HbbTV V2最新进展(泛欧)

【认证】【澳大利亚】澳大利亚认证相关,Freeview EPG 澳大利亚field test主要问题包含下面几项: Picture Quality:主要是color quality Channel Tuning:各种搜台方式的认证 Sound:Sound Mode toggling between Mono and Stereo MHEG:mheg的认证 澳大利亚政府在2009年进行数字电视转换的计划: In April 2009, the g... 阅读详情

HbbTV(Hybrid Broadcast Broadband TV)起源于欧洲,HbbTV协会的指导小组(Steering Group)成员有欧洲广播联盟(EBU,European Broadcasting Union)、法国国家电视(France Televisions)、互动电视软件公司Open TV、浏览器Opera、三星(Samsung)、索尼等。

HbbTV联盟表示,HbbTV 2.0的用户将能享受一系列新服务,包括基于HTML5的用户体验,跨越电视、智能手机、PC、平板的无缝收看,创新的第二屏增强电视体验应用(包括详细节目信息、投票、在大屏幕上播放和其他用户定制应用),支持HEVC超高清内容分发,更好的多语种字幕支持方便收看,访问本地存储中由接收机接收的广播内容,并支持用户隐私保护。

此外,广播电视机构、OTT运营商和OTT视频提供商可以从广播和宽带同步流中获益,可以为广播流附加额外的音频频道或其他高级特性;各种设备如电视机、平板、智能电视之间的媒体和应用同步;采用自适应码流的安全回放以及支持新的广播模式。

HbbTV联盟表示,为了完成这些目标,新标准增加了一些新的技术和特性,如支持 HTML5、DVB CI Plus 1.4、HEVC视频和TTML字幕。该标准还对现有技术进行了增强,如MPEG DASH、DSM-CC对象轮播、电视应用和用户输入的同步,等等。

此外,新标准的设计确保HbbTV 1.0、HbbTV 1.5应用在HbbTV 2.0设备上可以继续使用。

 

HbbTV的国际市场发展现状:


 
比如说德国为首,法国、西班牙、丹麦、北欧很多国家,包括今年发布的匈牙利,波兰这些国家都支持HbbTV,甚至中东很多国家,叙利亚,伊朗这些国家也在使用HbbTV。“HbbTV非常热,一个是马来西亚今年大量招标,一个是越南,还有菲律宾,其他的国家正在宣布或者做一些实验性的部分。包括俄罗斯和北欧另外一些国家,总之这几年OTT本身的发展取得了比较大的成功。”
 
在HbbTV V2的发展方面,主要具有3个方面的19个特征:
 
1)新技术:HTML 5(顺应这个潮流,HbbTV原来的CHTML要逐渐被HTML5替代)、HEVC等;
 
2)第二屏:用于通信及应用的发布;
 
3)增强型特征:比如MPEG DASH、广告插入(HbbTV现在非常鼓励各种商业模式)、基于广播网络的非实时内容传输、应用及媒体同步等。
 
目前,广播通道与宽带通道的HbbTV可以同时支持画中画,同时播放来自宽带的视频和直播的电视,这两者之间有一个同步。“还有尤其他起源于欧洲,欧洲对于广播来说管控还是比较严格的,所以基于这种考虑,我们做了很多的规定,比如说作为HbbTV的浏览器不允许追踪用户数据的,或者不允许使用密码,或者有些HbbTV的网站需要拿数据可以把他禁止。”
 
此外,HbbTV在测试方面也开始跟进,也有了相应的套件。
 
“如果能提供一些内容集成商或者是这些厂商合作的话,我相信在未来4—5年之内,快速发展的联网电视和机顶盒空间,会给我们OTT服务一个非常大的平台,相信在这方面大有作为。”
 

Eurofins Digital Testing将与三星电子合作,建立一个HbbTV应用测试中心,专门对支持HbbTV的电视进行HbbTV应用测试。

三星将为Eurofins Digital Testing提供基本的电视平台,以便进行兼容性测试。这些平台包括一个增强型调试模式,这种模式允许收集更多额外的数据来诊断问题。三星也为这个项目提供技术上的支持,帮助开发者们在三星电视上运行他们的应用。

欧陆集团在比利时、香港、波兰和芬兰都有分公司,最初他们决定将测试中心建到他们英国的布里斯托尔分部。这个测试中心主要负责测试和认证由应用开发者们提供的HbbTV应用(这些开发者可能是来自广播行业或者其他的组织),还要与开发者们一起确定必要的测试参数。这也保证了HbbTV应用程序符合HbbTV标准以及这些应用程序在市场领先品牌的实际应用中能够取得满意的效果。

Eurofins Digital Testing的董事长Johan Craeybeckx说:“我们非常高兴可以与三星电子合作,创造第一个针对于HbbTV应用测试和认证的测试中心。”

“HbbTV正受到来自世界各地广播业者的支持,也有越来越多的消费者们参与到新应用的体验中。这个新的测试中心为广播业者和开发者们提供了一个非常合适的环境来严格地测试他们的新应用,确保在不同平台上运行的兼容性。”

三星电子和欧陆集团已经达成一致,允许测试中心未来可为更多的品牌提供服务,包括来自其他生产商的产品,以便进一步提高测试能力。

据Advanced Television报道,澳大利亚免费直播服务Freeview日前发布了机顶盒aerialBox T2100,这是第一台通过FreeviewPlus技术认证的机顶盒,这项新的混合电视服务可接入Freeview访问更多内容和服务。

  
FreeviewPlus技术与宽带和广播电视无缝衔接,还有利于免费直播网络推出一系列新的宽带服务。
  
aerialBox机顶盒可连接任何数字电视,为后者提供FreeviewPlus全部的服务和应用。
  
Freeview CEO Liz Ross称:“很高兴与Dish TV建立合作伙伴关系。对澳大利亚消费者而言,第一台FreeviewPlus机顶盒的面市是一个令人兴奋的进步,它将成为消费者体验FreeviewPlus所有新功能的一种经济实惠的途径。”
  
Liz Ross补充道:“FreeviewPlus已经研发成功,因此,澳大利亚人可以得益于该免费直播电视体验,并且从今天起,观众就可以通过新的aerialBox机顶盒享受FreeviewPlus服务。”
  
FreeviewPlus于2014年9月上市,其被誉为是面向澳大利亚的“世界第一”的电视服务,结合了最先进、人性化的免费EPG体验,首次从一个地方将Freeview网络的追剧服务呈现在电视屏幕上。
  
Dish TV的Nipuul H Patel表示:“Dish TV很荣幸成为首个向澳大利亚市场提供经认证的FreeviewPlus机顶盒的制造商。”
  
aerialBox机顶盒在澳大利亚百货零售商David Jones和电子零售商Dick Smith的售价为149澳元。
  
FreeviewPlus也适用于索尼、LG、Bauhn和日立等一系列电视。

波兰公共广播机构TVP 10月将在欧洲首次试验经由HbbTV传输4K。

 
这并非TVP首试4K,在今年巴西世界杯期间,TVP经由欧洲通信卫星已经进行了试验。
 
TVP技术负责人称虽然由于复用容量不足,TVP无计划通过地面数字电视广播4K,但可能在适当的时候在互联网上传4K。
 
从IBC2014看来,HbbTV以来自互联网的交互服务来增强传统的电视广播服务,有望在其最新的第2.0版HbbTV2.0发布之后获得市场份额的持续增长。在欧亚,单点接入的简化、上市新业务的快速及灵活、相关业界的兴趣等因素正使得HbbTV被广泛采用及部署。
 
HbbTV已经在一些欧洲国家推出了,包括德国、法国、西班牙以及比荷卢经济联盟,俄罗斯、葡萄牙等国家正在试验宽带混合电视。美国和巴西对宽带混合电视很感兴趣,中国也进行了多次关于宽带混合电视的试验,今年,澳大利亚将推出宽带混合电视业务。德国超过90%的广播市场支持宽带混合电视,已发布的直播应用程序就超过了70个,2013年,德国90%的智能电视机接收混合广播宽带电视业务,已卖出的宽带混合电视设备就有550万台,联网率高达70%。
 
