CN109658948A - 一种面向候鸟迁徙活动的声学监测方法 - Google Patents
一种面向候鸟迁徙活动的声学监测方法 Download PDFInfo
- Publication number
- CN109658948A CN109658948A CN201811572218.9A CN201811572218A CN109658948A CN 109658948 A CN109658948 A CN 109658948A CN 201811572218 A CN201811572218 A CN 201811572218A CN 109658948 A CN109658948 A CN 109658948A
- Authority
- CN
- China
- Prior art keywords
- sound
- bird
- frame
- sound source
- potential
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001617 migratory effect Effects 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
- G10L2021/02166—Microphone arrays; Beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Circuit For Audible Band Transducer (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种面向候鸟迁徙活动的声学监测方法。本方法针对野外自然环境下利用立体麦克风阵列采集的声学数据,对过顶或接近过顶飞行的鸟类鸣声信号进行测向和跟踪,以实现对于候鸟迁徙活动的监测。本方法首先在野外实地采集连续鸟声数据,并进行预处理;然后基于高斯混合模型完成潜在鸟声片段检测,进而利用自适应滤波算法对各个片段中每一帧数据进行时延估计,获得每一帧中声源的方位角和俯仰角估计;最后针对各帧声源方向估计值的聚类结果,抛弃明显非过顶声源轨迹以及不够平滑的轨迹,实现对于候鸟迁徙活动的跟踪。本方法实现简单,野外实地采集数据的测试结果表明本发明方法性能良好,可以用于无人值守情况下的野外候鸟迁徙活动监测。
Description
技术领域
本发明属于生态监测及阵列信号处理领域,特别涉及一种面向候鸟迁徙活动的声学监测方法。
背景技术
生态监测可以对生态环境状况做出评估,为生态保护提供相关数据信息支持。鸟类是生态系统的重要组成部分,同时也是一种重要的生态学指标。对候鸟迁徙情况进行监测,可以了解鸟类迁徙的规律,同时也可以反映出栖息环境的变化,对于保护生态环境有着重要的意义。
目前常用的鸟类监测方法主要有人工监测、卫星追踪、红外触发相机、声学监测等手段。人工监测是一种传统的鸟类监测方法,需耗费大量人工时间且劳动强度大,效率较低,同时人类会对鸟类活动情况造成影响,从而对影响监测结果的准确性。卫星追踪需捕获候鸟个体并在其身体上放置卫星发射器来获取其迁徙信息,成本较高,难以大范围长期使用。红外触发相机在对鸟类进行监测时适用性不高,对一些鸟类特别是体型较小的鸟类难以进行辨识。声学监测为鸟类监测提供了一种便捷有效的方法,其成本较低,且不需耗费太多人力,可以长期的对野外鸟类活动情况进行监测。当前鸟声监测更多着重于鸟鸣识别方面,本发明将鸟声监测与麦克风阵列结合,对鸟声进行测向,实现对于候鸟迁徙情况的监测。
发明内容
本发明所要解决的技术问题在于提供一种面向候鸟迁徙活动的声学监测方法。
实现本发明目的的技术解决方案为:一种面向候鸟迁徙活动的声学监测方法,结合图1,实现本方法的步骤如下:
步骤1、野外实地连续采集鸟声数据信号,并对采集到的鸟声数据信号进行预处理;
步骤2、从步骤1处理后的数据信号中提取潜在鸟声片段;
步骤3、利用自适应滤波算法对步骤2提取出的潜在鸟声片段进行时延估计,进而获得潜在鸟声片段对应声源的方向估计结果;
步骤4、对步骤3获得的声源方向估计结果进行聚类,根据聚类结果排除轨迹复杂声源以及非过顶声源,实现对候鸟迁徙情况的跟踪。
本发明与现有技术相比,其显著优点为:1)本发明方法实际应用时所采用的数据采集自野外实际环境即可,对环境条件没有要求,结果可靠具有说服力;2)本发明利用麦克风阵列采集数据,受气候变化等影响较小,适用于大多数鸟类,且成本不高,可用于长期野外监测;3)本发明操作简单,实现对野外候鸟迁徙情况的自动监测,可节省大量人力,提高监测效率;4)本发明所采用的声学监测方法为非侵入式监测方法,可以尽量避免对野外候鸟的迁徙活动造成人为影响,使得监测结果更加准确。
附图说明
图1为本发明面向候鸟迁徙活动的声学监测方法的流程图。
图2为本发明基于自适应滤波算法进行时延估计的原理图。
图3为本发明中针对四元立体阵进行声源测向的原理图。
图4为本实施例中第一分钟数据方向估计结果在聚类数不同情况下的聚类结果轮廓图,其中(1)~(3)分别为k为2、3、4对应的聚类结果轮廓图。
图5为本实施例中整段数据利用本方法进行分析得到的结果图,其中(1)为每分钟所得的方位角结果,(2)为每分钟所得的俯仰角结果。
具体实施方式
结合图1,本发明提一种面向候鸟迁徙活动的声学监测方法,包括以下步骤:
步骤1、野外实地连续采集鸟声数据信号,并对采集到的鸟声数据信号进行预处理。
进一步地,步骤1具体为:
步骤1-1、利用麦克风阵列野外实地连续采集鸟声数据信号;
步骤1-2、判断麦克风阵列野外实地连续采集鸟声数据信号的采样率是否完全相同,若存在不同,则对采集到的鸟声数据信号进行重采样以统一采样率;
步骤1-3、对步骤1-2处理后的鸟声数据信号进行预加重处理。
步骤2、从步骤1处理后的数据信号中提取潜在鸟声片段。
进一步地,步骤2从步骤1处理后的数据信号中提取潜在鸟声片段,具体为:
假设麦克风阵列中的麦克风通道以某种顺序进行编号为1,2,...,N,N为麦克风阵列中阵元的总数,选取其中一个麦克风通道作为参考通道;
步骤2-1、对麦克风阵列参考通道的数据信号进行分帧以及短时傅里叶变换,第l帧的短时傅里叶变换为:S(k,l),其中0≤k≤N'/2-1,k为频率序号,l为帧序号,N'为每帧信号进行快速傅里叶变换(Fast Fourier Transform,FFT)的点数;
步骤2-2、求取每一帧信号的短时能量e(l),所用公式为:
步骤2-3、求取每一帧信号的对数能量le(l),所用公式为:
le(l)=log10(e(l));
步骤2-4、利用期望最大化算法获取潜在鸟声事件帧集合以及环境噪声帧集合各自的能量分布概率密度函数参数的最大似然估计wm、μm、σm;
步骤2-5、利用含有两个高斯分量的帧对数能量分布高斯混合模型拟合帧对数能量分布,其中一个高斯分量对应潜在鸟声事件帧集合对数能量分布的概率密度函数,另一个高斯分量对应环境噪声帧集合对数能量分布的概率密度函数,概率密度函数为:
式中,对于第m个高斯分量,m=1,2,wm表示高斯分量权重系数,0≤wm≤1,且满足μm为均值,为方差;
步骤2-6、获取潜在鸟声片段,具体为:
对于第l帧数据信号,通过计算其对数能量,获取相对应的属于潜在鸟声事件帧集合的后验概率以及其属于环境噪声帧集合的后验概率,对比两个后验概率,若该帧属于潜在鸟声事件帧集合的后验概率大于属于环境噪声帧集合的后验概率,则该帧属于某潜在鸟声片段,若下一帧也符合上述条件,则属于同一潜在鸟声片段,由此获得潜在鸟声片段集合{AE1,AE2,…,AEC},C为潜在鸟声片段个数;
步骤2-7、对步骤2-6获得的潜在鸟声片段进行筛选更新,具体为:
(1)获取步骤2-6获得的潜在鸟声片段集合中每个潜在鸟声片段的对数能量,对于第c'个潜在鸟声片段,其片段对数能量为:
式中,lsc'表示第c'个潜在鸟声片段的起始帧序号,lec'表示第c'个潜在鸟声片段的结束帧序号;
(2)获取C个潜在鸟声片段中的片段能量最大值EM,对于第c'个潜在鸟声片段,若EM-Ec'≥a,则认为该片段能量过低,去除该潜在鸟声片段,a的单位为dB。
进一步地,a=20dB。
步骤3、利用自适应滤波算法对步骤2提取出的潜在鸟声片段进行时延估计,其原理图如图2所示,进而获得潜在鸟声片段对应声源的方向估计结果。
进一步地,自适应滤波算法采用最小均方自适应滤波算法。
进一步地,步骤3利用最小均方自适应滤波算法对步骤2提取出的潜在鸟声片段进行时延估计,进而获得潜在鸟声片段对应声源的方向估计结果,具体为:
步骤3-1、麦克风通道i中的第l帧数据信号记为矢量mil;将麦克风通道1作为参考通道,针对麦克风通道2中的第l帧数据信号求取快拍,第j个快拍表示为:
xlj=[m2l(j),m2l(j+1),···,m2l(j+L-1)]T
式中,L表示滤波器长度,l表示帧序号,下标j=1,2,...,Lm-L+1表示第j个快拍,Lm为帧长,上标T表示转置;
步骤3-2、求取自相关矩阵Rxx,所用公式为:
式中,J=Lm-L+1表示快拍数量,上标H表示共轭转置;
步骤3-3、求取互相关向量rxd,所用公式为:
式中,为滤波器的中心点,上标*表示共轭;
步骤3-4、根据最小均方算法准则,求取权矢量w,所用公式为:
w=Rxx -1rxd
w为长度为L的列向量;
步骤3-5、对步骤3-4获得的权矢量w进行峰值检测,记峰值的横坐标为p,则通道1与通道2该帧信号之间的时延点数τ21为:
τ21=p-DL;
步骤3-6、对每一帧数据信号重复步骤3-1至3-5,获得通道1与通道2每一帧数据信号之间的时延,以此也能获得多个通道两两之间数据信号的时延;
步骤3-7、针对步骤3-6获得的每一帧数据信号的时延结果,获取该潜在鸟声片段中每一帧数据的方向估计结果,具体为:
步骤3-7-1、麦克风阵列包括N个无指向性阵元,阵元Hi坐标为(xi,yi,zi),其中,i为阵元序号,声源S的位置坐标为R为声源到原点的距离,为声源的方位角,θ为声源的俯仰角;
针对N元麦克风阵列,N个阵元分别为H1、H2、...、HN,位置坐标分别为(xi,yi,zi),其中,i=1,2,...,N,令声源信号传播至阵元Hi的时刻记作Ti;
步骤3-7-2、对于远场声源,根据已求得的各阵元之间的时延获得如下矩阵方程:
式中,τij=Ti-Tj,为第i个和第j个阵元之间的时延,其中i,j∈{1,2,…,N},且i>j,c为大气中声传播速度,A为与阵列尺寸形状有关的阵列系数矩阵,b和x分别对应阵元间时延矢量和声源方向矢量,该式存在唯一线性最小二乘解:
步骤3-7-3、令矩阵A的广义逆矩阵为:
u1、u2、u3均为长度为(N(N-1)/2)×1的列矢量,
则求得:
由此可得远场声源的最小二乘方位角估计为:
远场声源的最小二乘俯仰角估计θ(b)为:
式中,arctan(·)表示四象限反正切函数;根据的正负号唯一确定方位角和俯仰角的估值,具体为:
当均为正值时,方位角范围为(0°,90°),当为正值为负值时,方位角范围为(90°,180°),当均为负值时,方位角范围为(-180°,-90°),当为负值为正值时,方位角范围为(-90°,0°);为正值时,俯仰角范围为(0°,90°),为负值时,俯仰角范围为(-90°,0°)。
