第一篇：信号识别小结
信号识别 1.特征参数法
思路：根据瞬时幅度，瞬时相位，瞬时频率特征参数的差异进行识别 优点：计算量小，简单 缺点：受信噪比影响大
2.功率谱方法
思路：经典功率谱估计有直接法，间接法
直接法： = 2
优点：简单，快速
缺点：当数据N太大时，谱曲线起伏加剧，N太小时，谱分辨率不好。
1间接法：PPERMM1k02jN
1x(k)ejwk
优点：采用分段取平均值方法使方差性能得到改善。缺点：方差性能的改善是以牺牲偏差和分辨率为代价的。
3.基于小波变换（衍生的方法）思路：1.对信号进行小波变换，提取变化后时域的包络方差与均值平方之比作为特征参数
2.提取频域频率，幅度，相位，功率谱密度等特征
3.时域频域相结合
优点：克服傅里叶变换的不足，对瞬时信息具有较强的检测能力
缺点：小波变换的方法对于类间识别效果还不是很理想, 如对2PSK 和4PSK的
识别, 单独用该方法还不能达到很好的分类效果, 必须与其它方法结合 使用。
4.高阶累积量方法
思路：计算二阶、四阶、六阶、八阶累积量，并通过归一化、平方等变换寻找差异进行区分
优点：对噪声不敏感
缺点：对载波和码元同步要求较高
5.人工智能识别方法
思路：利用专家系统、人工神经网络、模糊推理、Agent理论、遗传算法等人工智能方法形成经验与知识的推理规则
优点：不依赖数据库的先验知识，分析灵活，自我学习缺点：容易漏检、误判
6.基于支持向量机的信号识别
思路：通过优化算法函数（结构风险最小化原理，粒子群优化，模糊数学，粗集理论），模型建立（一对一或一对多）和参数的而选择（带宽、均值、峰值点，归一化瞬时幅度等）进行信号的识别 优点：善于解决高维分类问题，识别准确率高 缺点：复杂度高，理论算法还不够完善 通信信号调制方式识别方法综述 1.AWGN条件下的基本识别方法 1.1基于统计模式的调制识别方法
特征参数：信号谱特征，信号平方谱的谱峰数，谱功率，瞬时值统计特征，星座点间的Hellinger距离，高阶累积量、小波变换降噪，分形集维数
优 点：理论分析简单；高信噪比时特征易于提取、适用类型多、识别性能好；在预处理精度较差、先验知识较少的非合作通信环境下仍具有较好的识别性能。
缺 点：算法识别体系繁杂；理论基础不完善；算法效率低。1.2基于决策论的调试识别方法 主要算法：似然比检验法（LRT），最大似然比检验（MLRT），平均似然比检验（ALRT），广义似然比检验（GLRT），混合似然比检验（HLRT），类似然比算法。
优 点：理论基础完备；在低信噪比环境下能够保证较好的性能。缺 点：算法复杂，计算量大；适用性差；识别条件严格。
2.非理想信道的调制识别（非高斯即存在信号衰落，多径效应，色噪声等）2.1基于决策论的调制识别方法：GLRT算法，qHLRT算法，qHLRT-UB算法
2.2基于统计模式的调制识别方法：循环累计特征矢量，四阶累积量，六阶累积量
3.共信道多信号的调制识别（一个信道内存在多个时频混叠的信号）
3.1基于信号分离的识别方法：拟合法；经验模态分解法；独立分量分解法 3.2基于提取特征参数的方法：基于信号的周期谱特征完成重叠信号调试识别；
基于小波变换利用Haar脊线构建识别特征参量的方法；
基于循环谱，循环累积量特性的识别方法； 基于AR、GAR模型提取特征参量的识别方法； 基于压缩感知与高阶循环累计量的识别方法。
经典功率谱估计有直接法和间接法两种,直接法又称周期图法,它是把随机信号y(k)的N点观察数据yN(k)视为一能量有限信号,直接取yN(k)的傅里叶变换,得到XN(ejω),然后再取其幅值的平方,并除以N,作为对y(k)真实的功率谱P(ejω)的估计。以 PPER(ejω)表示周期图法估计出的功率谱,即: PPER(ω)=1N XN(ω)2(1)由于yN(k)可以用FFT快速计算,所以此方法成了谱估计中的一个常用的方法。但是直接法估计出的谱 PPER(ω)性能不好,当数据长度N太大时,谱曲线起伏加剧;N太小时,谱的分辨率又不好,因此需要加以改进。
间接法是对直接法的一种改进,又称之为周期图的平滑。对其改进的另一种方法是所谓平均法,它的指导思想是把一长度为N的数据yN(k)分为L段,分别求每一段的功率谱,然后加以平均。最常用的是Bartlett法,以及Bartlett法的改进Welch法。Bart-lett法中,将信号yN(k)在时间[1,N-1]上分成L段,每段的长度都是M,即N= LM,第i段数据加矩形窗后,变为: yiN(k)= yN[ n+(i-1)M] di[ n+(i-1)M],0≤ n≤ M-1,1≤ i≤ L
(2)式中di(n)是长度为M的矩形窗口。分别计算每一段的功率谱,即 PiPER=1M ∑M-1K= 0xjN(k)e-jwk 2,0≤ i≤ L(3)信号分段越多,方差越小[5]。但方差性能的改善是以牺牲偏差和分辨率为代价的。每段数据长度的选择主要取决于所需的分辨率
小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。
第二篇：语音信号处理与识别
信号系统课程设计报告
欧阳光亮
2012029020025
语音信号处理与识别
目的：理解时域和频域尺度变换基本概念，掌握信号时频域分析方法，正确理解采样定理，准确理解滤波器的概念。内容：
（1）使用Matlab中wavrecord命令录制一段3秒的语音信号，使用wavplay命令播放，录制命令和播放命令中的采样频率设置成相同和不同两种情况，对观察到的现象进行分析并结合课本中的知识对该现象进行解释；（2）使用不同的采样频率录制一段3秒的语音信号，画出信号的时域波形和频谱；找到语音信号的主要频谱成分所在的带宽；观察并分析不同采样频率对波形和频谱的影响；寻找声音信号不出现明显失真的最低采样频率；（3）录制一段男生的语音信号和一段女生的语音信号，对两段音频信号进行混合，设计滤波器将混合的语音信号分开成单独的男声和女声信号，如果分离效果不好，对原因进行解释。
Matlab命令：wavrecord, wavplay, wavwrite, wavread, save, load, fft, fftshift, filter, plot, subplot, figure.过程:(1)相同：
fs1=16000;
%取样频率 fs2=16000;
%播放频率 duration=5;
%录音时间
fprintf('Press any key to start %g seconds of recording...n',duration);
pause;
fprintf('Recording...n');
y=wavrecord(duration*fs1,fs1);
%duration*fs 是总的采样点数
fprintf('Finished recording.n');
fprintf('Press any key to play the recording...n');
pause;
wavplay(y,fs2);wavwrite(y,fs1,'E:matlabrecord3.wav
不同：
fs1=16000;
%取样频率 fs2=8000;
%播放频率 duration=5;
%录音时间
fprintf('Press any key to start %g seconds of recording...n',duration);
pause;
fprintf('Recording...n');
y=wavrecord(duration*fs1,fs1);
%duration*fs 是总的采样点数
fprintf('Finished recording.n');
fprintf('Press any key to play the recording...n');
pause;
wavplay(y,fs2);wavwrite(y,fs1,'E:matlabrecord3.wav');现象：第二次播放时，声音明显失真。
理由：采样频率和播放频率不一样时声音信号会失真。（2）
fs1=16000;
%取样频率 fs2=16000;
%播放频率 duration=5;
%录音时间
fprintf('Press any key to start %g seconds of recording...n',duration);
pause;
fprintf('Recording...n');
y=wavrecord(duration*fs1,fs1);
%duration*fs 是总的采样点数
fprintf('Finished recording.n');
fprintf('Press any key to play the recording...n');
pause;
wavplay(y,fs2);wavwrite(y,fs1,'E:matlabrecord3.wav');
wav=wavread('E:matlabrecord3.wav');Fs=16000;n=length(wav);f=(0:n-1)*16000/n;mag=abs(fft(wav));subplot(2,1,1);plot(wav);subplot(2,1,2);plot(f,mag)
采样频率为1600010.5y/幅度0-0.5-101234x/t采样频率为16000567x 1084600500400y/幅度***400060008000x/f***16000
fs1=8000;
%取样频率 fs2=8000;
%播放频率 duration=5;
%录音时间
fprintf('Press any key to start %g seconds of recording...n',duration);
pause;
fprintf('Recording...n');
y=wavrecord(duration*fs1,fs1);
%duration*fs 是总的采样点数
fprintf('Finished recording.n');
fprintf('Press any key to play the recording...n');
pause;wavplay(y,fs2);wavwrite(y,fs1,'E:matlabrecord3.wav');
wav=wavread('E:matlabrecord3.wav');Fs=8000;n=length(wav);f=(0:n-1)*16000/n;mag=abs(fft(wav));subplot(2,1,1);plot(wav);subplot(2,1,2);plot(f,mag)wavplay(wav,8000)
采样频率为8000hz1 0.5y/幅度0-0.5-1 00.511.52x/s采样频率为8000hz2.533.5x ***0500y/幅度***00x/hz***16000
由图可知：语音信号的主要频谱成分所在的带宽为（0—1200hz），带宽为1200hz。
当采样频率较小时，频谱图上显示带宽较大，波形较稀松。
最低采样频率应为，声音信号的最高频率的两倍，由图可知为2400hz。（3)女声：
wav1=wavread('E:matlabrecord1.wav');wav2=wavread('E:matlabrecord2.wav');wav=wav1+wav2;fp1=800;fp2=1500;fp=[fp1,fp2];fr1=650;fr2=1900;fr=[fr1,fr2];Fs=16000;ap=1;as=40;[n,fn]= buttord(fp/(Fs/2),fr/(Fs/2),ap,as,'z');[b,a]=butter(n,fn);Y1=filter(b,a,wav);Y=fft(Y1);mag=abs(Y);n=length(wav);f=(0:n-1)*16000/n;subplot(3,1,1);mag1=abs(fft(wav));plot(f,mag1)subplot(3,1,2);plot(f,mag);subplot(3,1,3);plot(Y1);wavplay(Y1,16000)
