

本发明公开了一种基于有限状态自动机的语音情感交互装置与方法。所述装置包括：语音采集模块，用于设置录音源、采样率、音频通道、音频数据格式，完成后向原始文件写入裸数据生成文件A；对文件A进行语音情感识别的语音情感识别模块；通过情感的载体进行情感交互的语音情感交互模块。语音情感交互模块包括：有限状态自动机模型的构建模块，用于采用有限状态机描述语音情感状态及其转换过程；情感交互状态转换表的建立模块，用于有限状态自动机转换函数的定义和有限状态自动机转换函数的确定；转换矩阵模块，用于在有限状态自动机模型中，用状

微型飞行器小体积、轻质量、高机动，能够在狭小空间执行拍照、探测和运输等特种任务，在国民经济领域拥有广泛应用前景。然而，此类飞行器普遍存在飞行时间短的痛点问题，尤其当重量小于10克时，其飞行时间一般不超过10分钟。这是因为目前微型飞行器的发动机驱动部件一般采用传统的电磁电机，而电磁电机在微型化后转速高、发热大，能量转化效率急剧下降，甚至降到10%以下。微型电磁电机效率下降后，如果采用供电方便的自然太阳光作为能量来源，受限于太阳能电池的面积，很难满足飞行需求。 为了解决上述难题，北航科研团队从微型发动机的原理方面寻求突破，提出一种新的静电驱动方案，研制出了在微小尺寸下转速低、发热小、效率高的微型静电电机，并首次实现了微型飞行器在纯自然光供能下的起飞和持续飞行，在微型飞行器的发展进程中具有里程碑意义。 该飞行器主要由静电发动机和超轻质高压电源组成，具备低功耗（0.568瓦）和高升力（30.7克每瓦）优势，首次实现了微型飞行器在纯自然光供能下的起飞和持续飞行。 静电发动机的核心是静电电机，它是一种依靠静子和转子间的库仑力来产生连续旋转运动的新型微型电机，具备结构简单和无需绕组的优势，其高电压（千伏级）、低电流（微安级）的工作特性也使其在工作过程中发热少且无明显红外特征。相比传统电磁电机，静电电机表现出了颠覆式的效率和功耗特性，在小质量（5克以内）情况下，其能量转化效率可达传统电磁电机的10倍以上，产生相同升力所需功耗仅为电磁电机的1/10以内，因此即便采用小尺寸太阳能电池，也可以为微型飞行器提供飞行所需功率。 电机虽然效率高、功耗低，但仍需要千伏级高压电流来驱动，然而传统高压电源由于体积和重量过大，无法搭载在微型飞行器上。因此团队还针对飞行应用场景，研制了千伏级超轻质高压电源，主要包括太阳能电池和升压电路两部分，其中升压电路可以在1.21克的重量下，将太阳能（或锂电池）输入的低压直流电，转换为4 - 9千伏的高压直流电，相比美国斯坦福大学研发的同类技术升压比提高了92%。 在微型静电电机和超轻质高压电源的助力下，本项目研发出的飞行器整机仅有巴掌大小（翼展20厘米），重量比一张A4纸还轻（4.21克），尺寸和重量分别是此前世界最小、最轻太阳能飞行器的1/10和1/600。更进一步，团队还提出一款翼展8毫米，质量9毫克的超微型静电飞行器，飞行功耗不到1毫瓦，展示了静电电机在飞行器进一步微型化中的巨大潜力。

本成果是获得授权发明专利的专利成果（ZL 201310080656.4）。该成果公开了一种语音同步驱动三维人脸口型与面部姿势动画的方法，通过用户输入新的语音信息，经过预处理之后，在虚拟人的人脸头像上合成与语音同步的口型动画和面部姿势动画。本发明具体包括两个阶段，在训练阶段，通过KNN和HMM的混合模型实现语音可视化建模；在合成阶段，通过用户输入新的语音信息，先进行语音信号的特征提取，再经过KNN和HMM混合模型生成与语音信号相对应的人脸面部姿势和口型帧序列参数，经过平滑处理后，使用Xface软件合成更加细腻、丰富的三维人脸动画。本成果不仅具有重要的理论研究价值，而且在可视通信、虚拟会议、游戏娱乐和教学辅助等领域有着广阔的应用前景。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN