CN105678263A - 一种目标识别的方法和系统 - Google Patents

一种目标识别的方法和系统 Download PDF

Info

Publication number
CN105678263A
CN105678263A CN201610009355.6A CN201610009355A CN105678263A CN 105678263 A CN105678263 A CN 105678263A CN 201610009355 A CN201610009355 A CN 201610009355A CN 105678263 A CN105678263 A CN 105678263A
Authority
CN
China
Prior art keywords
target
angle
strength information
characteristic vector
assemblage characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610009355.6A
Other languages
English (en)
Inventor
许枫
温涛
安旭东
闫路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN201610009355.6A priority Critical patent/CN105678263A/zh
Publication of CN105678263A publication Critical patent/CN105678263A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种传递信息的服务器及方法、信息传递系统，其包括，获取每个所述目标多个角度的目标强度信息；将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。上述方法可以同时利用目标的前向、后向和/侧向散射信息，并在短时间内完成目标的识别，缩短了对入侵目标的探测识别时间，同时提高目标的识别率。

Description

一种目标识别的方法和系统
技术领域
本发明涉及目标识别的技术领域，特别涉及一种目标识别的方法和系统。
背景技术
在大范围水域的水下安保中，过去多采用单基地声纳组网探测系统进行水下目标探测，仅能够利用目标的后向散射特性，组网时需要的声纳数目多，环境适应性差。而且提取的某些特征往往受目标姿态变化的影响较大，具有不稳定性，仅仅利用一个角度的目标信息往往很难将目标识别出来。采用多基地声纳组网技术可以同时获得目标在多个角度的信息，同时利用目标的侧向、后向散射信息，同单基地声纳组网相比，能够在单帧内获得更多的新的可用目标信息，缩短对入侵目标的探测、识别时间。特征提取是目标识别分类的关键环节，目标特征的提取和选择的有效性直接关系到目标识别分类结果的正确性。在多基地声纳系统中，由于声波入射和散射方向的差异，同一水下小目标的同一特征向量在不同接收端存在差异，这是识别目标类型的重要依据。所以，在对小目标进行识别时，应该找到与入射角、散射角和分置角等相关的特征向量。
Sairajan等人将蛙人简化为具有理想散射特性的有限长圆柱，并且对蛙人散射模型进行了理论和实验研究，但是其并未将结果应用于蛙人目标的识别中。
BrianH.Houston等人利用了宽带低频信号测量了单基地下不同频率下蛙人呼吸气瓶的多角度后向散射特性，并提出在实际蛙人探测中，利用目标经过防护区时目标散射强度的变化进行目标识别的方法，但是该实验未采用多基地声纳系统，不能同时利用目标的前向、侧向、后向散射信息，也就不能够在单帧内获得更多的新的可用目标信息，对入侵目标的探测、识别时间长。
发明内容
本发明要解决的技术问题是：如何在短时间内获得更多的可用目标信息，同时提高目标的识别率。
为解决上述技术问题，第一方面，本发明提供了一种目标识别的方法，所述方法包括：
获取每个所述目标多个角度的目标强度信息；
将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
其中，所述获取每个所述目标多个角度的目标强度信息采用了多基地声纳系统。
其中，所述多个角度包括前向、侧向和后向。
优选地，每个所述目标多个角度的目标强度信息为每个目标在同一时刻多个角度的目标强度信息。
优选地，所述获取每个所述目标多个角度的目标强度信息，包括：
向水体中的每个所述目标发送窄带脉冲信号；
接收每个所述目标在不同角度上的第一回波信号；
对所述第一回波信号进行预处理，得到第二回波信号；所述预处理包括，带通滤波和所述第一回波信号的截取；
根据所述第二回波信号，利用直接法测量每个所述目标在不同角度上的目标强度信息。
其中，所述矩特征包括一阶矩特征和二阶矩特征。
另一方面，本发明提供了一种目标识别的系统，所述系统包括：
获取单元，所述获取单元用于获取每个所述目标多个角度的目标强度信息；
提取单元，所述提取单元用于将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
融合单元，所述融合单元用于将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
识别单元，所述识别单元用于将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
其中，所述获取单元采用了多基地声纳系统。
其中，所述多个角度包括前向、侧向和/后向。
优选地，每个所述目标多个角度的目标强度信息为每个目标在同一时刻多个角度的目标强度信息。
由上述技术方案可知，本发明的目标识别的方法和系统，通过获取每个所述目标多个角度的目标强度信息；将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。由此，可以同时利用目标的前向、后向和侧向散射信息，并在短时间内完成目标的识别，缩短了对入侵目标的探测识别时间，同时提高目标的识别率。
附图说明
图1是按照本发明一种实施例的目标识别的方法流程示意图；
图2是按照本发明一种实施例的多目标不同角度上的目标强度示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例适于说明本发明，但不用来限制本发明的范围。
图1是按照本发明一种实施例的目标识别的方法流程示意图；参照图1，所述方法包括：
101、获取每个所述目标多个角度的目标强度信息；
可以理解的是，本发明可以同时获取多个目标的目标强度信息，并对多个目标进行识别。
在此需要强调的是，本发明上述所说的多个角度，包括目标在同一时刻前向、侧向和/后向的多个角度，由于本发明采取的是多基地声纳系统，是基于现有单基地声纳技术的改进而成，因此可想而知，本发明的多个角度也可以是在不同时间段内目标散射信号与入射信号所呈角度。
获取每个所述目标多个角度的目标强度信息，具体包括以下步骤：
1011、向水体中的每个所述目标发送窄带脉冲信号；
1012、接收每个所述目标在不同角度上的第一回波信号；
优选地，在本实施例中是由水听器来接收第一回波信号的。
1013、对所述第一回波信号进行预处理，得到第二回波信号；所述预处理包括，带通滤波和所述第一回波信号的截取；
1014、根据所述第二回波信号，利用直接法测量每个所述目标在不同角度上的目标强度信息。
其中，利用的声纳方程如下：
SL-20*lg(R1)-20*lg(R2)+TS＝EL1公式(1)
SL-20*lg(R3)＝EL2公式(2)
其中，TS表示目标强度，SL表示声源级，R1表示发射与目标的距离，R2表示目标与接收水听器之间的距离，R3表示发射与参考水听器之间的距离。EL1为接收水听器处的回声级，EL2为参考水听器处的回声级。信号回声级的定义为：
公式(3)
Ir表示接收到的声强，I0表示参考声强。
由上述公式(1)(2)(3)可以得到目标强度信息TS。
102、将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
设共采集N个角度上的目标回波，在第i角度上的目标强度为Xi。将各个角度上的目标强度值组合成为一个组合特征向量X＝[X1,X2,…XN]。提取特征向量X的统计特征：
(1)均值： μ = 1 N Σ i = 1 N X i
(2)标准差： σ = 1 N - 1 Σ i = 1 N ( X i - μ )
(3)矩特征：
一阶矩特征： m 1 = Σ n = 1 N n p ( n )
L阶矩特征： m l = Σ n = 1 N ( n - m 1 ) l p ( n ) , l = 2 , 3 , ... , L
本专利中提取的矩特征仅涉及一阶矩特征和二阶矩特征。
其中，p(n)为归一化目标波形，即:
p ( n ) = x ( n ) Σ n = 1 N x ( n )
103、将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
上述第二组合特征向量为一个四维特征向量f＝[μ,σ,m1,m2]，其中m2为二阶矩特征。
104、将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
设总共得到M组第二特征向量。将其中M/2组向量作为训练集，另外M/2组向量作为测试集。首先将训练集数据输入支持向量机分类器，并将每一类目标分别标记为不同的标号。例如，如果有3类目标，那么这3类目标可分别标记为[-101]。通过训练，分类器可以得到分类面和不同目标的目标函数。然后，将每一类目标的测试集输入支持向量机分类器。由于在测试之前，并不知道每一类目标的种类，所以可将测试目标的初始标号均标记为1。经过支持向量机分类器的迭代运算，最终可以得到目标的标号，也就完成了对目标的识别。
此外，如果将目标正确识别的样本数除以测试集总的样本数，还可以得到每类目标的识别率。
图2是按照本发明一种实施例的多目标不同角度上的目标强度示意图。
参见图2，本发明选取了三类目标进行试验，目标分别为呼吸气瓶、不锈钢圆柱和圆球。
可以看出，不同角度下的同一目标的强度信息有所不同，不同目标的强度信息曲线也不相同。特征提取是目标识别分类的关键环节，目标特征的提取和选择的有效性直接关系到目标识别分类结果的正确性。在多基地声纳系统中，由于声波入射和散射方向的差异，同一水下小目标的同一特征向量在不同接收端存在差异，也就是说，不同角度下的同一目标的强度信息有所不同，这是识别目标类型的重要依据。
参见图2，本发明选取了三类目标进行试验，目标分别为呼吸气瓶、不锈钢圆柱和圆球。
本实验是在消声水池进行的，信噪比较高。提取目标强度组合特征向量的均值，标准差，一阶矩阵特征和二阶矩阵特征后，得到三类目标识别率均为100％。
另外，本发明还提供了一种目标识别的系统，包括：
获取单元，所述获取单元用于获取每个所述目标多个角度的目标强度信息；
提取单元，所述提取单元用于将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
融合单元，所述融合单元用于将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
识别单元，所述识别单元用于将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
其中，所述获取单元采用了多基地声纳系统。
其中，所述多个角度包括前向、侧向和/后向。
优选地，每个所述目标多个角度的目标强度信息为每个目标在同一时刻多个角度的目标强度信息。
可以理解的是，本发明可以同时获取多个目标的目标强度信息，并对多个目标进行识别。
在此需要强调的是，本发明上述所说的多个角度，包括目标在同一时刻前向、侧向和/后向的多个角度，由于本发明采取的是多基地声纳系统，是基于现有单基地声纳组网技术的改进而成，因此可想而知。本发明的多个角度也可以是在不同时间段内目标散射信号与入射信号所呈角度。
设共采集N个角度上的目标回波，在第i角度上的目标强度为Xi。将各个角度上的目标强度值组合成为一个组合特征向量X＝[X1,X2,…XN]。提取特征向量X的统计特征：
(1)均值： μ = 1 N Σ i = 1 N X i
(2)标准差： σ = 1 N - 1 Σ i = 1 N ( X i - μ )
(3)矩特征：
一阶矩特征： m 1 = Σ n = 1 N n p ( n )
L阶矩特征： m l = Σ n = 1 N ( n - m 1 ) l p ( n ) , l = 2 , 3 , ... , L
本专利中提取的矩特征仅涉及一阶矩特征和二阶矩特征。
其中，p(n)为归一化目标波形，即:
p ( n ) = x ( n ) Σ n = 1 N x ( n )
其中，上述第二组合特征向量为一个四维特征向量f＝[μ,σ,m1,m2]，其中m2为二阶矩特征。
设总共得到M组第二特征向量。将其中M/2组向量作为训练集，另外M/2组向量作为测试集。首先将训练集数据输入支持向量机分类器，并将每一类目标分别标记为不同的标号。例如，如果由3类目标，那么这3类目标可分别标记为[-101]。通过训练，分类器可以得到分类面和不同目标的目标函数。然后，将每一类目标的测试集输入支持向量机分类器。由于在测试之前，并不知道每一类目标的种类，所以可将测试目标的初始标号均标记为1.经过支持向量机分类器迭代运算，最终可以得到目标的标号，也就完成了对目标的识别。
本发明采取了多基地声纳系统，可以同时利用目标的后向和/侧向散射信息，并通过不同角度的目标强度特征通合为一个组合特征向量，并提取其中的统计特征，能在短时间内完成目标的识别，缩短了对入侵目标的探测识别时间，同时提高目标的识别率。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种目标识别的方法，其特征在于，所述方法包括：
获取每个所述目标多个角度的目标强度信息；
将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
2.如权利要求1所述的方法，其特征在于，所述获取每个所述目标多个角度的目标强度信息采用了多基地声纳系统。
3.如权利要求1所述的方法，其特征在于，所述多个角度包括前向侧向和/后向。
4.如权利要求1所述的方法，其特征在于，每个所述目标多个角度的目标强度信息为每个目标在同一时刻多个角度的目标强度信息。
5.如权利要求1所述的方法，其特征在于，所述获取每个所述目标多个角度的目标强度信息，包括：
向水体中的每个所述目标发送窄带脉冲信号；
接收每个所述目标在不同角度上的第一回波信号；
对所述第一回波信号进行预处理，得到第二回波信号；所述预处理包括，带通滤波和所述第一回波信号的截取；
根据所述第二回波信号，利用直接法测量每个所述目标在不同角度上的目标强度信息。
6.如权利要求1所述的方法，其特征在于，所述矩特征包括一阶矩特征和二阶矩特征。
7.一种目标识别的系统，其特征在于，所述系统包括：
获取单元，所述获取单元用于获取每个所述目标多个角度的目标强度信息；
提取单元，所述提取单元用于将所述每个角度的目标强度信息分别融合成为与所述每个角度相对应的第一组合特征向量，并提取所述多个第一组合特征向量的均值、方差、矩特征；
融合单元，所述融合单元用于将所述每组的均值、方差、矩特征分别融合成为与所述每个角度相对应的第二组合特征向量；
识别单元，所述识别单元用于将所述多个第二组合特征向量输入到支持向量机分类器中,利用所述支持向量机分类器完成每个所述目标的识别。
8.如权利要求7所述的系统，其特征在于，所述获取单元采用了多基地声纳系统。
9.如权利要求7所述的系统，其特征在于，所述多个角度包括前向、侧向和/后向。
10.如权利要求7所述的系统，其特征在于，每个所述目标多个角度的目标强度信息为每个目标在同一时刻多个角度的目标强度信息。
CN201610009355.6A 2016-01-07 2016-01-07 一种目标识别的方法和系统 Pending CN105678263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610009355.6A CN105678263A (zh) 2016-01-07 2016-01-07 一种目标识别的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610009355.6A CN105678263A (zh) 2016-01-07 2016-01-07 一种目标识别的方法和系统

Publications (1)

Publication Number Publication Date
CN105678263A true CN105678263A (zh) 2016-06-15

Family

ID=56299334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610009355.6A Pending CN105678263A (zh) 2016-01-07 2016-01-07 一种目标识别的方法和系统

Country Status (1)

Country Link
CN (1) CN105678263A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910507A (zh) * 2017-01-23 2017-06-30 中国科学院声学研究所 一种检测与识别的方法及系统
CN107590468A (zh) * 2017-09-15 2018-01-16 哈尔滨工程大学 一种基于多视角目标亮点特征信息融合的探测方法
CN110119771A (zh) * 2019-04-29 2019-08-13 杭州电子科技大学上虞科学与工程研究院有限公司 基于组合特征和级联分类器的高压输电线路防震锤检测方法
CN110346802A (zh) * 2018-04-08 2019-10-18 哈尔滨工业大学（威海） 基于计算水声信道参数的水下目标探测方法
CN111142112A (zh) * 2019-12-18 2020-05-12 中国船舶重工集团有限公司第七一0研究所 一种水下锚系小目标快速非成像检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662167A (zh) * 2012-04-11 2012-09-12 西北工业大学 一种水下目标辐射噪声信号的特征提取方法
CN102760235A (zh) * 2011-04-25 2012-10-31 中国科学院声学研究所 一种基于多视的水下目标分类系统及方法
CN103116740A (zh) * 2013-01-24 2013-05-22 中国科学院声学研究所 一种水下目标识别方法及其装置
CN104299248A (zh) * 2014-11-04 2015-01-21 哈尔滨工程大学 利用前视声呐图像对水下多个动态目标运动预测的方法
CN104732190A (zh) * 2013-12-20 2015-06-24 中国科学院声学研究所 一种基于正交纹理相关分析的合成孔径声纳目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760235A (zh) * 2011-04-25 2012-10-31 中国科学院声学研究所 一种基于多视的水下目标分类系统及方法
CN102662167A (zh) * 2012-04-11 2012-09-12 西北工业大学 一种水下目标辐射噪声信号的特征提取方法
CN103116740A (zh) * 2013-01-24 2013-05-22 中国科学院声学研究所 一种水下目标识别方法及其装置
CN104732190A (zh) * 2013-12-20 2015-06-24 中国科学院声学研究所 一种基于正交纹理相关分析的合成孔径声纳目标检测方法
CN104299248A (zh) * 2014-11-04 2015-01-21 哈尔滨工程大学 利用前视声呐图像对水下多个动态目标运动预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邹吉武: "多基地声呐关键技术研究", 《中国博士学问论文全文数据库 工程科技II辑》 *
马珊 等: "前视声呐多特征自适应融合跟踪方法", 《哈尔滨工程大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910507A (zh) * 2017-01-23 2017-06-30 中国科学院声学研究所 一种检测与识别的方法及系统
CN106910507B (zh) * 2017-01-23 2020-04-24 中国科学院声学研究所 一种检测与识别的方法及系统
CN107590468A (zh) * 2017-09-15 2018-01-16 哈尔滨工程大学 一种基于多视角目标亮点特征信息融合的探测方法
CN107590468B (zh) * 2017-09-15 2020-07-24 哈尔滨工程大学 一种基于多视角目标亮点特征信息融合的探测方法
CN110346802A (zh) * 2018-04-08 2019-10-18 哈尔滨工业大学（威海） 基于计算水声信道参数的水下目标探测方法
CN110119771A (zh) * 2019-04-29 2019-08-13 杭州电子科技大学上虞科学与工程研究院有限公司 基于组合特征和级联分类器的高压输电线路防震锤检测方法
CN111142112A (zh) * 2019-12-18 2020-05-12 中国船舶重工集团有限公司第七一0研究所 一种水下锚系小目标快速非成像检测方法

Similar Documents

Publication Publication Date Title
CN105678263A (zh) 一种目标识别的方法和系统
CN107358250B (zh) 基于双波段雷达微多普勒融合的人体步态识别方法及系统
CN104656104B (zh) 基于最大似然估计的卫星导航欺骗信号识别方法及系统
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN107007263B (zh) 一种普适化的睡眠质量测评方法和系统
US6952649B2 (en) Petroleum exploration and prediction apparatus and method
CN105204035B (zh) 卫星导航转发式欺骗攻击防御方法和装置
US11150356B2 (en) Method of testing a PNT configuration
CN105550702B (zh) 一种基于svm的gnss欺骗式干扰识别方法
CN112985574B (zh) 基于模型融合的光纤分布式声波传感信号高精度分类识别方法
CN103617427A (zh) 极化sar图像分类方法
Ahmadi et al. Deinterleaving of interfering radars signals in identification friend or foe systems
CN104794729A (zh) 基于显著性引导的sar图像变化检测方法
CN112327331A (zh) 一种gnss欺骗干扰检测方法、装置、设备和存储介质
CN103116740A (zh) 一种水下目标识别方法及其装置
CN114637001A (zh) 雷达的目标检测方法、装置、设备及存储介质
US6904367B2 (en) Petroleum exploration and prediction apparatus and method
CN105388497B (zh) 基于聚类的卫星导航欺骗攻击防御方法及系统
CN110346032A (zh) 一种基于恒虚警与过零率相结合的φ-otdr振动信号端点检测方法
CN112964938B (zh) 一种基于人工智能的闪电单站定位方法、装置及系统
CN115097495A (zh) 利用耦合技术的卫星定位、定时抗欺骗性能评估检测系统及方法
CN104732190A (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法
Liu et al. Investigation of single‐station classification for short tectonic tremor in Taiwan
Che et al. A compound linear discriminant method for small-magnitude seismic events and its application to the North Korea seismic event of October 9, 2006
Carr et al. Cluster analysis for CTBT seismic event monitoring

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160615

RJ01 Rejection of invention patent application after publication