混合400300y/幅度***060008000x/频率女声***16000400300y/幅度 2001000 ***00f/hz***160000.20.1y/幅度0-0.1-0.201234x/t567x 1084
男声：
wav1=wavread('E:matlabrecord1.wav');wav2=wavread('E:matlabrecord2.wav');wav=wav1+wav2;fp1=200;fp2=600;fp=[fp1,fp2];fr1=100;fr2=1000;fr=[fr1,fr2];Fs=16000;ap=3;as=40;[n,fn]= buttord(fp/(Fs/2),fr/(Fs/2),ap,as,'z');[b,a]=butter(n,fn);Y1=filter(b,a,wav);Y=fft(Y1);mag=abs(Y);n=length(wav);f=(0:n-1)*16000/n;subplot(3,1,1);mag1=abs(fft(wav));plot(f,mag1)subplot(3,1,2);plot(f,mag);subplot(3,1,3);plot(Y1);wavplay(Y1,16000)
混合频谱图200150y/幅度***30004000x/hz男声频谱图***040y/幅度***8000x/hz男声时域图***160000.040.02y/幅度0-0.02-0.0401234x/s567x 1084
分离效果不佳，原因：男女声频率有很多重叠的地方。
第三篇：超声波真假信号识别
1。假讯号（非缺陷讯号）的判别
在焊缝探伤过程中，示波屏上常会出现一些非焊缝内部缺陷引起的反射讯号，我们称这类讯号为假讯号。由于探头的质量，仪器性能，焊缝表面形状和结构形式等原因引起的假讯号，往往出现于底波讯号之前，于焊缝内部缺陷反射讯号混杂在一起，使我们在探伤时，对真假讯号容易混淆。由于波型转换而引起的假讯号一般出现在底波反射讯号的后面，由于这类假讯号通常不会与缺陷波讯号相混淆，故探伤时可以不必考虑。1。1探头杂波
在接通探头后（探头不与工件接触），探头杂波即在示波屏上显示。在探伤过程中，探头杂波固定在某一位置上，不随探头移动而移动，所以比较容易鉴别。1。2仪器杂波
由于仪器性能不好或灵敏度调节偏高而产生。当探头移动时，此杂波在示波屏上的位置不变，当降低灵敏度后，此种杂波即行消失。1。3耦合剂反射
探伤时，由于探头前沿耦合剂堆积过多，也会引起反射信号。探头不动，此波时而升高时而降低，很不稳定；探头稍一动，波形变化很大，无一定规律。如果用手指放在探头前面或消除耦合剂后，反射波立即降低或消失。1。4焊角反射
焊缝大都有一定的增强量，增强量与母材的交界处称为焊角。超声波在焊角处的反射称为焊角反射。焊角反射和增强量的高度有关。增强量高反射大，增强量低反射小。判断焊角反射（条件允许时）用手指沾耦合剂轻轻碰击焊角处，反射波会跳动。
位置位置始波焊角反射始波位置位置焊角反射
1。5咬边反射
咬边属于焊道边缘的表面缺陷，但在探伤时它很容易与内部缺陷混淆。并且与焊角反射极为相似。在实际工作中用缺陷定位和表面观察等方法进行排除。
始波咬边反射始波咬边反射位置位置
位置位置咬边反射1。6其它假讯号
比如多层多道焊的沟槽、上下焊缝错位、单面焊双面成型的背透及垫板的反射。则要根据具体情况加上准确的定位进行判断，来确定缺陷的性质。以免造成误判。
第四篇：人脸识别小结
人脸识别总结
一、概述
生物特征识别技术包括人脸识别、指纹识别、语音识别、表情分析及理解、虹膜识别等 人脸识别的实质就是借助计算机工具来分析人脸面部图像，采用不同的特征表示方法提取有效地人脸特征，是可用来辨识身份的一门自动处理技术，常见重要应用案例包括银行和军事重地的自动门禁系统、智能人脸监控系统、用于公共交通体系中安检系统的嫌疑人自动识别系统、网络服务中的在线验证系统等。产生不同个体较大差异性的内在因素主要有种族、性别、年龄、心理等。外在因素主要有光照变化、角度偏转、姿态、噪声千扰、遮挡、以及化妆遮挡物等。18世纪,就有一篇依据人脸特征信息进行身份鉴别的文章发表在《Nature》上,开启了近代最早的人脸识别研宄，最早的自动人脸识别系统是由Chan和Bledsoe创于1965年 人脸识别包括四个主要步骤：图像预处理、人脸检测、面部特征提取和分类识别。
二、研究领域
1、身份验证领域：通过人脸识别技术来判断和鉴别当前用户是否合法或者具备相应的功能权限，例如2008年北京奥运所采用的人脸识别系统。
2、智能视频监控领域，例如车站安装智能监控系统,该系统中加入了人脸识别技术以捕捉人群中的可疑罪犯。
3、人机交互领，例如人脸面部为视觉系统提供了最为主要的特征信息。
三、人脸识别方法及其算法
（一）方法分类
可以分为：基于几何特征的人脸识别、基于弹性图匹配的人脸识别、基于子空间分析的人脸识别、基于神经网络的人脸识别、基于隐马尔可夫模型等。 经典的特征脸“Eigenface”就是该时期由麻省理工学院的M.Turk和A.Pentlaiid提出的，采用PCA变换对原始图像进行降维处理,然后再进行分类识别。 P.Belhumeur等提出的Fisherfaces人脸也被广泛应用在人脸识别中。
90年代中后期,出现了一种基于动态连接结构(Dynamic Link Architecture)的弹性图匹配(Elastic GraphMatching)识别方法。 90年代末支持向量机被应用到人脸识别技术中。
（二）流行算法
主要分为：等距离映射_(Isometrical Mapping,简称 ISOMAP)、局部线性嵌入(Locally LinearEmbedding,简称LLE、拉普拉斯算子特征映射(Laplacian Eigenmaps)、拉普拉斯脸(Laplacianface)方法。基于拉普拉斯Belkin M等提出局部投影(LPP)方法。近期算法包括： 基于稀疏表示的人脸识别方法(Sparserepresentation recognition, SRC)针对此识别方法还出现了较多的改进模型,典型的有
基于Gabor的稀疏表示 基于Metaface的稀疏表示等
（三）难点
1、人脸图像的成像条件包括较大的随机性：光照变化、姿态变换、表情变化、发 型改变、化妆、以及遮挡等复杂条件
2、人脸面部图像的复杂的三维结构属性：包括线性结构和非线性结构
3、人脸图像数据的维数问题
4、不同个体间的面部特征的差异性
四、人脸特征提取研究
（一）人脸特征提取和识别算法分类
基于统计方法 基于几何方法
（二）具体实现
主成分分析(principal component analysis, PCA)是一种典型的数据处理和数据降维方法
Sirovich和Kirby首先研究人脸降维过程，采用基于镜像脸的技术 M.Turk_提出了基于PCA表示的特征脸的概念
Fisher线性判别方法也是人工智能和模式识别领域中的重要方法之一
Foley和Sammon提出了基于Sammon最佳鉴别平面的技术
Duchene和Leclercq提 出了针对多类问题的Foley-Sammon最佳鉴别矢量集的求解公式
Turk和Pentland提出了基于特征脸的特征提取方法 Kittler又提出了基于Fisher鉴别准则的提取面部特征方法 Hong和Yang提出了采用SVD进行特征提取方法 Cheng等改进并提出了一种新的相似性鉴别准则
Liu等提出了基于最佳鉴别广义平面和最佳鉴别广义矢量集的一系列特征提取方法 郭等在此基础上提出了改进的最佳鉴别矢量方法 吴等又改进了广义最佳鉴别矢量方法 基于模型的特征提取方法
Kass等首次提出了主动轮廊线模型(Active Contour Model,ACM), ACM也被称为Snake模型
Lee等提出了一种改进Snake模型的方法,改进方法是由正面和侧面结构化特征来对面部进行特征点定位
基于统计参数化模型的主动形状模型(Active Shape Model, ASM) 优势在于它不仅能有效地定位和提取目标物体的外部轮廓信息,而且能提取目标物体的内部轮廓和形状特征
Cootes等在ASM基础上提出了主动表观模型(Active AppearanceModel,AAM)
（三）需要解决的问题
1、根据奇异值分解原理可以得到人脸图像的奇异值向量所在的基空间(矩阵)是由 人脸图像本身决定的。
2、当光照、姿态、表情变化以及遮挡等复杂条件下,人脸的表象会产生较大变化, 从而造成人脸识别系统的性能下降。
3、需要构造一种能有效描述目标纹理特性的局部纹理轮廓模型,进一步提高模型的 特征点定位精度。
第五篇：显示器的信号接口类型小结
“迈瑞加油站”——自学充电
显示器的信号接口类型小结
——从TTL、LVDS、TDMS到DisplayPort
张开俊
2011.5.25 随着显示信息的日益丰富，和人们对显示效果要求的逐渐提高，LCD面板行业正快速的朝更高分辨率和每种颜色的更多位数加速前进，只有提高主机到LCD面板的数据传输速率，分辨率和颜色饱和度才能有所突破。
对于公司医用产品来说，为了显示特殊的医用图像，如超声、DR，MRI，以及CT，对显示效果的要求已经远远超出了如监护产品需求的只是简单的波形、图形、数字等。如今大数据量的图像处理能力已经在主机端和显示端有很好的技术支持，所以处于主机端和显示设备端之间的型号传输线路和接口成为了显示技术发展的瓶颈和短板。为了满足数据量更大的图像的显示，此局限的重任直接被面板显示接口肩负起来了。
面板显示接口标准
为了最佳的展望未来，重温面板显示接口标准的进展是恰到好处的。从晶体管-晶体管逻辑门电路(TTL)一路发展到今天的DisplayPort数字显示接口，下面讲述了自十九世纪六十年代早期到2007年的面板显示接口概况，并对未来的面板接口技术进行了展望。
晶体管-晶体管逻辑门电路
当显示面板第一次面市时，就选择了经典的TTL数字接口作为标准。在那时，面板尺寸不足10英寸，其VGA分辨率为每个颜色6比特，带宽要求是300 Mbps。TTL集成电路代表了小规模向大规模集成，和今天成万上亿个晶体管相比，那时候每片芯片的容量只有数百个晶体管。
TTL的流行是基于德州仪器公司(TI)的7400系列芯片的面市。当TI系列迅速成为业界标准之后，摩托罗拉、Signetics、SGS-Thomson、国家半导体和其他公司加入了TI标准。和模拟解决方案相比，TTL代表着低成本芯片，它使得数字技术变得更经济可行。
面板尺寸在上世纪九十年代后半期一增加到15英寸范围，就要求采用XGA分辨率格式，而且带宽需求也跃升到了850Mbps。所面临的挑战包括功耗和电磁干扰(EMI)，这使得缓慢的TTL接口成为了显示面板的瓶颈。“迈瑞加油站”——自学充电
图1：显示接口路线图：寻求更高带宽。该图表明了自1994年以来显示器带宽需求的增长。
LVDS显示接口
低压差分信号(LVDS)显示接口(LDI)是一个在双绞线铜电缆上传送两个不同电压的差分信号系统。与TTL比较而言，小幅度信号以及双绞线之间的紧密耦合降低了TTL所固有的功耗和EMI。
LVDS描述了一种高速信号运行在不太昂贵的铜导线上的电气信号方法。在接收端运行着两个不同的电压，LVDS利用电压差(典型值为350 mV)进行编码信息。接受端检测决定着逻辑电平的电压极性。由于信号幅度非常小以及导线之间的紧密电磁场耦合，因此降低了EMI。导线上的平均电压为1.25伏。在上世纪九十年代末期就采用了这种形式的接口。
图2：LVDS视频连接，显示接口示例
“迈瑞加油站”——自学充电
LVDS显然选择的是一种串行数据传输而不是并行传输。LVDS融合了高速和频道内同步，从而可以采用更少的导线传输更多的数据。
基于LVDS技术，国家半导体公司在1999年发布了其开放式LDI规范，从而使得导线的总数量从TTL接口的22根减少到了8根。因此，也减少了连接器和电缆的数量。更重要的是，LDI突破了TTL瓶颈，将带宽增加到了约2.8 Gbps。作为一种开放式标准，LDI并不要求具有绝对的权威性，这一作法使得其快速的成长为了面板显示接口标准。
其次，瓶颈问题开始逐步显示出来。随着面板厂商不断的增加面板尺寸并提高颜色丰富度，40英寸到50英寸的1080p面板已成为主流。该面板的8位颜色要求大约3Gbps的带宽，这大大超过了4对LVDS接口能力。当前，甚至具有4096x2160的数字电影分辨率和显示更深色彩的10位和12位颜色的更大面板都已提上日程。为满足数字电影分辨率的带宽需求，采用了多达8个连接和40对(808根导线)的总线宽度。
然而，在该技术层面上又出现了新问题，如复杂的连接器、导线连接以及串扰噪声、数据未对准和其它问题。当前，LDI是面板显示接口的瓶颈，另一种接口革命正蓄势待发。
最小化传输差分信号
在上世纪九十年代晚期，Silicon Image公司开始采用面板连接、数字可视接口(DVI)和高清多媒体接口(HDMI)的形式向显示行业推广其所有权标准??最小化传输差分信号(TMDS)。在该情况下，发射端混合了具有在铜导线上降低EMI特性的更高级编码算法，从而使得接收端具有健壮的时钟恢复性能。
8位/10位编码是一个二阶处理，它是将一个8位的输入信号转换成10位的编码。和LVDS相似的是，它采用了差分信号来降低EMI及提高精确的信号传输速率。还和LVDS相似的是，它是一个串行的传输设计。
DVI技术已成功的应用于PC领域，HDMI技术也成功的推向了消费电子市场。但是，TMDS并没有因此成为广泛使用的面板接口标准。相反，没有专利费的LVDS已被普遍使用。此外，当前的DVI版本并不能更新，而且具有物理上、功能上及成本上的局限。
DisplayPort “迈瑞加油站”——自学充电
当前，DisplayPort作为视频电子标准协会(VESA)发布的一种数字显示接口标准登上了新的历史舞台。2006年5月首次发布了该标准，2007年4月2日发布了V1.1版本。该标准在电脑与显示器之间或电脑与家庭影院系统之间推广应用。
图3：DisplayPort数据传输通道(来自VESA)
DisplayPort由一个传送音视频流的单向主连接器和一个可用于热插拔的半双工双向辅助通道(AUX CH)组成。主连接器和AUX CH由交流耦合差分线对组成。主连接器有1对、2对、4对导线或通道，AUX CH只有1对导线且不要求连接时钟。该结果最大化的使用了差分线对。
例如，一个分辨率为1680x1050的面板可能通过单个主连接通道得到支持。目前，DisplayPort规范可支持的带宽可达到10.8 Gbps，且可提供超过15米电缆的WQXGA(2560x1600)分辨率。
许可证免费、所有权免费
DisplayPort是一个许可证免费、所有权免费的数字音视频互连技术，它详细的介绍了电脑和显示器之间的连接标准。它得到了AMD/ATI、Dell, IDT, Genesis, HP, Intel, Lenovo, Quantum Data, Molex, NVIDIA公司的支持，而且这些公司也支持该标准继续推广。DisplayPort还被面板厂商作为面板显示接口标准所认可，并且采用该技术的产品也正方兴未艾。
DisplayPort的优点包括：具有更多可获得的液晶显示器功能、满足宽范围要求和应用的性能提升、从入口级到高性能的显示。DisplayPort还可通过其微型包装结构支持未来的技术革新。目前，它正应用于电脑显示器市场领域。“迈瑞加油站”——自学充电
表1表明了DisplayPort和其它以往标准的区别。逐个浏览这些标准，可清晰的认识到DisplayPort具有许多优点。
图4：DisplayPort和LVDS、DVI、HDMI之比较
结论
尽管面板显示技术保持了先进性，但是目前的显示接口标准达到了其带宽极限且成为了其瓶颈。在过去的十年里，所使用的LVDS接口已半途而废。该技术局限在PC和笔记本显示、LCD电视领域带来了突飞猛进的结构性变革。随着更卓越性能和工业的支撑，基于DisplayPort技术的产品正作为下一代技术登上舞台，从而更好的带动显示接口市场。
点击咨询 