CN108875685B - 一种自适应匹配随机共振的水下auv检测方法 - Google Patents

一种自适应匹配随机共振的水下auv检测方法 Download PDF

Info

Publication number
CN108875685B
CN108875685B CN201810705446.2A CN201810705446A CN108875685B CN 108875685 B CN108875685 B CN 108875685B CN 201810705446 A CN201810705446 A CN 201810705446A CN 108875685 B CN108875685 B CN 108875685B
Authority
CN
China
Prior art keywords
signal
noise
frequency
matching
stochastic resonance
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.)
Active
Application number
CN201810705446.2A
Other languages
English (en)
Other versions
CN108875685A (zh
Inventor
王海燕
董海涛
马石磊
申晓红
锁健
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810705446.2A priority Critical patent/CN108875685B/zh
Publication of CN108875685A publication Critical patent/CN108875685A/zh
Application granted granted Critical
Publication of CN108875685B publication Critical patent/CN108875685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Acoustics & Sound (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种自适应匹配随机共振的水下AUV检测方法，对接收到的时域信号进行白化处理，建立二阶非线性双稳态随机共振系统，通过优化输出信噪比增益测度以及同步克莱姆逃逸率实现噪声匹配与频率匹配；按照设定的步长改变信号频率，选取信噪比最大值作为最优匹配值，并提取其对应的信号频率即为目标特征线谱频率；用功峰度作为检验统计量，判断信号的有无。本发明能够大幅提升目标特征线谱处的信号能量及局部信噪比，对完全淹没的噪声中的特征信号亦能得到明显的增强输出。