进一步地,步骤3-7中针对步骤3-6获得的每一帧数据信号的时延结果,获取该潜在鸟声片段中每一帧数据的方向估计结果,具体为:
步骤3-7-1、麦克风阵列包括N个无指向性阵元,阵元Hi坐标为(xi,yi,zi),其中,i为阵元序号,声源S的位置坐标为R为声源到原点的距离,为声源的方位角,θ为声源的俯仰角;
结合图3,针对N=4的四元麦克风阵列进行建模,四个阵元分别为H1、H2、H3、H4,位置坐标分别为(xi,yi,zi),其中,i=1,2,3,4,将H1、H2、H3置于xoy平面内,令声源信号传播至阵元Hi的时刻记作Ti;
步骤3-7-2、对于远场声源,根据已求得的各阵元之间的时延获得如下矩阵方程:
式中,τij=Ti-Tj,为第i个和第j个阵元之间的时延,其中i,j∈{1,2,3,4},且i>j,c为大气中声传播速度,A为与阵列尺寸形状有关的阵列系数矩阵,b和x分别对应阵元间波达时间差矢量和声源方向矢量,该式存在唯一线性最小二乘解:
步骤3-7-3、令矩阵A的广义逆矩阵为:
u1、u2、u3均为长度为6的列矢量,
则求得:
由此可得远场声源的最小二乘方位角估计为:
远场声源的最小二乘俯仰角估计θ(b)为:
式中,arctan(·)表示四象限反正切函数,根据的正负号唯一确定方位角和俯仰角的估值,具体为:
当均为正值时,方位角范围为(0°,90°),当为正值为负值时,方位角范围为(90°,180°),当均为负值时,方位角范围为(-180°,-90°),当为负值为正值时,方位角范围为(-90°,0°);为正值时,俯仰角范围为(0°,90°),为负值时,俯仰角范围为(-90°,0°)。
步骤4、对步骤3获得的声源方向估计结果进行聚类,根据聚类结果排除轨迹复杂声源以及非过顶声源,实现对候鸟迁徙情况的跟踪。
进一步地,步骤4具体为:
步骤4-1、利用聚类算法对t时间段内的潜在鸟声片段经步骤3获得的声源方向估计结果进行聚类;t的单位为分钟;
步骤4-2、根据步骤4-1的聚类结果,排除轨迹复杂以及非过顶的声源,所述非过顶的声源为位于与麦克风阵列所在水平面一定夹角范围内或位于麦克风阵列下方的声源,即俯仰角小于阈值g或为负值的声源,g的单位为°;具体为:
步骤4-2-1、对步骤4-1得到的聚类结果,求取各类的类内平均距离,且由此获得最小类内平均距离;
步骤4-2-2、判断某一类的类内平均距离与最小类内平均距离的关系,若某一类的类内平均距离大于聚类结果中最小类内平均距离的b倍,则该类被认为轨迹复杂,将其剔除;
步骤4-2-3、针对步骤4-2-2处理后的每一类声源方向估计结果,将每一类的聚类中心作为该类的声源测向结果,将声源测向结果俯仰角小于阈值g或为负值的声源去除;
步骤4-3、对后续每t时间段内的潜在鸟声片段经步骤3获得的方向估计结果重复步骤4-1至4-2,实现对候鸟迁徙情况的跟踪。
进一步地,步骤4-1的聚类算法具体为K-means聚类算法。
进一步地,t=1,g=15°,b=1.5。
实施例
本发明面向野外实际环境候鸟迁徙情况,发明一种候鸟迁徙声学监测方法,对过顶或接近过顶的鸟声信号进行测向和跟踪,其具体过程为对野外实地采集连续鸟声数据利用最小均方自适应滤波算法对各个片段中每一帧数据进行时延估计,从而获得每一帧中声源的方位角和俯仰角估计;最后针对各帧声源方向估计值的聚类结果,抛弃轨迹明显非过顶以及不够平滑的声源,实现对于候鸟迁徙活动的跟踪。具体步骤如下:
步骤1、利用麦克风阵列野外实地连续采集鸟声数据,本实施例所使用的鸟声数据采集自江西南昌南矶山自然保护区,采样率为32kHz,采样精度为32bit,本实例所选择的鸟声数据时长为5分钟。然后对鸟声数据进行预加重,增强高频分量,本实施例中实现预加重的差分方程为y(n)=x(n)-0.98x(n-1)。
步骤2、针对经过步骤1处理的数据提取潜在鸟声片段,具体步骤如下:
步骤2-1、对经过步骤1处理后的阵列中参考通道数据进行分帧以及短时傅里叶变换,本实施例中选择通道1作为参考通道,第l帧的短时傅里叶变换结果表示为S(k,l),0≤k≤N'/2-1,其中k为频率序号,l为帧序号,N'为每帧信号进行快速傅里叶变换(FastFourier Transform,FFT)的点数;
步骤2-2、计算每一帧的短时能量,结果表示为
步骤2-3、计算每一帧的对数能量,结果表示为le(l)=log10(e(l));
步骤2-4、利用期望最大化(expectation-maximization,EM)算法获得潜在鸟声事件帧集合以及环境噪声帧集合各自的能量分布概率密度函数参数的最大似然估计wm、μm、σm;
步骤2-5、利用含有两个高斯分量的帧对数能量分布高斯混合模型(GaussianMixture Model,GMM)拟合帧对数能量分布,其中一个高斯分量对应潜在鸟声事件帧集合对数能量分布的概率密度函数,另一个高斯分量对应环境噪声帧集合对数能量分布的概率密度函数;概率密度函数表示为:
式中,对于第m个高斯分量,m=1,2,wm表示高斯分量权重系数,0≤wm≤1,且满足μm为均值,为方差;
步骤2-6、对于第l帧数据,通过计算其对数能量,获取相对应的属于潜在鸟声事件帧集合的后验概率以及其属于环境噪声帧集合的后验概率,比较两个后验概率,若该帧属于潜在鸟声事件帧集合的后验概率大于属于环境噪声帧集合的后验概率,则判断该帧属于某潜在鸟声片段,若下一帧也符合上述条件,则属于同一潜在鸟声片段,最终得到潜在鸟声片段集合{AE1,AE2,…,AEC},C为潜在鸟声片段个数;
步骤2-7、对于第c'个潜在鸟声片段,其片段对数能量为:
式中,lsc'表示第c'个潜在鸟声片段的起始帧序号,lec'表示第c'个潜在鸟声片段的结束帧序号;获取C个潜在鸟声片段中的片段能量最大值EM,对于第c'个潜在鸟声片段,若EM-Ec'≥20dB,则认为该片段能量过低,舍弃该片段。经以上步骤处理共提取出360个潜在鸟声片段。
步骤3、对步骤2提取出的各个潜在鸟声片段进行最小均方(Least Mean Square,LMS)自适应滤波算法完成时延估计,进而获得潜在鸟声片段对应声源的方向估计结果,具体步骤如下:
步骤3-1、基于自适应滤波算法进行时延估计的原理图如图2所示,对于步骤2提取出的每个潜在鸟声片段,麦克风通道i中的第l帧数据信号记为矢量mil;将麦克风通道1作为参考通道,针对麦克风通道2中的第l帧数据信号求取快拍,第j个快拍表示为:
xlj=[m2l(j),m2l(j+1),···,m2l(j+L-1)]T
式中,L表示滤波器长度,下标j=1,2,...,Lm-L+1表示第j个快拍,Lm为帧长,上标T表示转置;
步骤3-2、求取自相关矩阵Rxx:
式中,J=Lm-L+1表示快拍数量,上标H表示共轭转置,L的确定方法如下:
(1)通道之间的最大时间差d表示辅助通道阵元与参考通道阵元之间的距离,c为大气中声传播速度;
(2)滤波器长度L=2nmax+1,其中 表示向上取整,fs表示采样频率;
在本实例中,参考通道阵元与其他通道阵元之间最大距离为0.625m,采样率为32kHz,L取119;
步骤3-3、求取互相关向量rxd:
式中,上标*表示共轭;
步骤3-4、根据LMS准则,求取权矢量w:
w=Rxx -1rxd
w为长度为L的列向量;
步骤3-5、对步骤3-4获得的权矢量w进行峰值检测,记峰值的横坐标为p,则通道1与通道2该帧信号之间的时延点数τ21为:
τ21=p-DL;
步骤3-6、对每一帧数据重复步骤3-1至3-5,获得通道1与通道2每一帧数据信号之间的时延,以此也能获得另外的多个通道两两之间的时延;
步骤3-7、针对步骤3-6获得的每一帧数据信号的时延结果,获取该潜在鸟声片段中每一帧数据的方向估计结果,具体为:
步骤3-7-1、麦克风阵列由N个无指向性阵元组成,阵元Hi坐标(xi,yi,zi),其中,i为阵元序号,声源S的位置坐标为R为声源到原点的距离,为声源的方位角,θ为声源的俯仰角;本实施例中用于连续采集鸟声数据信号的麦克风阵列为四元立体阵,如图3所示,对于四元立体阵,四个阵元分别为H1、H2、H3、H4,位置坐标分别为(xi,yi,zi),其中,i=1,2,3,4,为便于分析,将H1、H2、H3置于xoy平面内,令声源信号传播至阵元Hi的时刻记作Ti。本实施例中将所用于采集数据的麦克风阵列各阵元的坐标分别设置为H1(0,0,0),H2(0.625,0,0),H3(0.3125,0.54,0),H4(0.3125,0.18,0.26);
步骤3-7-2、对于远场声源,根据已求得的各阵元之间的时延可得如下矩阵方程:
式中,τij=Ti-Tj,为第i个和第j个阵元之间的时延,i,j∈{1,2,3,4},且i>j,c为大气中声传播速度,A为与阵列尺寸形状有关的阵列系数矩阵,b和x分别对应阵元间时延矢量和声源方向矢量,该式存在唯一线性最小二乘解:
步骤3-7-3、令矩阵A的广义逆矩阵为:
u1、u2、u3均为长度为6的列矢量,
则求得:
由此可得远场声源的最小二乘方位角估计为:
远场声源的最小二乘俯仰角估计θ(b)为:
式中,arctan(·)表示四象限反正切函数;根据的正负号唯一确定方位角和俯仰角的估值,具体为:
当均为正值时,方位角范围为(0°,90°),当为正值为负值时,方位角范围为(90°,180°),当均为负值时,方位角范围为(-180°,-90°),当为负值为正值时,方位角范围为(-90°,0°);为正值时,俯仰角范围为(0°,90°),为负值时,俯仰角范围为(-90°,0°)。
步骤4、对方向估计结果进行聚类,同时根据声源测向结果排除非过顶声源,实现对候鸟迁徙情况的跟踪,具体步骤如下:
步骤4-1、设第一分钟内的潜在鸟声片段经过步骤3处理后输出n个方向估计结果,利用K-means方法对上述n个方向估计结果进行聚类,其中聚类数k通过比较不同k值对应的轮廓图来确定,轮廓图显示一个类中每个点与相邻类中的点的接近程度。该度量范围从+1(表示距离相邻类非常远的点)到0(表示在一个类或另一个类中不明显的点)到-1(表示可能分配给错误类的点)。若轮廓图中,类包含许多具有低轮廓值的点或包含负值的点,即表明类没有很好的区分开,此时需要重新选择聚类个数k。若出现不同聚类个数k具有相似的轮廓图,则查看平均轮廓值,选择平均轮廓值大的聚类个数k。以本实施例所用数据第一分钟数据的方向估计结果为例,其在k分别为2,3,4时的轮廓图如图4所示,因此k值选择为2;
步骤4-2、对于步骤4-1得到的聚类结果,计算各类的类内平均距离,若某一类的类内平均距离大于聚类结果中最小类内平均距离的1.5倍,则该类被认为声源轨迹过于复杂,不再参与后续处理。然后,将每一类的聚类中心作为该类的声源测向结果,其中俯仰角小于15°视作非过顶声源,将其排除;
步骤4-3、对后续每一分钟经过步骤3对提取出的所有潜在鸟声片段的方向估计结果重复步骤4-1至4-2,完成对整段记录数据分析,获得与过顶或接近过顶飞行的鸟类鸣声对应的声源方向。
经过以上步骤分析,以第一分钟数据为例,共提取102个鸟声片段,共计算得出1999个方向估计结果,聚类数为2,两个聚类中心分别为(-20.32,4.60)、(-124.59,33.90),括号中两个数值分别为声源方位角和俯仰角。其中第一个结果俯仰角为4.60°,判断为非过顶,将该声源排除。整段数据经过以上步骤后得到的结果如图5所示,两图分别表示各时间段数据的方位角估计结果和俯仰角估计结果,图中不同符号分别表示同一分钟检测出的不同方向估计结果,同一图中相同符号并不代表其为同一声源的方向估计结果。其中对于第四分钟的数据,得到的声源俯仰角均小于15°,因此第四分钟数据判断为无过顶或接近过顶鸟声,在图中没有结果显示。
本方法以野外实地采集的鸟声数据为例,基于GMM提取潜在鸟声片段,利用LMS自适应滤波算法对各个片段中每一帧数据进行时延估计,获得每一帧中声源的方位角和俯仰角估计,通过对各帧声源方向估计值聚类,抛弃明显非过顶声源轨迹以及不够平滑的轨迹,实现对于过顶或接近过顶的鸟声信号的测向分析。通过本方法,可以实现无人值守情况下候鸟迁徙活动的监测,对于生态研究以及生态保护有着重要的意义。
Claims (10)
1.一种面向候鸟迁徙活动的声学监测方法,其特征在于,包括以下步骤:
步骤1、野外实地连续采集鸟声数据信号,并对采集到的鸟声数据信号进行预处理;
步骤2、从步骤1处理后的数据信号中提取潜在鸟声片段;
步骤3、利用自适应滤波算法对步骤2提取出的潜在鸟声片段进行时延估计,进而获得潜在鸟声片段对应声源的方向估计结果;
步骤4、对步骤3获得的声源方向估计结果进行聚类,根据聚类结果排除轨迹复杂声源以及非过顶声源,实现对候鸟迁徙情况的跟踪。
2.根据权利要求1所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤1所述野外实地连续采集鸟声数据信号,并对采集到的鸟声数据信号进行预处理,具体为:
步骤1-1、利用麦克风阵列野外实地连续采集鸟声数据信号;
步骤1-2、判断麦克风阵列野外实地连续采集鸟声数据信号的采样率是否完全相同,若存在不同,则对采集到的鸟声数据信号进行重采样以统一采样率;
步骤1-3、对步骤1-2处理后的鸟声数据信号进行预加重处理。
3.根据权利要求2所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤2所述从步骤1处理后的数据信号中提取潜在鸟声片段,具体为:
假设麦克风阵列中的麦克风通道以某种顺序进行编号为1,2,...,N,N为麦克风阵列中阵元的总数,选取其中一个麦克风通道作为参考通道;
步骤2-1、对麦克风阵列参考通道的数据信号进行分帧以及短时傅里叶变换,第l帧的短时傅里叶变换为:S(k,l),其中0≤k≤N'/2-1,k为频率序号,l为帧序号,N'为每帧信号进行快速傅里叶变换的点数;
步骤2-2、求取每一帧信号的短时能量e(l),所用公式为:
步骤2-3、求取每一帧信号的对数能量le(l),所用公式为:
le(l)=log10(e(l));
步骤2-4、利用期望最大化算法获取潜在鸟声事件帧集合以及环境噪声帧集合各自的能量分布概率密度函数参数的最大似然估计wm、μm、σm;
步骤2-5、利用含有两个高斯分量的帧对数能量分布高斯混合模型拟合帧对数能量分布,其中一个高斯分量对应潜在鸟声事件帧集合对数能量分布的概率密度函数,另一个高斯分量对应环境噪声帧集合对数能量分布的概率密度函数,概率密度函数为:
式中,对于第m个高斯分量,m=1,2,wm表示高斯分量权重系数,0≤wm≤1,且满足μm为均值,为方差;
步骤2-6、获取潜在鸟声片段,具体为:
对于第l帧数据信号,通过计算其对数能量,获取相对应的属于潜在鸟声事件帧集合的后验概率以及其属于环境噪声帧集合的后验概率,对比两个后验概率,若该帧属于潜在鸟声事件帧集合的后验概率大于属于环境噪声帧集合的后验概率,则该帧属于某潜在鸟声片段,若下一帧也符合上述条件,则属于同一潜在鸟声片段,由此获得潜在鸟声片段集合{AE1,AE2,…,AEC},C为潜在鸟声片段个数;
步骤2-7、对步骤2-6获得的潜在鸟声片段进行筛选更新,具体为:
(1)获取步骤2-6获得的潜在鸟声片段集合中每个潜在鸟声片段的对数能量,对于第c'个潜在鸟声片段,其片段对数能量为:
式中,lsc'表示第c'个潜在鸟声片段的起始帧序号,lec'表示第c'个潜在鸟声片段的结束帧序号;
(2)获取C个潜在鸟声片段中的片段能量最大值EM,对于第c'个潜在鸟声片段,若EM-Ec'≥a,则去除该潜在鸟声片段,a的单位为dB。
4.根据权利要求3所述的面向候鸟迁徙活动的声学监测方法,其特征在于,所述a=20dB。
5.根据权利要求1所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤3所述自适应滤波算法采用最小均方自适应滤波算法。
6.根据权利要求5所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤3所述利用最小均方自适应滤波算法对步骤2提取出的潜在鸟声片段进行时延估计,进而获得潜在鸟声片段对应声源的方向估计结果,具体为:
步骤3-1、麦克风通道i中的第l帧数据信号记为矢量mil;将麦克风通道1作为参考通道,针对麦克风通道2中的第l帧数据信号求取快拍,第j个快拍表示为:
xlj=[m2l(j),m2l(j+1),···,m2l(j+L-1)]T
式中,L表示滤波器长度,l表示帧序号,下标j=1,2,...,Lm-L+1表示第j个快拍,Lm为帧长,上标T表示转置;
步骤3-2、求取自相关矩阵Rxx,所用公式为:
式中,J=Lm-L+1表示快拍数量,上标H表示共轭转置;
步骤3-3、求取互相关向量rxd,所用公式为:
式中,为滤波器的中心点,上标*表示共轭;
