二维磁记录读头阵列与信号处理技术研究

来源 :华中科技大学 | 被引量 : 0次 | 上传用户:k3392301
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着信息技术的快速发展,现代社会数字信息量急剧增长。根据国际数据公司(IDC)于2018年11月发布的《数据时代2025(Data Age 2025)》报告,全球所有数据的总和将由2018年的33ZB增长到2025年的175ZB。海量数据的存储需求推动了大容量存储设备市场规模高速扩张,也对各类存储技术的发展提出了更高要求。与光存储、半导体存储等相比,磁存储的单位存储成本更低,综合性能优势更大,基于磁存储技术的磁盘预计在未来仍将占据大容量存储设备市场的主要份额。决定磁盘容量大小的重要因素之一是磁盘内盘片的磁记录面密度。当前,磁记录面密度的进一步提升面临着越来越严峻的“三难”困境。为了突破传统垂直连续薄膜介质磁记录面密度增长的瓶颈,急需引入新的磁记录技术,从磁记录介质、读写磁头、磁记录方式和信号处理等磁记录系统各个方面来共同应对。
  二维磁记录是一种结合瓦记录的写入方式和二维信号处理技术的新型磁记录技术,其从磁记录方式和信号处理两个方面来进一步提升磁记录面密度。瓦记录的写入方式减小了磁道间距,使得回读信号中道间串扰显著增强。沿磁道方向的码间串扰结合跨磁道方向的道间串扰使得二维磁记录通道呈现出二维串扰特征。此外,磁记录密度的提高使得二维磁记录通道中介质噪声成为主要噪声来源。因此,需要在二维磁记录通道模型中引入二维串扰特征和介质噪声特征。本研究拟对二维磁记录读写通道进行分析和建模,以Voronoi模型为基础对二维磁记录通道特征和相关参数进行分析,在此基础上对读头阵列及二维信号处理算法、信道编解码技术和插值定时恢复技术等进行研究,为实现10Tbpsi超高密度磁记录提供理论和技术支持。
  针对二维磁记录通道中的二维信号检测问题,提出一种4-读头阵列结构及信号检测算法。二维信号检测需要同时获取目标磁道及其相邻磁道的信息,若使用单个磁头则会带来较大时延,因此,需要在二维磁记录系统中引入读头阵列。已有的3-读头阵列在跨磁道方向上均匀排列,能有效获取跨磁道方向上的多样性信号。4-读头阵列设计在3-读头阵列的基础上增加一个辅助读头,进一步在沿磁道方向获得多样性信号,为检测磁道上的数据位提供额外的软信息,提高信号检测性能。
  针对二维磁记录通道中的介质噪声问题,提出一种二维调制编码方法,消除引起较大介质噪声方差的孤立比特图案;针对覆写错误和信道检测错误,在二维磁记录系统中应用LDPC码作为差错控制编码并对检测结构进行设计与性能评价。介质噪声是由于输入数据的转换引起的记录介质中相邻磁性颗粒极性的变化产生的,若输入的数据图案引起介质中较多的磁性极性翻转,则会在回读信号中产生较大的噪声方差,不利于信号的检测,因此需要引入调制编码来消除这些数据图案。此外,应用数据依赖的噪声预测方法,进一步提高系统的检测性能。瓦记录信息写入方式常常伴随有磁头擦除效应带来的写入错误,即部分已写入的信息位被覆写而无法被检测和恢复,因此需要在二维磁记录通道中应用差错控制编码,对写入过程中产生的错误和信号检测过程中的错误进行纠错以恢复信息位。
  针对二维磁记录通道中的定时恢复问题,提出一种迭代的二维插值定时恢复与信号检测方法,使用两个定时误差检测器分别对沿磁道方向和跨磁道方向的定时误差进行估计,再分别生成相应的相位偏移。由于在当前位置处无法获得未来采样的定时误差估计值,将导致无效的信号检测和当前位置的定时误差估计,因此使用来自以前迭代的定时误差估计和信号检测器判决结果来进一步提高信号检测性能。
其他文献
流表更新在软件定义网络(Software Defined Network, SDN)中是十分频繁的,若不能保证流表规则的一致性更新,则可能导致网络中出现黑洞、传输环路、链路拥塞等情况,从而影响网络的性能。如何进行流表的一致性更新以确保数据包在更新期间的正常传输一直都是被广泛研究的问题。现有研究方案有的不能同时保证更新过程无黑洞、无环路、无链路拥塞,有的则太过于复杂会影响更新时间,有的则会消耗额外的
对于智能手机平台上的增强现实应用,结合手势这种直观的交互方式能给用户带来更自然的操作体验,对增强现实技术的发展很有意义。然而受限于手机的硬件性能和单目摄像头等条件,目前在安卓平台下还没有一套成熟且完备的解决方案来实现基于手势交互的增强现实系统。  本文设计并实现了一个应用在安卓平台上基于手势交互的增强现实系统,主要解决了手部位姿估计和动态手势识别两个技术难点,结合手势交互模块,实现了根据用户手势控
随着现代应用程序复杂度的不断提高,大规模的数据计算对程序和编程框架的并行性和可扩展性的要求越来越高。数据流编程语言COStream使用特定的文法描述计算任务,编译后将各任务均匀划分至不同的核上,能充分发挥多核平台的性能。但目前COStream语言的文法在编译阶段存在移入归约冲突,导致对运算符优先级的解析存在错误,且缺少内置的矩阵运算接口,影响了COStream数据流编程模型的可用性和易用性。  针
近些年来,物联网技术的飞速发展已经使得人、机、物三者的融合共生成为了一种不可逆转的趋势。人机物融合应用的发展现如今还面临着诸多挑战,如何在边缘场景下进行高效的资源调度是其中的关键问题之一。边缘场景下的人机交互应用会产生大量的数据,如果选择不在网络边缘侧处理这些数据,数据的传输过程将会给网络带宽带来极大的负担,同时数据传输所带来的高网络延迟也会让一些延迟敏感应用的使用体验感大大降低。但在网络边缘处理
学位
移动边缘计算作为边缘计算的一种实现形式,其在一定的程度上有效的弥补了云计算在实时性处理、带宽占用以及数据隐私安全方面的不足,并且在人机物融合应用方面具有十分良好的前景。但是,由于边缘计算所依赖的边缘设备本身所固有的携带能量有限、计算能力有限、存储能力有限的局限性,边缘计算在应用的过程中往往面临着各种各样的挑战。  针对移动边缘计算场景下,边缘设备接入接出灵活的特点,以及由边缘设备接入接出所引发的边
近年来,知识图谱由于其表达丰富信息的能力及其在基于知识的推理中的潜力而受到了广泛的关注。例如,它们可以协助(与移动服务中的用户关联,切换策略和流量内容)相关的深入知识发现。知识图谱嵌入可以将知识图谱中的实体和关系投影到密集且低维的向量中,并通过这种方式有效地测量复杂的语义信息以及这些实体之间的关系。但是,传统的知识图谱嵌入方法仅考虑知识图谱中的直接事实,在面对稀疏数据时,很难实现对实体和关系的合理
学位
在如今的大数据时代,智慧城市的理念与建设蒸蒸日上,作为和谐社会的安全保障,监控摄像头可谓随处可见。监控视频下的行人属性识别通过统计整合信息实现对行人的信息结构化,这对于智能安防、刑事侦查、广告精准投放等领域具有至关重要的作用和意义。但是由于监控视频场景复杂,而且行人属性类别间的相关性和属性类别与空间位置间的关联较难挖掘,行人属性识别任务仍具有挑战性。  本文提出的基于语义分割的行人属性识别方法,针
随着互联网技术的迅速发展,大数据时代下信息过载的问题日益严重。能够提供个性化信息服务的推荐系统成为解决上述问题的主要技术,而其中的矩阵分解模型因其简单高效且准确度高得到了广泛的关注。传统的仅使用用户对商品评分信息的矩阵分解模型及其他协同过滤方法容易受到评分稀疏的影响而效果不佳。现实生活中,广泛存在于网络且容易获取的用户评论能一定程度反映用户的喜好和被评论商品的特征,因此结合评论文本的个性化推荐算法
随着直播行业的迅猛发展,观看直播成为了大量用户的主要文娱活动之一。但是各大直播平台的相互独立性一方面影响了用户体验,一方面难以满足相关部门的监管需求,将各大直播平台动态聚合成为必要。直播平台自身发展的过程中,平台内部也遇到了信息过载的问题,而直播背景下的推荐不同于电影视频等推荐,具有时效性、隐蔽性和不确定性的特征,更为重要的是直播平台在迅速扩张过程中引入的新用户与主播会加剧推荐系统中的冷启动问题,
学位
现实生活中的推荐系统经常面临这样的问题,仅基于短时会话(session)的数据(例如小型新闻网站),而不是长期的用户记录(例如淘宝、京东等)进行推荐。在这种情况下,常用的矩阵分解方法是不准确的。近来,循环神经网络(Recurrent Neural Network, RNN)被广泛应用在基于序列数据的推荐中,但是RNN在基于序列数据的推荐中也有其不足,因为其仅仅考虑了序列中的时序信息,而没有考虑其他
学位