Description

一种自适应匹配随机共振的水下AUV检测方法
技术领域
本发明涉及水下目标探测和信号检测领域，尤其是一种弱信号的检测方法。
背景技术
近年来，针对水面小船、水下无人航行器(AUVs)等水中小目标被动探测的研究逐渐成为国内外水下信息领域新的研究热点。新型水下无人航行器相比传统水面舰船及潜艇具有体积小、噪声小等优点。随着先进的声隐身技术以及新时期水下预警系统对探测作用半径不断提升的需求，传统方法感知与提取这类新兴的水中弱小目标关键特征的能力面临新的挑战。
在信号检测领域，随机共振的弱信号检测方法因其对弱信号的增强特性而被国内外研究机构所关注。随机共振是一种将强背景噪声信号通过特殊的非线性系统(共振系统)，从而使噪声能量转换为信号能量的方法，而并非像传统的弱信号检测方法(高阶谱分析、小波分析和经验模态分解分析等)那样通过滤除噪声的方式在去噪的同时也减弱了信号，难以适用于低信噪比的微弱信号检测。
随机共振是以随机非线性微分方程为数学模型，研究物理系统输出与噪声、系统参数以及激励信号之间非单调的一种非线性现象。而随机共振技术则利用了噪声来增强目标信号，以提高探测、检测性能。具体来说，随机共振技术通过建立合适的系统，将部分噪声能量转化为信号能量，能够大幅度提高输出信噪比。
对于随机共振的研究，可以分为两个方向：1)寻找最优噪声强度使得系统输出信噪比最大化；2)通过采用调节系统参数的方式来替代调节噪声强度，通过改变系统结构，使得系统、信号和噪声达到共振效果。然而对于实际系统，接收信号的噪声往往是固定的，若接收噪声强度未超过最优噪声强度，可通过外加噪声的方式使之达到最优共振效果；反之，若接收噪声强度已超过最优噪声强度，则这类方法将不再有用。因此，研究人员开始采用调节系统参数的方式来替代调节噪声强度。然而，实际环境中接收信号的信噪比往往是不稳定的，通过调节系统参数使之匹配接收信号的方法往往需要一个寻优的过程，即便是自适的应系统参数调节方式也耗时太多，难以满足实际工程对实时性的需求。
小参数的问题(绝热近似假设条件)一直是制约随机共振弱信号检测方法推广的重要因素，尤其是对输入信号的频率敏感，输入信号的频率只有位于噪声能量集中的低频区域，才有可能使输入信号被适量的噪声选择而产生随机共振现象。一旦输入信号的频率离开噪声能量集中的低频区域，那么随机共振现象会迅速弱化或消失。为此，研究人员提出选择压缩(或二次)采样频率、尺度变换、自适应扫频随机共振等方法。其中，选择压缩(或二次)采样频率是将大频率通过降采样的方式转换为低频率，使得大频率信号变缓，近似满足随机共振的小参数条件，于是在大参数条件下，有可能产生(类)随机共振现象。尺度变换借助频谱搬移的思想，将高频信号搬到低频，但是在处理高频信号的过程中，需要设计合适的滤波器对信号进行预处理，共振的效果也往往依赖于滤波器设计的情况，对于实际环境的适应性较差。
目前在海洋环境中对水下AUV等小目标探测难度较大，将自适应扫频方法引入水下AUV目标检测也存在很大问题，一个是海洋环境中的低信噪比问题，一个是传统随机共振扫频方法计算量大、工程实现难、效率低。因此拟采用自适应匹配随机共振方法进行强海洋背景噪声下的水下AUV检测。
发明内容
为了克服现有技术的不足，本发明提供一种自适应匹配随机共振(AMSR)增强的水下AUV检测方法，给出自适应匹配随机共振系统设计方法，通过建立自适应匹配随机共振模型，以最大局部信噪比及其峰度为表征测度，促进其工程应用。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1，对接收到的时域信号r(n)进行时域白化处理，得到白化的信号rwhite(n)＝r(n+m)-r(n)，其中，n＝0,1,2,...为采样点序号，m为间隔的采样点数；
步骤2，采用最大似然估计估计噪声强度，计算噪声方差
Figure BDA0001715352280000021
其中，N为信号点数，T(x)为检验统计量；
步骤3，建立二阶非线性双稳态随机共振系统
Figure BDA0001715352280000022
其中x为系统输出，γ为二阶系统阻尼参数，
Figure BDA0001715352280000023
表示接收到的特征线谱信号，A0为输入信号幅值，f0为输入信号频率，
Figure BDA0001715352280000024
为初始相位；n(t)为噪声强度为D的背景噪声；非线性双稳态势函数
Figure BDA0001715352280000025
a＞0,b＞0，a、b为双稳态随机共振系统的势垒参数，系统势函数有两个稳态点在
Figure BDA0001715352280000031
处，被在零点处的势垒ΔV＝a2/4b分开；
步骤4，建立参数匹配的随机共振系统，通过优化输出信噪比增益测度以及同步克莱姆逃逸率实现噪声匹配与频率匹配；所述的匹配参数
Figure BDA0001715352280000032
其中e为自然对数，信号频率f0通过设定信号频率搜索范围[fstart,fend]以及搜索步长fstep选取，D为噪声强度；
为了尽可能覆盖水下声信号的所有频段，信号频率f0可以在水下声信号常用探测范围1000Hz～10000Hz中以搜索步长1Hz进行选取。
步骤5，将二阶非线性双稳态随机共振系统的二阶方程化简为两个一阶方程，
Figure BDA0001715352280000033
然后用四阶龙戈库塔算法求解方程组，
Figure BDA0001715352280000034
其中h为龙戈库塔步长参数；
步骤6，设定时间尺度搜索范围[hstart,hend]以及搜索步长hstep，根据设定的时间尺度搜索范围及搜索步长自适应寻找信号频率处最大的输出功率谱PMAX，并记录fstart所对应最优时间尺度hopt和PMAX值；
步骤7，计算局部信噪比测度
Figure BDA0001715352280000035
其中Pd表示特征频率处的功率谱值，ΔB为信号频率附近的频带带宽，
Figure BDA0001715352280000036
表示局部噪声的能量；
步骤8，按照设定的步长fstep改变信号频率，重复步骤5～步骤7，选取信噪比最大值作为最优匹配值，并提取其对应的信号频率即为目标特征线谱频率f0；
步骤9，以功峰度
Figure BDA0001715352280000041
为测度指标对局部信噪比进行二次表征，其中fi为搜索的频率值；
步骤10，采用二元假设检验的方式进行分析，加性噪声模型下的两个假设问题为
Figure BDA0001715352280000042
H0为零假设，即只有噪声，没有目标信号，H1为备选假设，即有目标信号，s为需要检测的弱周期信号，n为列维背景噪声；当经过随机共振系统进行检测时上式变为
Figure BDA0001715352280000043
其中f(·)为匹配随机共振系统增益，则弱周期信号检测问题就转化为判断上面的两个假设哪个成立，用功峰度作为检验统计量，判断信号的有无。
本发明的有益效果是：在前期参数匹配随机共振的框架下进一步提出了一种自适应参数匹配随机共振微弱特征信号检测方法，仿真分析了其非线性滤波性能以及用峰度作为第二测度的检测性能，并利用实测AUVs数据验证了本方法的实用性能。结果显示利用自适应匹配随机共振可以大幅提升目标特征线谱处的信号能量及局部信噪比，对完全淹没的噪声中的特征信号亦能得到明显的增强输出，能够验证本方法对弱小目标关键特征检测的有效性。研究成果可为新型水中兵器引信、编队反潜作战系统、预警防护系统、我国海域安全监测网络构建等提供技术支撑，相关理论方法同样适用于其他各类水中舰艇目标，可用于提升水中兵器、水面及水下舰艇在复杂海洋环境噪声下对敌方弱、小目标的被动探测能力。
附图说明
图1是本发明的自适应随机共振地震波特征提取方法原理框图。
图2是本发明的仿真输入信号时域与频域图。
图3是本发明的自适应匹配随机共振系统输出信号时域与频域图。
图4是本发明中局部输出信噪比的峰度表征图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明的具体步骤如下：
步骤1：接收信号预处理
对接收到的时域信号，采用时域白化处理方法，由式(1)计算可得：
rwhite(n)＝r(n+m)-r(n) (1)
其中，rwhite(i)为白化的信号，r为接收信号，n＝0,1,2,...为采样点序号，m为间隔的采样点数；
步骤2：噪声强度估计
采用最大似然估计的方法，估计噪声强度，即只有噪声输入时的方差，由式(2)计算可得：
Figure BDA0001715352280000051
其中，
Figure BDA0001715352280000052
为噪声的方差，N为信号点数，T(x)为检验统计量；
步骤3：随机共振系统构建设计
建立二阶非线性双稳态随机共振系统：
Figure BDA0001715352280000053
其中γ为二阶系统阻尼参数，
Figure BDA0001715352280000054
表示接收到的特征线谱信号，A0为输入信号幅值，f0为输入信号频率，
Figure BDA0001715352280000055
为初始相位；n(t)为噪声强度为D的背景噪声；V(x)为非线性双稳态势函数；
Figure BDA0001715352280000056
其中a、b为双稳态随机共振系统的势垒参数，系统势函数有两个稳态点在
Figure BDA0001715352280000057
处，被在零点处的势垒ΔV＝a2/4b分开。
步骤4：选取起始信号及匹配系统参数
快速建立参数匹配的随机共振系统，通过优化输出信噪比增益测度以及同步克莱姆逃逸率实现噪声匹配与频率匹配，其匹配参数由式(5)计算可得：
Figure BDA0001715352280000058
其中e为自然对数，信号频率f0通过设定信号频率搜索范围[fstart,fend]以及搜索步长fstep中选取，噪声强度D可以通过经典统计信号处理理论估计得到，由于实际接收信号的噪声强度一般都比较大，因此可以简单设定参数a＝1以便在任意环境噪声下快速建立参数匹配的随机共振系统。
步骤5：系统数值求解
首先，将二阶方程化简为两个一阶方程，
Figure BDA0001715352280000061
然后用如下四阶龙戈库塔算法(RK4)求解方程组：
Figure BDA0001715352280000062
其中h为龙戈库塔步长参数。
步骤6：搜索最优步长参数
设定时间尺度搜索范围[hstart,hend]以及搜索步长hstep，根据设定的时间尺度搜索范围及搜索步长自适应寻找信号频率处最大的输出功率谱PMAX，并记录fstart所对应最优时间尺度hopt和PMAX值。
步骤7：系统输出局部信噪比与存储
以局部信噪比测度指标，局部信噪比测度的表示如下：
Figure BDA0001715352280000063
其中Pd表示特征频率处的功率谱值，ΔB为信号频率附近的频带带宽，
Figure BDA0001715352280000064
表示局部噪声的能量。
将信噪比及其对应的信号频率和输出信噪比。
步骤8：改变信号频率，执行步骤4到步骤7。
步骤9：在存储的信噪比中选取最大值作为最优匹配值，并提取其对应的信号频率即为目标特征线谱频率f0。
步骤10：峰度指标
以功峰度为测度指标对局部信噪比进行二次表征，预期可以在更低信噪比下得到更好的提取性能，峰度可以表示为：
Figure BDA0001715352280000071
其中fi为搜索的频率值。
步骤11：检测器
采用二元假设检验的方式进行分析，加性噪声模型下的两个假设问题为，
Figure BDA0001715352280000072
H0为零假设，即只有噪声，没有目标信号，H1为备选假设，即为有目标信号，s即为需要检测的弱周期信号，n为列维背景噪声。当经过随机共振系统进行检测时上式变为，
Figure BDA0001715352280000073
其中f(·)为匹配随机共振系统增益，则弱周期信号检测问题就转化为判断上面的两个假设哪个成立，用步骤10中的T作为检验统计量，判断信号的有无。