有一则消息,之前就有所传,而在IBC2014期间,再次被传,HbbTV2.0版本的标准规范将会于2014年年底被正式发布,其主要特点是支持HTML5、H.265、MPEG-DASH、互联设备媒体同步等,据欧广联的宽带技术及在线业务高级技术经理Bram先生的说法,上述这些都是后续巩固HbbTV市场地位的关键。
 
HTML5目前已是相关web技术的事实上的标准,下一代HbbTV2.0采用浏览器来代替实时广播直播的交互界面就是理所当然的事。对于HbbTV而言,采用标准化的web技术具有重大的里程碑意义,而使用HTML5则使其达到另一个新的高度。HTML5被认为是互联网行业的明日之星,它将成为下一个普及的Web标准,它不仅仅用来表示Web内容,更会将Web发展成为一个成熟的应用平台。
 
相对于NativeApp应用发展所遇到的瓶颈,基于Web的应用所具有的一系列优势正在被人们重新审视:跨平台、即需即用、一致性的体验、开发成本低、升级更新容易、数据托管、无需安装成本等等。而HTML5的出现解决了之前Web应用中的交互、多媒体、离线、本地操作、坐标定位等方面的问题,它会让浏览器、桌面应用和固移设备展现更多酷炫的功能。
 
至于商业模式和宣传方式,WebApp则吸取了互联网的精髓,更多地采用广告以及按服务收费的模式,用户不再完全依靠从应用商店购买应用,同时互联网的开放性理念则进一步催生了更多的免费应用。此外,基于浏览器的应用只需一个链接地址,就可让程序员更容易通过社交媒体网站进行推广。
 
HTML5能否开启Web应用开发的新时代,主要取决于浏览器的支持,目前主流的浏览器厂家如微软、火狐、Google、苹果、Opera都一定程度地支持了HTML5新标准。此外,各家浏览器对HTML5的支持情况不尽相同,虽然如此,但作为新一代的Web开发标准,HTML5正以其简洁的书写规范、良好的兼容性以及务实的原则为越来越多的网站和浏览器所接受,并且支持HTML5的浏览器将会部分替代操作系统的功能,也会使得现在风光无限的软件应用商店变得多余,HTML5有可能重构互联网的基础格局。
 
尽管HTML5从诞生起就一直伴随着各种争论,但因其强大的特性,现如今一些大的浏览器厂商都迫不及待地推出支持HTML5的新版本浏览器,YouTube、Gmail等内容提供商也开始尝试采用HTML5来构建Web前端,HTML5被寄予很大期望。
 
此外,由于支持MPEG-DASH,HbbTV2.0有望提供经过H.265压缩的直播或点播电视节目,且视频质量可达UHD级别。此外,还可在电视广播画面上叠加上来自宽带信道的画中画,支持对付费业务的DRM通用加密。
 
多媒体在过去十年已经无处不在,这得益于使得多媒体制作、分发和消费变得简单易行的大量设备和平台。然而,支撑我们日常服务的多媒体生态系统十分复杂,一般来说都是多方参与的,从各种提供商(网络、内容、服务)到设备制造商和软件开发商,其在端到端系统体系结构中分处不同层次和级别。这些参与方要相互协作,相互之间的互操作性就成了一个必须考虑的重要问题。总体而言,标准是为互操作性而生的,目前已有很多标准可以挑选,这里要着重指出的是标准必须是开放的,标准必须是公共可得的,且起草、设计、维护过程都是开放的。DASH标准支持采用HTTP实现多媒体内容在互联网和现有基础设施上的流式传输,可以在客户端根据实际场景(例如分辨率、带宽、编解码器和语言)进行动态适配。
 
MPEG还正在对相关流媒体传输标准制定补篇或新的版本。尤其是,HEVC的可伸缩与3D扩展正在开发中,音频分组也正在进入3D领域,已经完成对2013年7月提案征集书的相关各方回应的评估。DASH第二版已经获得批准,系统分组已经开始研究MPEG媒体传输新格式。
 
据悉,HbbTV2.0参考了新近发布的DVB MPEG-DASH规范,以及DVB正在研究的多屏同步规范。
 
过去,捆绑浏览器、媒体播放器、内容加密和DRM的专有方式造成了各种消费电子设备对DRM的支持出现严重的碎片化。结果,服务提供商不得不为不同设备提供格式不同的相同内容。MPEG-DASH和HbbTV2.0等标准的一个关键特性是引入了通用加密,允许多个,DRM使用相同加密的ABR。这也是好莱坞DECE行业组织推广的新Ultraviolet电子销售与流平台的一个重要特性。其目标是通过付费流内容支持混合平台的盈利,而这刚好是联网电视商业模式一直缺乏的一个功能。
 
从而,就意味着传统垂直付费电视环境的重大变化,其中运营商的设备通常只支持一种内容安全解决方案,也意味着整个行业试图解决OTT视频的互操作性问题。在拥有多个第二屏的联网家庭中,不同的内容安全解决方案是需要解决的一大障碍。
 
广播商面临的一个根本问题是如何为共享环境和个人环境提供全面的线性和非线性业务。广播网络在提供线性无线电业务方面的地位不可撼动,因为此类网络有能力以极高业务质量为极大范围的受众提供业务。这对于共享用户环境尤为重要,但对个人环境也是如此,前提是后者的用户设备配有广播接收机。上述广播接收机应包括声音和电视广播系统功能。
 
通常,获取非线性业务需要一条回传信道和某种程度的交互。现已在宽带网络上推出了真正的非线性业务,通过个人电脑、平板电脑或智能手机等接收。此类业务极受人们欢迎,已成为宽带采用和消费设备市场发展的主要推动力量。广播商面临的一个问题是,通常此类设备不带有广播接收功能(在日韩出售的部分设备除外)。与此同时,越来越多的电视机和无线电收音机能够与互联网连接。总而言之,通过宽带网络分配无线电广播和电视业务已日益普及。
 
可通过真正互补的方式对广播和宽带技术加以利用,这将结合两个平台的优势,以向各种不同用户提供各种业务(线性、非线性、交互式、个性化和点播业务等)。
 
现有的混合宽带广播解决方案(HBB)在电视接收机中将广播和宽带结合起来。遗憾的是,对未来发展而言,若干声音和电视系统可能是潜在障碍。此外,由于宽带业务提供通常不由广播商掌控,因此,可能无法自始至终保证业务的质量。另外,当广播信号显示在屏幕上或与来自其他渠道的内容混合时会发生改变。
 
目前正在开发的混合分配网在相同网络内结合了广播和宽带的功能,能够为广播商提供长远解决方案。在此场景中,地面广播平台正在朝着提供第2和第3代移动屏幕应用的方向演进。目前需要在该领域进行进一步研究,以解决若干技术、监管和商业问题,如所提供内容的父母引导模式。
HBBTV是欧洲电视媒体主流的技术发展潮流。本文参考相关外文媒体资料整理了当前欧洲HBBTV发展动态,作为国内电视台媒体融合发展的借鉴。

  除了广电业者的支持外,以下是消费者层面欢迎HBBV的一些原因:

  (1)目前的消费终端已经相当先进,大部分机顶盒都带有图形加速器,所以能够在如今流行的平板电视上输出质量很高的图像以及图影。更重要的是,目前的机顶盒芯片都足够智能,可以支持HBBTV协议。

  (2)HBBTV协议除了对接传统电视网络(特别是地面)之外,也支持与IPTV及公共互联网的对接,这使得消费者有很广泛的选择面。由于家庭互联网的速度和信号质量的提高,互联网宽带媒体也变得越来越可信。因此,在宽带条件下,将直播节目和互动应用在不同渠道同步传输下去后在最终消费终端重新进行业务组织,同样可以提供稳定和可行的互动体验。

  总体来看,HBBTV从德国起步,迅速扩展到法国、西班牙,目前几乎所有北欧国家都有HBBTV的应用案例。

  德国:

  最早的兼容式HbbTV产品在2009年圣诞就已经投放到德国市场,由Humax提供,并推动了德国市场的快速发展。据国外媒体此前的报道,2012-2015年期间德国接入互联网的电视终端设备数量平均将以29%的速度增长。2013年,德国就已经有90%的智能电视机可以接受HBBTV业务,当年累计卖出的设备就达到550万台,联网率高达70%。截止到2014年,德国已经达到超过90%的广播市场支持HBBTV,已经有超过70个的直播应用程序。根据德国调研机构goetzpartners的研究数据,到 2015年底将有3500万台混合装置在德国家庭中使用(包括电视,机顶盒,电视接收器或游戏机),而2012年上半年的数据大约是1370万。

  在德国,包括ARD、ZDF、ZDR、RTL、Pr07Statel.are+7、BayerischeRundfunk和ZDF在内的运营商(联盟)都支持HBBTV。例如,ZDF通过DVB-T网络将HbbTV信号覆盖全国。总的来看,德国的HBBTV正在向大规模商业应用发展。再如,ARD作为德国的主流广播电视服务商,把传统的EPG与HBBTV这样的新技术结合起来,可以向消费者提供更加便利时移和回看服务。这是HBBTV擅长的服务领域,尤其是可以通过支持HTML5的浏览器把这些服务很好地展现出来。此外,在德国也有电视购物,以前消费者需要是通过打电话、发短信来实现购物,而现在直接在电视屏幕(在HBBTV跳出来的对话框)就可以实现购物环节。

  瑞士:

  在瑞士很多HBBTV服务商提供区域性Portals(信息门户)服务。HBBTV本身就是一个应用平台,完全可以被运营商和设备厂商当成一个Portal来用。比如苏黎士的运营商,就通过HBBTV展示了很多本地的信息,商务信息,包括酒店、电影、航班、娱乐场所。再如,通过Portals可以展示最近播放电影的信息,扫二维码就可以看到更详细的信息。

  2015年,行业知名媒体Broadband TV News报道,瑞士国家电信公司Swisscom将通过其IPTV平台Swisscom TV为用户提供 HBBTV标准的互动电视服务。消费者只需要按下红色按钮,即可接入HBBTV服务。

  英国:

  英国是一个很特殊的国家。该国家的许多应用都采用独立的技术,但是应该也已经所用深入地应用HBBTV,目前主要有三个方面的应用,其中两个方面块已经有商业性机构支持了。2011年3月,主要有BBC和独立电视台推进的免费卫星电视项目Freesat宣布将推出一系列运行于HBBTV平台的新一代接收设备,该计划名称为G2。Freesat采用MHEG5+HBBTV的技术模式,可以提供面向回看的EPG服务和多屏服务的功能。以及其后的升级版Freeview+和Freeview HD遵循均英国数字电视集团DTG发布的的D-Book(英国数字电视标准)规范。该规范包含了大量HBBTV内容。另外,BBC原来的YouView系统,目前基本确定HBBTV标准组织作为其中的一个合作伙伴。

  另外,英国面对开放互联网的Connected TV(互联网电视)应用,该标准的很大以部分内容都是来自于HBBTV标准,并在此基础上上做了一些拓展,比如在服务描述的时候交互界面更加友好。

  意大利:

  就在2014年HBBTV联盟宣布即将推出HBBTV2.0标准后,让人感到意外的是,原来HBBTV联盟认为“最固执”最难实施的意大利电视行业也发表了声明宣布支持HBBTV 2.0规范。之后,意大利全国的广播公司将从DVB-MHP标准转换成以HTML-5为基础的HBBTV2.0标准。

  法国:

  紧随德国之后,法国也在2011年3月大规模推出HBBTV,主要由法国公共电视台及相关家电厂商一同主导。

  2014年6月,根据ADVANCED TELEVISION报道,法国TF1电视台推出了一款能使用户直接在电视上购物的APP。此项新应用是通过HBBTV基于地面网络登录,以弹出屏幕的方式允许用户购买产品,所有的支付过程也可在电视机上完成。

  西班牙:

  2013年,西班牙公共广播机构采用了HBBTV标准并且推出了VOD服务,此服务名为‘RED BUTTON’的服务包含9万小时的内容(新闻、体育、儿童节目)以及TVE网站内容和额外内容。消费者只需要按一下“红色按钮”就可以在智能电视上访问此项服务。

  荷兰:

  在2011年决定采用HBBTV标准后,2013年,荷兰HBBTVFOURM决定正式采用HBBTV1.5的标准。集成HbbTV1.5标准并能够连接互联网的HbbTV终端,能够为广播公司提供额外的信息,如:与节目内容息息相关的APP,背景信息和视频,“播放中”以及“即将播出”,切换到相关功能以及一些有关社交的交互式应用。(如时移等)。

  HBBTV新动向

  2015年HBBTV联盟宣布发布HBBTV2.0标准,联盟人员称HBBTV 2.0将会增添很多新的服务,包括基于HTML5的用户体验,跨越电视、智能手机、PC、平板的无缝收看,创新的第二屏增强电视体验应用(包括详细节目信息、投票、在大屏幕上播放和其他用户定制应用),支持HEVC超高清内容分发,更好的多语种字幕支持方便收看,访问本地存储中由接收机接收的广播内容,并支持用户隐私保护。

  此外,广播电视机构、OTT运营商和OTT视频提供商可以从广播和宽带同步流中获益,可以为广播流附加额外的音频频道或其他高级特性;各种设备如电视机、平板、智能电视之间的媒体和应用同步;采用自适应码流的安全回放以及支持新的广播模式。

  HBBTV联盟表示,为了完成这些目标,HBBTV2.0同时也增加了一些新的技术和特性,如支持 HTML5、DVB CI Plus 1.4、HEVC视频和TTML字幕。该标准还对现有技术进行了增强,如MPEG DASH、DSM-CC对象轮播、电视应用和用户输入的同步,等等。此外,新标准的设计确保HBBTV 1.0、HBBTV 1.5应用在HBBTV 2.0设备上可以继续使用。

  格兰研究分析认为,HBBTV路线作为一种渐进式电视媒体转型路线,在保留电视媒体内容环节优势的同时,以一种开放姿态吸收了互联网业态的先进理念,能够给用户提供更好的体验,并有助于发展TV2O、精准广告等新型应用。这对于我国电视媒体的转型非常值得借鉴,值得长期关注。

 
HbbTV(Hybrid Broadcast Broadband TV)简介 阅读详情

相关推荐

etsi hbbtv 2.0.1 standard

etsi hbbtv 2.0 标准

HbbTV 2.0标准的主要特点

HbbTV 2.0标准的主要特点 1、引言 2015年2月10日,HbbTV Association(混合型广播/宽带电视协会)正式发布了最新版的HbbTV 2.0标准[1]。 DVB(欧洲数字电视标准组织)于2015年3月20日出版的月刊DVB SCENE(总第45期)在第11页刊登了由HbbTV协会副主席Jon Piesing先生所撰写的“A Major Update HbbTV 2.0...

CAESAR的专栏 2913

HBBTV 对于IPTV/DVB的标准规范

欧洲标准组织结合MHP、W3C、OPEN-IPTV等规范,提出了HBBTV的满足于广播和交互应用的终端中间件标准。

【Dash】Dash相关领域知识总结

1.DASH介绍 DASH,又叫MPEG DASH,DASH:Dynamic Adaptive Streaming over HTTP ,是一种在互联网上传送动态码率的Video Streaming技术,类似于苹果的HLS,DASH会通过media presentation description (MPD)将视频内容切片成一个很短的文件片段,每个切片都有多个不同的码率,DASH Client可...

产业互联网&消费类电子 1万+

Hbbtv

hbbtv是欧洲数字电视领域的最新进展,可能代表未来数字电视方面的发展方向

政府科技管理者如何提升科技成果评估的准确性与透明度?.docx

政府科技管理者如何提升科技成果评估的准确性与透明度?

OTT安卓电视盒系统发展的3种模式

从世界范围来看,全球OTT TV有3种发展模式,第一种是欧洲的兼顾传统广播电视与OTT服务的HBBTV模式,第二种是完全以互联网架构为基础的美国开放式OTT模式,第三种则是中国所形成的强调内容监管的可管可控模式。

dianliang01的博客 4297

双闭环PWM整流器VOC控制 +SVPWM调制仿真(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink平台构建的双闭环PWM整流器VOC(虚拟磁链定向控制)与SVPWM(空间矢量脉宽调制)相结合的仿真模型,系统阐述了三相电压型PWM整流器在电压定向控制策略下的建模方法与控制实现。通过设计外环直流电压控制与内环电流控制的双闭环结构,实现了对整流器的高功率因数运行、能量双向流动及动态性能优化的精确调控。结合SVPWM调制技术,有效提升了直流侧电压利用率并显著降低输出电流谐波含量,增强了系统的整体效率与稳定性。该仿真模型适用于新能源发电、电动汽车充电系统、微电网等高性能电能变换应用场景,文档还配套提供了丰富的学习资源与技术支持渠道,便于深入研究与工程实践。; 适合人群:面向电气工程、自动化、电力电子及相关专业的高校学生、科研人员以及从事新能源、智能电网、电力传动等领域研发工作的工程师;尤其适合已具备自动控制理论、电力电子变换技术和MATLAB/Simulink仿真基础的专业人士进一步深化学习与应用。; 使用场景及目标:①深入理解PWM整流器的工作机理及其双闭环控制系统的架构设计;②掌握VOC控制与SVPWM调制的协同工作机制,提升系统动静态响应性能;③支撑科研课题、课程设计、毕业设计或实际工程项目中的整流器控制系统开发与验证;④作为高级电能变换技术的学习范例,促进对现代电力电子系统控制策略的综合理解与创新能力培养。; 阅读建议:建议结合文中提供的百度网盘链接与公众号资源,下载完整的Simulink仿真模型进行实操演练,在MATLAB环境中调整控制器参数并观察仿真结果,深入剖析控制逻辑与系统响应特性;同时可参考同系列资源如PI双闭环控制、电网不平衡工况下的控制策略等案例,开展对比分析与拓展研究,全面提升系统建模与控制设计的综合能力。

什么是 HBBTV

HBBTV 求助编辑百科名片 HBBTV 是 Hybrid Broadcast/Broadband TV的简称,它是一种与DVB兼容的内容发布平台,可以为增强和互动的电视业务提供信令、传输和呈现机制。基于HBB的相关应用同时针对广播和互联网领域而设计,并可以在同时具有广播和互联网混合连接的终端上运行。 目录

kevin_Android_123456的专栏 2698

K8S证书过期解决办法之替换证书

k8s证书过期解决方案之替换证书

q_hsolucky的博客 1万+

WSL2 Ubuntu复现FoundationPose项目(docker)

复现一个基于深度学习的物体姿态估计框架FoundationPose项目,使用docker,WSL2

woaidawangwang的博客 2000

开放IPTV论坛(OIPF)的HBB TV标准规范

【流媒体网】摘要:开放IPTV论坛也是HBB TV的重要推动者,已开始在原有的基础上,从架构上完善对互联网视频内容的支持,针对可管理的运营商网络和开放的互联网的业务形态、技术需求和相应规范,使得运营商的业务体系更为完善,商业模式更为丰富。      开放IPTV论坛(Open IPTV Forum)由爱立信、松下、飞利浦、三星、西门子、索尼、AT&T、意大利电信以及法国电信等9家企业于

yayaxyupp的专栏 2661

ComfyUI节点流实战:用Wan2.1制作电商短视频全流程(附人物/商品模板)

本文提供了一份详尽的ComfyUI实战教程,指导用户如何利用通义万相Wan2.1图生视频模型,高效制作适用于抖音等平台的电商短视频。内容涵盖从环境部署、核心工作流搭建,到针对服装、3C数码等品类的高级提示词模板与参数调优,旨在帮助电商从业者快速生成高质量、高保真商品展示视频,显著提升内容生产效率。

potato的博客 1279

euronews android app,Availability of supported apps in the Apple TV app

Availability of supported apps in the Apple TV appLearn which apps support the Apple TV app in your country or region.Find your country or region below to see which apps are available.United StatesA&a...

weixin_26966397的博客 1192

损失函数大汇总(三十八)(AUCPR Loss附公式推导与代码)

本文系统介绍了AUCPR Loss的原理与应用。针对不平衡分类任务中AUC指标不够敏感的问题,提出通过优化PR曲线面积(AUCPR)来提升模型性能。文章详细推导了AUCPR的可微近似实现:首先用sigmoid函数软化阈值判断,构造可微的TP/FP/FN计数;然后基于软Precision和Recall计算近似PR曲线面积;最后通过数值积分得到可优化的损失函数。特别讨论了温度参数τ对训练稳定性的影响,并比较了AUCPR与AUC、AP等指标的异同。该方法适用于医学筛查、欺诈检测等极端不平衡场景,能更准确反映模型对

悦学共鸣,温柔以待,汇聚光芒,共同成长 441

ElectrolyteGPT:首个电池电解液逆向设计的生成式 AI 系统 —— 算法原理与复现解析

数据驱动的重要性:1100 万→100 万的精心筛选,比单纯增大模型更有效领域适配:fLine 表示法、正则分词、化学感知的数据增强(SMILES randomization)都是关键小模型的力量:6M 参数在特定化学空间的表现,远超通用大模型在相同任务上的零样本能力条件生成的极限:10 维条件导致模型崩溃,提示我们需要更好的条件编码策略(如 diffusion guidance、RLHF-style 偏好优化)未来方向配方实验验证。

ASKCOS博客 123

HbbTV测试套件:为智能电视应用提供全面的测试解决方案

HbbTV测试套件:为智能电视应用提供全面的测试解决方案 HbbTV测试套件是一个开源项目,旨在帮助开发者、制造商和广播商针对HbbTV(Hybrid Broadcast Broadband TV)标准进行测试和验证。通过该项目,您可以确保您的智能电视应用程序在各种设备和平台上的表现一致,并符合HbbTV规范。 HbbTV测试套件能用来做什么? 验证兼容性:HbbTV测试套件可以确保您的应用程序...

gitblog_00006的博客 584

Unreal5从入门到精通之如何实现移动端触屏滑动手势

随着移动设备的普及,越来越多的游戏和应用选择在移动平台上发布。Unreal Engine 5(UE5)作为一款强大的游戏引擎,提供了丰富的工具和功能,帮助开发者打造出色的移动体验。UE5不仅提升了图形质量,还大幅简化了开发流程,使得开发者能够更专注于游戏设计和用户体验。在移动游戏中,触屏滑动手势是用户与应用互动的主要方式之一。然而,许多开发者在实现这些功能时常常遇到困难。为了填补这一知识空白,本篇文章将详细介绍如何在UE5中实现移动端触屏滑动手势,帮助你从入门到精通,提升你的开发技能。

TxNet 1136

hbbtv

Hbbtv当时的核心思想是什么呢?他希望进入门槛低,不希望重新发明一个新技术,重新创造一个新东西,其实背后的思想是期望对这种广播公司也好,希望对这种设备厂商来讲也好,他们的投资在Hbbtv这块是非常有限的,这是当时第一个核心思想. 第二个核心思想,Hbbtv希望借助已有的成熟的标准,从技术上不再需要探讨、验证一些东西,比如说DVD这些东西都是非常好的规范了,他希望借助现有规范最好的东西放在一起,

产业互联网&消费类电子 3273

LVGL colorwheel组件教程一(调色板)

【代码】LVGL colorwheel组件教程一(调色板)

摸鱼专家 429

块存储:AIO的直接写流程注释

提交io流程中aio_write之前函数的注释,可参考“块存储:AIO的直接读流程注释”。

yiyeguzhou100的专栏 1333

娱乐视频直播背后的技术支持——DASH重构

电视直播是历史悠久的业务,这也是PayTV市场的主要收入来源,每年全球超过2500亿美金的收入依赖于电视直播这个业务产生。新生代可能已经逐渐远离了电视机,更多选择Mobile Terminal、PAD、PC并且通过互联网随时随地的看视频,电视直播依然是最受欢迎的基本业务之一。但在全球范围内,主流的OTT都是从点播开始的,高质量的直播服务很少见到,为什么呢?

华为开发者社区的博客 8286

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: hbbtv
下一篇: 【CI】CI三层设计原则
datamining2005
博客等级 码龄20年 400粉丝 113原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值