CN112183280B - 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 - Google Patents
基于emd和压缩感知的水声目标辐射噪声分类方法及系统 Download PDFInfo
- Publication number
- CN112183280B CN112183280B CN202010996846.0A CN202010996846A CN112183280B CN 112183280 B CN112183280 B CN 112183280B CN 202010996846 A CN202010996846 A CN 202010996846A CN 112183280 B CN112183280 B CN 112183280B
- Authority
- CN
- China
- Prior art keywords
- line spectrum
- component
- signal
- original signal
- radiation noise
- 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
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
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于EMD和压缩感知的水声目标辐射噪声分类方法及系统,首先对获取的舰船辐射噪声信号采用EMD分解并利用压缩感知对基本模式分量进行线谱分量的提取;利用最大互信息系数选出基本模式分量中和原始信号的最大相关性系数得到的线谱分量重新合成信号线谱,本发明能够提取出信号中幅值较低的线谱;对提取出的线谱进行稀疏字典的训练,并不同的信号经过稀疏表示后所得到的稀疏编码矩阵分布在不同位置,对后续分类更加有利,再对信号线谱进行时域、频域以及稀疏域特征提取形成能够作为分类依据的精准特征集,能够更加准确的提取出信号的线谱;提取出的稀疏特征具有更好的可分性,在舰船等水声目标辐射噪声分类中识别中具有良好的应用前景。
Description
技术领域
本发明属于水声信号处理领域,具体涉及基于EMD和压缩感知的水声目标辐射噪声分类方法及系统。
背景技术
舰船等水声目标辐射噪声中主要成分包括机械噪声、螺旋桨噪声以及水动力噪声,其包含了较多水声目标运动信息,特别是螺旋桨噪声和螺旋桨唱音所构成的辐射噪声线谱是识别目标和估计目标航速的重要依据,因此,若能从水声目标辐射噪声信号中准确地提取辐射噪声线谱对于水声目标运动信息的获取以及水声目标的分类识别具有重大意义。
水声目标辐射噪声由于产生机理较为复杂,本身具有非平稳和非线性等特征,传统的信号处理方法在处理此类问题时,具有一定的局限性,并且受海洋噪声污染严重,因此声纳系统采集到的水声目标辐射噪声信号包含了大量的背景噪声,就导致水声目标辐射噪声中线谱往往更难以提取。因此,如何在强背景噪声干扰下从辐射噪声中更好地提取出线谱以及寻找辐射噪声特征集也是需要解决的问题。
发明内容
本发明的目的在于提供基于EMD和压缩感知的水声目标辐射噪声分类方法及系统,以克服现有方法在强背景噪声干扰下辐射噪声识别困难等问题。
为达到上述目的,本发明采用如下技术方案:
一种基于EMD和压缩感知的水声目标辐射噪声分类方法,包括以下步骤:
步骤1)、获取不同舰船辐射噪声的原始信号,采用EMD方法对不同舰船辐射噪声的原始信号进行模态分解得到多个基本模式分量;
步骤2)、利用压缩感知方法提取每一个基本模式分量的线谱分量;
步骤3)、根据每个基本模式分量的线谱分量计算得到基本模式分量和该基本模式分量相对应的原始信号的最大互信息系数,根据最大互信息系数计算得到最能体现原始信号特征的线谱分量;
步骤4)、对最能体现原始信号特征的线谱分量进行稀疏字典的训练以及重构;
步骤5)、对训练后的信号线谱分量进行时域、频域以及稀疏域特征提取形成特征集,利用形成的特征集对水声目标辐射噪声进行分类。
进一步的,采用EMD方法将不同舰船辐射噪声的原始信号x(t)分解为若干个IMF分量和一个残余分量:
进一步的,采用EMD方法将不同舰船辐射噪声的原始信号x(t)分解具体包括以下步骤:
步骤1.计算原始信号的所有局部极值点,将所有极值点分别用三次样条插值算法拟合得到信号的上包络线fmax(t)和下包络线fmin(t),上包络线fmax(t)和下包络线fmin(t)的均值作为原始信号的均值包络m(t),得到:
步骤2.用原始信号x(t)减去均值包络m(t),得到
h1(t)=x(t)-m(t) (2)
若h1(t)满足基本模式分量限定要求,则将h1(t)作为原始信号,重复上述步骤1和步骤2,直至得到的h1(t)满足基本模式分量限定要求,记为:
c1(t)=h1(t) (3)
步骤3.利用原始信号x(t)减去c1(t),得到剩余值序列r1(t):
r1(t)=x(t)-c1(t) (4)
步骤4.令r1(t)为新的原始信号,重复操作步骤1~步骤3,直到满足预先设定的停止准则后停止,即可得到若干个IMF分量和一个残余分量。
进一步的,步骤2)具体包括以下步骤:
步骤1.获取使得第i基本模式分量IMFi变换到其上最小稀疏的变换域ψ:
IMFi=Ψθi (6)
式中,ψ为稀疏基,θi为第i个基本模式分量所对应的稀疏系数;
步骤2.构建测量矩阵,利用测量矩阵对第i基本模式分量IMFi在采样过程中被压缩:
yi=φθi=φΦTIM (7)
式中,φ为测量矩阵;
步骤3.基于测量矩阵通过最优化求解方法对基本模式分量进行最优解求解,从而得到基本模式分量的线谱分量。
进一步的,根据每个基本模式分量的线谱分量计算得到基本模式分量和原始信号的最大互信息系数,选出基本模式分量和原始信号相关的线谱:
式中:a,b是基本模式分量在y方向上的划分格子的个数,B是变量,I(IMFi;y)表示第i个固有模态分量和原信号的互信息。
进一步的,选出基本模式分量中和原始信号相关的4个线谱分量,通过选定压缩基对提取线谱分量后的基本模式分量进行压缩重构,提取出提取线谱分量后的基本模式分量的多条线谱分量,通过计算原始信号与提取的线谱分量的最大互相关系数,得到最能体现原始信号特征的线谱分量。
进一步的,利用K-奇异值算法对提取的最能体现原始信号特征的线谱分量进行稀疏字典的训练,并将每类信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典。
进一步的,其中时域的统计特征为:
进一步的,频域的统计特征为:
一种基于EMD和压缩感知的水声目标辐射噪声分类系统,包括模态分解模块、线谱分量提取模块、线谱分量训练模块和分类模块;
模态分解模块用于对原始信号进行模态分解得到多个基本模式分量,并将同时多个基本模式分量传输至线谱分量提取模块;
线谱分量提取模块对每一个基本模式分量进行线谱分量提取,并根据每个基本模式分量的线谱分量计算得到基本模式分量和该基本模式分量相对应的原始信号的最大互信息系数,根据最大互信息系数计算得到最能体现原始信号特征的线谱分量;
线谱分量训练模块对最能体现原始信号特征的线谱分量进行稀疏字典的训练,将训练完成后的信号线谱分量传输至分类模块,分类模块对对训练后的信号线谱分量进行时域、频域以及稀疏域特征提取形成特征集,形成的特征集作为对水声目标辐射噪声进行分类依据进行分类。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于EMD和压缩感知的水声目标辐射噪声分类方法,首先对获取的舰船辐射噪声信号采用EMD分解并利用压缩感知对基本模式分量进行线谱分量的提取;利用最大互信息系数选出基本模式分量中和原始信号的最大相关性系数得到的线谱分量重新合成信号线谱,相比于单一的EMD分解和压缩感知,本发明能够提取出信号中幅值较低的线谱;对提取出的线谱进行稀疏字典的训练,并不同的信号经过稀疏表示后所得到的稀疏编码矩阵分布在不同位置,对后续分类更加有利,再对信号线谱进行时域、频域以及稀疏域特征提取形成能够作为分类依据的精准特征集,本发明能够更加准确的提取出信号的线谱;利用辐射噪声对稀疏字典进行训练并重组,从而提取出的稀疏特征具有更好的可分性,本发明在舰船等水声目标辐射噪声分类中识别中具有良好的应用前景。
进一步的,将每类信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典,利用改进后的字典对信号进行稀疏表示,不同的信号经过稀疏表示后所得到的稀疏编码矩阵分布在不同位置,对后续分类更加有利。
本发明一种基于EMD和压缩感知的水声目标辐射噪声分类系统,结构简单,通过输入已知不同舰船辐射噪声信号,采用EMD分解并利用压缩感知对基本模式分量进行线谱分量的提取,对提取出的线谱进行稀疏字典的训练,然后进行时域、频域以及稀疏域特征提取形成能够作为分类依据的精准特征集,能够快速实现不同水声目标辐射噪声分类,精准度高。
附图说明
图1为本发明实施例中具体流程图。
图2为本发明实施例中辐射噪声线谱提取流程图。
图3为本发明实施例中仿真信号经EMD分解后信号图。
图4为本发明实施例中仿真信号经压缩感知提取后的线谱。
图5为本发明实施例中三类船只原始辐射噪声信号的时域波形图以及频谱图。
图6为本发明实施例中三类船只信号线谱图。
图7为本发明实施例中三类船只信号稀疏特征分布图。
图8为本发明实施例中三类船只信号分类效果图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1、图2所示,一种基于EMD和压缩感知的水声目标辐射噪声分类方法,包括以下步骤:
步骤1)、获取不同舰船辐射噪声原始信号,得到多种不同的原始信号,采用EMD方法对不同的原始信号进行模态分解得到多个基本模式分量(固有模态分量);
步骤2)、利用压缩感知方法提取每一个基本模式分量的线谱分量;
步骤3)、根据每个基本模式分量的线谱分量计算得到基本模式分量和原始信号的最大互信息系数,得到最能体现原始信号特征的线谱分量;
步骤4)、对最能体现原始信号特征的线谱分量进行稀疏字典的训练,并将每类原始信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典;
步骤5)、对信号线谱分量进行时域、频域以及稀疏域特征提取形成特征集,利用形成的特征集对水声目标辐射噪声进行分类,其中时域特征参数有11个,频域特征参数共13个,以及1种稀疏特征组成形成特征集,并利用支持向量机进行分类。
步骤1)中,采用水听器采集不同舰船辐射噪声原始信号。
采用经验模态分解方法(Empirical Mode Decomposition,EMD)对原始信号进行分解,可以将复杂的非平稳、非线性信号按照一定的筛选规则,分解出一系列具有物理意义的模式分量,包括瞬时频率的基本模式分量(Intrinsic Mode Function,IMF)和一个残余分量;
经过EMD分解,将原始信号x(t)分解为若干个IMF分量和一个残余分量的和:
在本发明方法中,经EMD分解的仿真信号分解结果分别如图3所示。可以看出经过EMD分解后并没有得到很好地提取信号的线谱。
具体步骤如下:
步骤1.计算原始信号的所有局部极值点(包括极大值点和极小值点),将所有极值点分别用三次样条插值算法拟合得到信号的上包络线fmax(t)和下包络线fmin(t),上包络线fmax(t)和下包络线fmin(t)将信号的所有数据点都包含在其间,令上包络线fmax(t)和下包络线fmin(t)的均值作为原始信号的均值包络m(t),得到:
步骤2.用原始信号x(t)减去均值包络m(t),得到
h1(t)=x(t)-m(t) (2)
h1(t)为原始信号与均值包络的差值,使用基本模式分量的两个模式分量限定要求如式(1)、式(2),判断h1(t)是否满足其要求,若不满足,则将h1(t)作为原始信号,重复上述步骤1和步骤2,直到h1(t)是一个基本模式分量,记为:
c1(t)=h1(t) (3)
步骤3.c1(t)即为分解得到的第一个基本模式(IMF)分量,将原始信号x(t)减去c1(t),得到剩余值序列(或称为残余分量)r1(t):
r1(t)=x(t)-c1(t) (4)
步骤4.令r1(t)为新的原始信号,重复操作步骤1~步骤3,从而可以依次得到第二、第三直至第n个IMF分量,记为c1(t)、c2(t)、......、cn(t)。这个处理过程直到满足预先设定的停止准则后即可停止。如残余分量rn(t)为单调函数或常量;或者第n个基本模式分量小于预先设定的阈值,EMD分解过程停止。
经过步骤1~4,将原始信号x(t)分解为若干个IMF分量和一个残余分量的和:
步骤2)中,利用压缩感知方法对每一个基本模式分量进行处理,获取每个基本模式分量中所含线谱分量,具体步骤:
步骤1.信号的稀疏表示:获取使得第i基本模式分量IMFi变换到其上最小稀疏的变换域ψ:
IMFi=Ψθi (6)
式中,ψ为稀疏基,θi为第i个基本模式分量所对应的稀疏系数;
步骤2.测量矩阵的构建:构建测量矩阵,利用测量矩阵对第i基本模式分量IMFi在采样过程中被压缩,同时保证目标信号所含有效信息不丢失:
yi=φθi=φΨTIM
(7)
式中,φ为测量矩阵;
步骤3.重建算法的设计:基于测量矩阵通过最优化求解方法对基本模式分量进行最优解求解,从而达到基本模式分量的线谱分量提取。
步骤3)中,根据每个基本模式分量的线谱分量计算得到基本模式分量和原始信号的最大互信息系数,选出基本模式分量和原始信号相关的线谱:
式中:a,b是基本模式分量在y方向上的划分格子的个数,本质上就是网格分布,B是变量,I(IMFi;y)表示第i个固有模态分量和原信号的互信息;
选出基本模式分量中和原始信号相关的4个线谱分量,通过选定压缩基对提取线谱分量后的基本模式分量进行压缩重构,提取出提取线谱分量后的基本模式分量的多条线谱分量,通过计算原始信号与提取的线谱分量的最大互相关系数,得到最能体现原始信号特征的线谱分量。从图4中可以看出,信号经过压缩感知处理后,可以很完整地将线谱提取。
步骤4)中,利用K-奇异值算法对提取的最能体现原始信号特征的线谱分量进行稀疏字典的训练,并将每类信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典,具体步骤:
步骤1.稀疏编码。利用正交匹配追踪对每类信号的线谱进行稀疏表示:
上式中字典是已知的,计算得到稀疏编码矩阵X。
步骤2.字典更新。对字典进行逐列更新,并更新稀疏编码矩阵上响应行上的非零项值:
其中,di则表示字典D中的第i个原子向量,xi表示X的第i行,Y为输入信号,K为信号稀疏度,Ek为输入信号矩阵与去掉第i个原子向量后的字典与去掉第i行稀疏编码乘积的差。
步骤3.对Ek进行SVD分解:
Ek=UΔVT (11)
其中,U的第一列为dk的优化值,V的第一列乘以第一个奇异值即Δ[0,0]为xk的优化值。
步骤4.将舰船信号所对应的稀疏矩阵编码矩阵的非零项对应行数记录,并将其字典对应的列数进行提取,重新构成新的字典。
步骤5.利用新的字典对每类信号进行稀疏编码的计算,将稀疏编码中最大值的位置进行提取,构成该类信号的稀疏特征。
步骤5)中对信号线谱分量进行时域、频域以及稀疏域特征提取:
其中时域的统计特征为:
频域的统计特征为:
将信号时域、频域以及稀疏域特征形成特征集,并利用支持向量机进行分类。
实施例:
选取3种不同船类的信号,具体为客船信,远洋客轮信号和汽艇信号,利用本发明中所提出的方法进行分类:
第一步:利用水听器采集舰船辐射噪声信号,图5为原始辐射噪声信号的时域波形图以及频谱图,由图5可知,由于背景噪声较强,信号线谱不明显;
第二步:利用EMD对三类船的信号进行模态分解后,利用压缩感知方法对每一个固有模态分量进行处理,通过计算每个固有模态分量与原始信号的最大互信息值,对最大互信息值中最大的4个固有模态分量进行线谱提取,从而选出固有模态分量中和原始信号相关性最大的四个的线谱分量,分解结果如图6所示,从图中可以看出由于不同船类的速度不同,因此其信号的线谱分布也各不相同;
第三步:对提取出的线谱进行稀疏字典的训练,并将每类信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典;
第四步:利用新构字典对稀疏域特征提取,如图7所示,从图中可看出,不同船的稀疏矩阵最大值分布存在差异,但第二类和第三类船的稀疏表示矩阵的最大值中有一小部分的分布在第一类中,所以仍然需要选择其他的数据特征进行后续分类。
第五步:由于字典中存在对于各种信号均有很大的稀疏性的原子,因此,信号的稀疏特征仍然存在一定的误差,为更好的对信号进行分类,则另外对信号线谱进行时域统计特征进行提取,并与稀疏特征共同构成特征集。
第六步:利用支持向量机进行分类,分类效果如图8,从图中可以看出,通过本发明所提方法,可以较好的对三类船信号进行分类。
Claims (9)
1.一种基于EMD和压缩感知的水声目标辐射噪声分类方法,其特征在于,包括以下步骤:
步骤1)、获取不同舰船辐射噪声的原始信号,采用EMD方法对不同舰船辐射噪声的原始信号进行模态分解得到多个基本模式分量;
步骤2)、利用压缩感知方法提取每一个基本模式分量的线谱分量;
步骤3)、根据每个基本模式分量的线谱分量计算得到基本模式分量和该基本模式分量相对应的原始信号的最大互信息系数,根据最大互信息系数计算得到最能体现原始信号特征的线谱分量;
步骤4)、对最能体现原始信号特征的线谱分量进行稀疏字典的训练;
步骤5)、对训练后的信号线谱分量进行时域、频域以及稀疏域特征提取形成特征集,利用形成的特征集对水声目标辐射噪声进行分类。
3.根据权利要求2所述的一种基于EMD和压缩感知的水声目标辐射噪声分类方法,其特征在于,采用EMD方法将不同舰船辐射噪声的原始信号x(t)分解具体包括以下步骤:
步骤1.计算原始信号的所有局部极值点,将所有极值点分别用三次样条插值算法拟合得到信号的上包络线fmax(t)和下包络线fmin(t),上包络线fmax(t)和下包络线fmin(t)的均值作为原始信号的均值包络m(t),得到:
步骤2.用原始信号x(t)减去均值包络m(t),得到
h1(t)=x(t)-m(t) (2)
若h1(t)不满足基本模式分量限定要求,则将h1(t)作为原始信号,重复上述步骤1和步骤2,直至得到的h1(t)满足基本模式分量限定要求,记为:
c1(t)=h1(t) (3)
步骤3.利用原始信号x(t)减去c1(t),得到剩余值序列r1(t):
r1(t)=x(t)-c1(t) (4)
步骤4.令r1(t)为新的原始信号,重复操作步骤1~步骤3,直到满足预先设定的停止准则后停止,即可得到若干个IMF分量和一个残余分量。
5.根据权利要求4所述的一种基于EMD和压缩感知的水声目标辐射噪声分类方法,其特征在于,通过计算每个基本模式分量与原始信号的最大互信息值,对最大互信息值中最大的4个基本模式分量进行线谱提取,从而选出基本模式分量中和原始信号相关性最大的四个的线谱分量,通过计算原始信号与提取的线谱分量的最大互相关系数,得到最能体现原始信号特征的线谱分量。
6.根据权利要求1所述的一种基于EMD和压缩感知的水声目标辐射噪声分类方法,其特征在于,利用K-奇异值算法对提取的最能体现原始信号特征的线谱分量进行稀疏字典的训练,并将每类信号训练所得的稀疏编码中非零元素位置提取,将相应位置所对应的字典元素进行整合,形成全新的字典。
9.一种基于EMD和压缩感知的水声目标辐射噪声分类系统,其特征在于,包括模态分解模块、线谱分量提取模块、线谱分量训练模块和分类模块;
模态分解模块用于对原始信号进行模态分解得到多个基本模式分量,并将同时多个基本模式分量传输至线谱分量提取模块;
线谱分量提取模块对每一个基本模式分量进行线谱分量提取,并根据每个基本模式分量的线谱分量计算得到基本模式分量和该基本模式分量相对应的原始信号的最大互信息系数,根据最大互信息系数计算得到最能体现原始信号特征的线谱分量;
线谱分量训练模块对最能体现原始信号特征的线谱分量进行稀疏字典的训练,将训练完成后的信号线谱分量传输至分类模块,分类模块对训练后的信号线谱分量进行时域、频域以及稀疏域特征提取形成特征集,形成的特征集作为对水声目标辐射噪声进行分类依据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996846.0A CN112183280B (zh) | 2020-09-21 | 2020-09-21 | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996846.0A CN112183280B (zh) | 2020-09-21 | 2020-09-21 | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183280A CN112183280A (zh) | 2021-01-05 |
CN112183280B true CN112183280B (zh) | 2022-03-08 |
Family
ID=73955658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996846.0A Active CN112183280B (zh) | 2020-09-21 | 2020-09-21 | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183280B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077813B (zh) * | 2021-03-22 | 2022-03-01 | 自然资源部第一海洋研究所 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
CN113240057B (zh) * | 2021-07-12 | 2021-09-28 | 武汉中原电子信息有限公司 | 一种基于电力数据采集的高精度误差检测方法及系统 |
CN114372488B (zh) * | 2021-12-01 | 2024-09-10 | 燕山大学 | 一种基于形态分量分析特征融合的水声目标识别方法 |
CN114298094B (zh) * | 2021-12-17 | 2023-05-02 | 中国船舶重工集团公司第七一五研究所 | 一种基于主成分分析的线谱自动提取方法 |
CN114462458B (zh) * | 2022-04-11 | 2022-07-08 | 自然资源部第一海洋研究所 | 一种舰船水下信号降噪及目标增强方法 |
CN116381607B (zh) * | 2023-04-11 | 2023-10-27 | 哈尔滨工程大学 | 多目标击水声特征关联方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN108205127A (zh) * | 2017-12-25 | 2018-06-26 | 电子科技大学 | 一种基于稀疏表示的水声信号处理方法 |
CN111553207A (zh) * | 2020-04-14 | 2020-08-18 | 哈尔滨工程大学 | 一种基于统计分布的舰船辐射噪声特征重组方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014176436A1 (en) * | 2013-04-24 | 2014-10-30 | The General Hospital Corporation | System and method for estimating high time-frequency resolution eeg spectrograms to monitor patient state |
CA2851028A1 (en) * | 2014-03-07 | 2015-09-07 | University Of Saskatchewan | Method and system for compressed sensing of physiological signals |
CN107315996A (zh) * | 2017-05-19 | 2017-11-03 | 燕山大学 | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 |
CN107516065B (zh) * | 2017-07-13 | 2019-10-18 | 天津大学 | 经验模态分解结合字典学习的复杂信号去噪方法 |
CN110031899B (zh) * | 2018-01-11 | 2020-09-08 | 中国石油化工集团有限公司 | 基于压缩感知的弱信号提取算法 |
CN108919240B (zh) * | 2018-04-23 | 2020-08-25 | 东南大学 | 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法 |
CN109784410B (zh) * | 2019-01-18 | 2022-11-22 | 西安邮电大学 | 一种舰船辐射噪声信号的特征提取和分类方法 |
CN111488801A (zh) * | 2020-03-16 | 2020-08-04 | 天津大学 | 基于振动噪声识别的船舶分类方法 |
-
2020
- 2020-09-21 CN CN202010996846.0A patent/CN112183280B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN108205127A (zh) * | 2017-12-25 | 2018-06-26 | 电子科技大学 | 一种基于稀疏表示的水声信号处理方法 |
CN111553207A (zh) * | 2020-04-14 | 2020-08-18 | 哈尔滨工程大学 | 一种基于统计分布的舰船辐射噪声特征重组方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183280A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183280B (zh) | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
CN114782745B (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
CN109033965B (zh) | 一种水下机器人推进器故障时频特征增强方法 | |
CN116740387A (zh) | 基于连续小波变换及改进残差神经网络的水下噪声识别方法 | |
CN103176946A (zh) | 一种面向块稀疏信号的稀疏分解去噪方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN109977724A (zh) | 一种水下目标分类方法 | |
CN110458073A (zh) | 一种基于MEEMD-Hilbert和多层小波分解的光纤振动信号特征提取方法 | |
CN111626312A (zh) | 基于快速多分离字典学习的风力机轴承故障诊断方法 | |
CN115236594A (zh) | 一种适用于极地脉冲噪声环境的冰下声源定位方法 | |
CN109682892A (zh) | 一种基于时频分析的信号去燥方法 | |
CN114839634A (zh) | 基于雷达回波特征的海况分类方法及装置 | |
CN113935246A (zh) | 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质 | |
CN104463245A (zh) | 一种目标识别方法 | |
CN116665698A (zh) | 一种基于希尔伯特-黄变换和Mel谱变换的脉冲声识别方法 | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
CN113869289B (zh) | 基于熵的多通道舰船辐射噪声特征提取方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
JP2012027196A (ja) | 信号分析装置、方法、及びプログラム | |
CN114720941A (zh) | 基于变分模态分解特征提取的水下声源定位方法 | |
CN114813129A (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 |
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 |