Claims (2)

1.一种自适应匹配随机共振的水下AUV检测方法，其特征在于包括下述步骤：
步骤1，对接收到的时域信号r(n)进行时域白化处理，得到白化的信号rwhite(n)＝r(n+m)-r(n)，其中，n＝0,1,2,...为采样点序号，m为间隔的采样点数；
步骤2，采用最大似然估计估计噪声强度，计算噪声方差
Figure FDA0001715352270000011
其中，N为信号点数，T(x)为检验统计量；
步骤3，建立二阶非线性双稳态随机共振系统
Figure FDA0001715352270000012
其中x为系统输出，γ为二阶系统阻尼参数，
Figure FDA0001715352270000013
表示接收到的特征线谱信号，A0为输入信号幅值，f0为输入信号频率，
Figure FDA0001715352270000014
为初始相位；n(t)为噪声强度为D的背景噪声；非线性双稳态势函数
Figure FDA0001715352270000015
a＞0,b＞0，a、b为双稳态随机共振系统的势垒参数，系统势函数有两个稳态点在
Figure FDA0001715352270000016
处，被在零点处的势垒ΔV＝a2/4b分开；
步骤4，建立参数匹配的随机共振系统，通过优化输出信噪比增益测度以及同步克莱姆逃逸率实现噪声匹配与频率匹配；匹配参数
Figure FDA0001715352270000017
其中e为自然对数，信号频率f0通过设定信号频率搜索范围[fstart,fend]以及搜索步长fstep选取，D为噪声强度；
步骤5，将二阶非线性双稳态随机共振系统的二阶方程化简为两个一阶方程，
Figure FDA0001715352270000018
然后用四阶龙戈库塔算法求解方程组，
Figure FDA0001715352270000019
其中h为龙戈库塔步长参数；
步骤6，设定时间尺度搜索范围[hstart,hend]以及搜索步长hstep，根据设定的时间尺度搜索范围及搜索步长自适应寻找信号频率处最大的输出功率谱PMAX，并记录fstart所对应最优时间尺度hopt和PMAX值；
步骤7，计算局部信噪比测度
Figure FDA0001715352270000021
其中Pd表示特征频率处的功率谱值，ΔB为信号频率附近的频带带宽，
Figure FDA0001715352270000022
表示局部噪声的能量；
步骤8，按照设定的步长fstep改变信号频率，重复步骤5～步骤7，选取信噪比最大值作为最优匹配值，并提取其对应的信号频率即为目标特征线谱频率f0；
步骤9，以功峰度
Figure FDA0001715352270000023
为测度指标对局部信噪比进行二次表征，其中fi为搜索的频率值；
步骤10，采用二元假设检验的方式进行分析，加性噪声模型下的两个假设问题为
Figure FDA0001715352270000024
H0为零假设，即只有噪声，没有目标信号，H1为备选假设，即有目标信号，s为需要检测的弱周期信号，n为列维背景噪声；当经过随机共振系统进行检测时上式变为
Figure FDA0001715352270000025
其中f(·)为匹配随机共振系统增益，则弱周期信号检测问题就转化为判断上面的两个假设哪个成立，用功峰度作为检验统计量，判断信号的有无。
2.一种权利要求1所述的自适应匹配随机共振的水下AUV检测方法，其特征在于：所述的信号频率f0在水下声信号常用探测范围1000Hz～10000Hz中以搜索步长1Hz进行选取。
CN201810705446.2A 2018-07-02 2018-07-02 一种自适应匹配随机共振的水下auv检测方法 Active CN108875685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810705446.2A CN108875685B (zh) 2018-07-02 2018-07-02 一种自适应匹配随机共振的水下auv检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810705446.2A CN108875685B (zh) 2018-07-02 2018-07-02 一种自适应匹配随机共振的水下auv检测方法

Publications (2)