步骤3-4、根据最小均方算法准则,求取权矢量w,所用公式为:
w=Rxx -1rxd
w为长度为L的列向量;
步骤3-5、对步骤3-4获得的权矢量w进行峰值检测,记峰值的横坐标为p,则通道1与通道2该帧信号之间的时延点数τ21为:
τ21=p-DL;
步骤3-6、对每一帧数据信号重复步骤3-1至3-5,获得通道1与通道2每一帧数据信号之间的时延,以此也能获得多个通道两两之间数据信号的时延;
步骤3-7、针对步骤3-6获得的每一帧数据信号的时延结果,获取该潜在鸟声片段中每一帧数据的方向估计结果,具体为:
步骤3-7-1、麦克风阵列包括N个无指向性阵元,阵元Hi坐标为(xi,yi,zi),其中,i为阵元序号,声源S的位置坐标为R为声源到原点的距离,为声源的方位角,θ为声源的俯仰角;
针对N元麦克风阵列,N个阵元分别为H1、H2、...、HN,位置坐标分别为(xi,yi,zi),其中,i=1,2,...,N,令声源信号传播至阵元Hi的时刻记作Ti;
步骤3-7-2、对于远场声源,根据已求得的各阵元之间的时延获得如下矩阵方程:
式中,τij=Ti-Tj,为第i个和第j个阵元之间的时延,其中i,j∈{1,2,…,N},且i>j,c为大气中声传播速度,A为与阵列尺寸形状有关的阵列系数矩阵,b和x分别对应阵元间时延矢量和声源方向矢量,该式存在唯一线性最小二乘解:
步骤3-7-3、令矩阵A的广义逆矩阵为:
u1、u2、u3均为长度为(N(N-1)/2)×1的列矢量,
则求得:
由此可得远场声源的最小二乘方位角估计为:
远场声源的最小二乘俯仰角估计θ(b)为:
式中,arctan(·)表示四象限反正切函数;根据的正负号唯一确定方位角和俯仰角的估值,具体为:
当均为正值时,方位角范围为(0°,90°),当为正值为负值时,方位角范围为(90°,180°),当均为负值时,方位角范围为(-180°,-90°),当为负值为正值时,方位角范围为(-90°,0°);为正值时,俯仰角范围为(0°,90°),为负值时,俯仰角范围为(-90°,0°)。
7.根据权利要6所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤3-7所述针对步骤3-6获得的每一帧数据信号的时延结果,获取该潜在鸟声片段中每一帧数据的方向估计结果,具体为:
步骤3-7-1、麦克风阵列包括N个无指向性阵元,阵元Hi坐标为(xi,yi,zi),其中,i为阵元序号,声源S的位置坐标为R为声源到原点的距离,为声源的方位角,θ为声源的俯仰角;
针对N=4的四元麦克风阵列进行建模,四个阵元分别为H1、H2、H3、H4,位置坐标分别为(xi,yi,zi),其中,i=1,2,3,4,将H1、H2、H3置于xoy平面内,令声源信号传播至阵元Hi的时刻记作Ti;
步骤3-7-2、对于远场声源,根据已求得的各阵元之间的时延获得如下矩阵方程:
式中,τij=Ti-Tj,为第i个和第j个阵元之间的时延,其中i,j∈{1,2,3,4},且i>j,c为大气中声传播速度,A为与阵列尺寸形状有关的阵列系数矩阵,b和x分别对应阵元间波达时间差矢量和声源方向矢量,该式存在唯一线性最小二乘解:
步骤3-7-3、令矩阵A的广义逆矩阵为:
u1、u2、u3均为长度为6的列矢量,
则求得:
由此可得远场声源的最小二乘方位角估计为:
远场声源的最小二乘俯仰角估计θ(b)为:
式中,arctan(·)表示四象限反正切函数,根据的正负号唯一确定方位角和俯仰角的估值,具体为:
当均为正值时,方位角范围为(0°,90°),当为正值为负值时,方位角范围为(90°,180°),当均为负值时,方位角范围为(-180°,-90°),当为负值为正值时,方位角范围为(-90°,0°);为正值时,俯仰角范围为(0°,90°),为负值时,俯仰角范围为(-90°,0°)。
8.根据权利要求1所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤4对步骤3获得的声源方向估计结果进行聚类,根据聚类结果排除轨迹复杂声源以及非过顶声源,实现对候鸟迁徙情况的跟踪,具体为:
步骤4-1、利用聚类算法对t时间段内的潜在鸟声片段经步骤3获得的声源方向估计结果进行聚类;t的单位为分钟;
步骤4-2、根据步骤4-1的聚类结果,排除轨迹复杂以及非过顶的声源,所述非过顶的声源为位于与麦克风阵列所在水平面一定夹角范围内或位于麦克风阵列下方的声源,即俯仰角小于阈值g或为负值的声源,g的单位为°;具体为:
步骤4-2-1、对步骤4-1得到的聚类结果,求取各类的类内平均距离,且由此获得最小类内平均距离;
步骤4-2-2、判断某一类的类内平均距离与最小类内平均距离的关系,若某一类的类内平均距离大于聚类结果中最小类内平均距离的b倍,则该类被认为轨迹复杂,将其剔除;
步骤4-2-3、针对步骤4-2-2处理后的每一类声源方向估计结果,将每一类的聚类中心作为该类的声源测向结果,将声源测向结果俯仰角小于阈值g或为负值的声源去除;
步骤4-3、对后续每t时间段内的潜在鸟声片段经步骤3获得的方向估计结果重复步骤4-1至4-2,实现对候鸟迁徙情况的跟踪。
9.根据权利要求8所述的面向候鸟迁徙活动的声学监测方法,其特征在于,所述t=1,g=15°,b=1.5。
10.根据权利要求8所述的面向候鸟迁徙活动的声学监测方法,其特征在于,步骤4-1所述聚类算法具体为K-means聚类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572218.9A CN109658948B (zh) | 2018-12-21 | 2018-12-21 | 一种面向候鸟迁徙活动的声学监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572218.9A CN109658948B (zh) | 2018-12-21 | 2018-12-21 | 一种面向候鸟迁徙活动的声学监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658948A true CN109658948A (zh) | 2019-04-19 |
CN109658948B CN109658948B (zh) | 2021-04-16 |
Family
ID=66116161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811572218.9A Active CN109658948B (zh) | 2018-12-21 | 2018-12-21 | 一种面向候鸟迁徙活动的声学监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658948B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111276151A (zh) * | 2020-01-20 | 2020-06-12 | 北京正和恒基滨水生态环境治理股份有限公司 | 一种鸟声识别系统及识别方法 |
CN111507498A (zh) * | 2019-08-13 | 2020-08-07 | 中国民航科学技术研究院 | 鸟类迁徙预警方法及装置 |
CN112992175A (zh) * | 2021-02-04 | 2021-06-18 | 深圳壹秘科技有限公司 | 一种语音区分方法及其语音记录装置 |
CN113096669A (zh) * | 2021-03-31 | 2021-07-09 | 重庆风云际会智慧科技有限公司 | 基于角色识别的语音识别系统 |
CN117611885A (zh) * | 2023-11-17 | 2024-02-27 | 贵州省生物研究所 | 一种基于Canny边缘检测的候鸟生态调控方法 |
CN117724042A (zh) * | 2024-02-18 | 2024-03-19 | 百鸟数据科技(北京)有限责任公司 | 基于声学双谱的鸟鸣声源定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074236A (zh) * | 2010-11-29 | 2011-05-25 | 清华大学 | 一种分布式麦克风的说话人聚类方法 |
CN104793177A (zh) * | 2015-04-10 | 2015-07-22 | 西安电子科技大学 | 基于最小二乘法的麦克风阵列测向方法 |
CN105203999A (zh) * | 2015-10-20 | 2015-12-30 | 陈昊 | 旋翼飞行器预警装置及预警方法 |
CN107018384A (zh) * | 2017-05-13 | 2017-08-04 | 西安费斯达自动化工程有限公司 | 全景图像/精准图像/球冠栅格适应性鸟鸣声探测系统 |
CN108363041A (zh) * | 2018-02-02 | 2018-08-03 | 浙江大学 | 基于k均值聚类迭代的无人机声源定位方法 |
CN108694953A (zh) * | 2017-04-07 | 2018-10-23 | 南京理工大学 | 一种基于Mel子带参数化特征的鸟鸣自动识别方法 |
CN108922548A (zh) * | 2018-08-20 | 2018-11-30 | 深圳园林股份有限公司 | 一种基于深度学习的鸟、蛙智能监测方法 |
-
2018
- 2018-12-21 CN CN201811572218.9A patent/CN109658948B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074236A (zh) * | 2010-11-29 | 2011-05-25 | 清华大学 | 一种分布式麦克风的说话人聚类方法 |
CN104793177A (zh) * | 2015-04-10 | 2015-07-22 | 西安电子科技大学 | 基于最小二乘法的麦克风阵列测向方法 |
CN105203999A (zh) * | 2015-10-20 | 2015-12-30 | 陈昊 | 旋翼飞行器预警装置及预警方法 |
CN108694953A (zh) * | 2017-04-07 | 2018-10-23 | 南京理工大学 | 一种基于Mel子带参数化特征的鸟鸣自动识别方法 |
CN107018384A (zh) * | 2017-05-13 | 2017-08-04 | 西安费斯达自动化工程有限公司 | 全景图像/精准图像/球冠栅格适应性鸟鸣声探测系统 |
CN108363041A (zh) * | 2018-02-02 | 2018-08-03 | 浙江大学 | 基于k均值聚类迭代的无人机声源定位方法 |
CN108922548A (zh) * | 2018-08-20 | 2018-11-30 | 深圳园林股份有限公司 | 一种基于深度学习的鸟、蛙智能监测方法 |
Non-Patent Citations (2)
Title |
---|
KARL-HEINZ: "Information obtained from long-term acoustic recordings: applying bioacoustic techniques for monitoring wetland birds during breeding season.", <CROSSMARK> * |
顾添翼: "《硕士学位论文》", 30 July 2014, 南京理工大学 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507498A (zh) * | 2019-08-13 | 2020-08-07 | 中国民航科学技术研究院 | 鸟类迁徙预警方法及装置 |
CN111507498B (zh) * | 2019-08-13 | 2023-09-26 | 中国民航科学技术研究院 | 鸟类迁徙预警方法及装置 |
CN111276151A (zh) * | 2020-01-20 | 2020-06-12 | 北京正和恒基滨水生态环境治理股份有限公司 | 一种鸟声识别系统及识别方法 |
CN111276151B (zh) * | 2020-01-20 | 2023-04-07 | 北京正和恒基滨水生态环境治理股份有限公司 | 一种鸟声识别系统及识别方法 |
CN112992175A (zh) * | 2021-02-04 | 2021-06-18 | 深圳壹秘科技有限公司 | 一种语音区分方法及其语音记录装置 |
CN112992175B (zh) * | 2021-02-04 | 2023-08-11 | 深圳壹秘科技有限公司 | 一种语音区分方法及其语音记录装置 |
CN113096669A (zh) * | 2021-03-31 | 2021-07-09 | 重庆风云际会智慧科技有限公司 | 基于角色识别的语音识别系统 |
CN113096669B (zh) * | 2021-03-31 | 2022-05-27 | 重庆风云际会智慧科技有限公司 | 基于角色识别的语音识别系统 |
CN117611885A (zh) * | 2023-11-17 | 2024-02-27 | 贵州省生物研究所 | 一种基于Canny边缘检测的候鸟生态调控方法 |
CN117724042A (zh) * | 2024-02-18 | 2024-03-19 | 百鸟数据科技(北京)有限责任公司 | 基于声学双谱的鸟鸣声源定位方法及系统 |
CN117724042B (zh) * | 2024-02-18 | 2024-04-19 | 百鸟数据科技(北京)有限责任公司 | 基于声学双谱的鸟鸣声源定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109658948B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658948A (zh) | 一种面向候鸟迁徙活动的声学监测方法 | |
CN106772331B (zh) | 目标识别方法和目标识别装置 | |
CN106226751B (zh) | 基于dp-tbd的机动目标检测与跟踪方法 | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
US11581967B2 (en) | Wireless channel scenario identification method and system | |
CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN110738138A (zh) | 基于循环神经网络的水声通信信号调制模式识别方法 | |
CN106851821B (zh) | 一种基于无线通信基站的室内三维定位方法 | |
CN102879766A (zh) | 一种高频地波雷达弱目标检测跟踪方法和装置 | |
CN108680910A (zh) | 基于波形认知的调频广播外辐射源雷达目标检测方法 | |
CN113189014B (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN106100769A (zh) | 一种多个不同体制卫星下微弱回波信号联合检测方法 | |
CN103994820A (zh) | 一种基于微孔径麦克风阵列的运动目标识别方法 | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN111880143B (zh) | 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备 | |
CN110221280A (zh) | 一种抗压制类水声干扰多通道自适应检测方法及系统 | |
CN117451055A (zh) | 一种基于基追踪降噪的水下传感器定位方法和系统 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
Cosentino et al. | Porpoise click classifier (PorCC): A high-accuracy classifier to study harbour porpoises (Phocoena phocoena) in the wild |
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 |