Publication Number Publication Date
CN108875685A CN108875685A (zh) 2018-11-23
CN108875685B true CN108875685B (zh) 2021-06-11

Family

ID=64297658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810705446.2A Active CN108875685B (zh) 2018-07-02 2018-07-02 一种自适应匹配随机共振的水下auv检测方法

Country Status (1)

Country Link
CN (1) CN108875685B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738899B (zh) * 2018-12-29 2024-02-13 湖南智晶电子科技有限公司 一种基于随机共振探测阵列的低空飞行器探测方法及系统
CN110135291B (zh) * 2019-04-29 2023-03-24 西北工业大学 一种低信噪比信号的参数估计方法
CN110133580B (zh) * 2019-04-29 2022-08-23 西北工业大学 一种随机共振增强的声矢量信号定向方法
CN110376545B (zh) * 2019-08-21 2022-11-29 西北工业大学 一种单参数调优随机共振增强的单矢量水听器定向方法
CN110572344B (zh) * 2019-09-10 2021-06-11 西北工业大学 一种深海垂直水声通信的解调方法
CN111628750B (zh) * 2020-05-17 2023-04-18 西北工业大学 一种阱内匹配随机共振的非线性滤波方法
CN113221714A (zh) * 2021-04-29 2021-08-06 西北工业大学 一种自适应线谱增强器和随机共振联合的线谱检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6142681A (en) * 1999-02-22 2000-11-07 Vialogy Corporation Method and apparatus for interpreting hybridized bioelectronic DNA microarray patterns using self-scaling convergent reverberant dynamics
CN101561314B (zh) * 2009-05-12 2010-12-29 中国人民解放军国防科学技术大学 随机共振-混沌微弱信号检测方法
CN104964822A (zh) * 2015-06-17 2015-10-07 中国航空工业集团公司上海航空测控技术研究所 一种用于主减速器齿轮箱的无转速信号时域同步平均方法
CN105825197B (zh) * 2016-03-29 2019-01-08 西安交通大学 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法
CN106680628A (zh) * 2016-12-26 2017-05-17 西北工业大学 一种自适应随机共振弱信号匹配检测方法

Also Published As

Publication number Publication date
CN108875685A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108875685B (zh) 一种自适应匹配随机共振的水下auv检测方法
CN109799532B (zh) 一种自适应随机共振的地震波特征提取方法
CN112285768B (zh) 一种高频海洋声导波频散分析装置及方法
CN105223576A (zh) 一种基于单矢量潜标的线谱信号目标自动检测方法
CN110376575A (zh) 一种基于阻尼参数匹配随机共振的低频线谱检测方法
CN107340055A (zh) 一种基于多测度融合的随机共振微弱信号检测方法
CN113567969B (zh) 一种基于水下声信号的非法采砂船自动监控方法及系统
CN111914641B (zh) 一种基于模态强度匹配分析的目标深度辨识方法及系统
Li et al. Underwater small target recognition based on convolutional neural network
CN114859420B (zh) 一种浅海中目标分选及水下目标运动态势和深度判断方法
CN111582026A (zh) 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统
CN111071423A (zh) 一种声学观测型水下航行器
CN109143372B (zh) 海洋上下缆拖缆宽频采集的缆深组合选取方法及系统
CN106840281B (zh) 一种基于类方波前馈控制随机共振的涡街频率检测方法
CN115932808A (zh) 一种基于多特征融合的被动声纳智能探测方法
CN114909610A (zh) 一种水下油气管道泄漏检测与定位的方法及控制系统
Dong et al. Adaptive matched stochastic resonance enhanced speedboat seismoacoustic signature under heavy background noise
Zhuang et al. A method to extract the time-frequency feature of underwater acoustic signals
CN108225283B (zh) 一种基于非线性动力学特征的内波监测系统及方法
Qingxin et al. Research on chaotic character of ship-radiated noise based on phase space reconstruction
Cao et al. A High-Efficiency Optimized Detection Algorithm for Non-Stationary Marine Acoustic Signals in the Time-Frequency Domain
Hallander et al. Underwater Radiated Noise Measurements on a Chemical Tanker¬ Comparison of Full-Scale and Model-Scale Results
Peng et al. Detection of Weak Ship Radiation Characteristic Signal based on Wavelet and Chaos Array
Peng et al. A simple ship radiated noise model and its application in weak signal detection based on higher order cumulant
CN103487794A (zh) 一种基于小波包变换的水底混响抑制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant