CN112198556A - 信号处理方法、装置、终端设备及存储介质 - Google Patents
信号处理方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112198556A CN112198556A CN202010975271.4A CN202010975271A CN112198556A CN 112198556 A CN112198556 A CN 112198556A CN 202010975271 A CN202010975271 A CN 202010975271A CN 112198556 A CN112198556 A CN 112198556A
- Authority
- CN
- China
- Prior art keywords
- signal
- electromagnetic
- submarine
- seabed
- detection signal
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000000523 sample Substances 0.000 claims description 88
- 238000000034 method Methods 0.000 claims description 35
- 230000005672 electromagnetic field Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000005684 electric field Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 18
- 239000013535 sea water Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005358 geomagnetic field Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
- G06F2218/04—Denoising
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Electromagnetism (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请适用于信号处理技术领域，提供了信号处理方法、装置、终端设备及存储介质，信号处理方法包括：对海底电磁探测信号进行信号特征提取，得到所述海底电磁探测信号的信号特征；利用预设的信号去噪网络根据所述信号特征对所述海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，所述信号去噪网络利用海底电磁信噪样本进行训练得到。从而能够根据信号去噪网络所学习到的信号特征识别海底电磁探测信号的噪声和电磁信号，并将噪声从海底电磁探测信号中去除，以有针对性地对复杂海洋环境中的海底电磁探测信号进行噪声识别和去噪，进而优化海底电磁探测信号的去噪效果，有效提高海底电磁探测信号的品质。
Description
技术领域
本申请属于信号处理技术领域，尤其涉及信号处理方法、装置、终端设备及存储介质。
背景技术
海底电磁探测技术是采集和分析海底电磁信号进行海底电性结构探测的技术，其在海底油气资源的探测过程中起关键作用。由于海底洋流运动切割地磁场产生的感应电磁场、海洋鱼类活动和舰艇活动等因素会产生海洋电磁噪声，而海洋电磁噪声叠加在地下异常体产生的有效电磁信号之上，大大降低电磁勘探采集数据的信噪比，所以需要抑制海洋噪声，提高海底电磁信号的信噪比。
在现有相关技术中，采用与陆地电磁信号相同的去噪方式对海底电磁信号进行去噪，如采用小波变换、希尔伯特黄变换或广义S变换等方式实现信号去噪。但是海底环境不同于陆地环境，海底噪声源与陆地噪声源不同，以及海水对太阳风、电离层等信号有一定的屏蔽作用，所以探测得到的海底电磁信号与陆地电磁信号的信号特征差异较大，因此采用陆地电磁信号的去噪方式对海底电磁信号进行去噪所得到的去噪结果的参考性不强。可见目前没有有效的针对海底电磁信号进行去噪的方法，使得海底电磁信号的去噪效果较差，资料信噪比难以提高，勘探效果也大打折扣。
发明内容
本申请实施例提供了信号处理方法、装置、终端设备及存储介质，可以解决当前海底电磁信号的去噪方法中存在去噪效果差的问题。
第一方面，本申请实施例提供了一种信号处理方法，包括：
对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征；
利用预设的信号去噪网络根据信号特征对海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，信号去噪网络利用海底电磁信噪样本进行训练得到。
本实施例提供的信号处理方法，通过对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征，从而能够分析出海底电磁探测信号的噪声特征和电磁信号特征，以有针对性地识别海底电磁探测信号中噪声和电磁信号；以及通过信号去噪网络学习复杂海洋环境中的海底电磁探测信号的信号特征，再利用信号去噪网络根据实际探测得到海底电磁探测信号的信号特征，对海底电磁探测信号进行去噪，得到去噪后的海底电磁探测信号，从而能够根据信号去噪网络所学习到的信号特征识别海底电磁探测信号的噪声和电磁信号，并将噪声从海底电磁探测信号中去除，以有针对性地对复杂海洋环境中的海底电磁探测信号进行噪声识别和去噪，进而优化海底电磁探测信号的去噪效果，有效提高海底电磁探测信号的品质。
第二方面，本申请实施例提供了一种信号处理装置，包括：
提取模块，用于对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征；
去噪模块，用于利用预设的信号去噪网络根据信号特征对海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，信号去噪网络利用海底电磁信噪样本进行训练得到。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的信号处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的信号处理方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的信号处理方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的信号处理方法的流程性示意图；
图2是本申请一实施例提供的信号处理方法中步骤S101的流程性示意图；
图3是本申请另一实施例提供的信号处理方法的流程性示意图；
图4是本申请实施例提供的海底电磁信号的处理装置的结构示意图；
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
如背景技术相关记载，采用与陆地电磁信号相同的去噪方式对海底电磁信号进行去噪，如采用小波变换、希尔伯特黄变换或广义S变换等方式实现信号去噪。但是海底环境不同于陆地环境，海底噪声源与陆地噪声源不同，以及海水对信号有一定的屏蔽作用，所以探测得到的海底电磁信号与陆地电磁信号的信号特征差异较大，因此采用陆地电磁信号的去噪方式对海底电磁信号进行去噪所得到的去噪结果的参考性不强。可见目前无法有效针对海底电磁信号进行去噪，使得海底电磁信号的去噪效果较差。
有鉴于此，本申请实施例提供一种信号处理方法，通过对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征，从而能够分析出海底电磁探测信号的噪声特征和电磁信号特征，以有针对性地识别海底电磁探测信号中噪声和电磁信号；以及通过信号去噪网络学习复杂海洋环境中的海底电磁探测信号的信号特征，再利用信号去噪网络根据实际探测得到海底电磁探测信号的信号特征，对海底电磁探测信号进行去噪，得到去噪后的海底电磁探测信号，从而能够根据信号去噪网络所学习到的信号特征识别海底电磁探测信号的噪声和电磁信号，并将噪声从海底电磁探测信号中去除，以有针对性地对复杂海洋环境中的海底电磁探测信号进行噪声识别和去噪，进而优化海底电磁探测信号的去噪效果，有效提高海底电磁探测信号的去噪质量。
请参阅图1，图1示出了本申请一实施例提供的一种信号处理方法的示意性流程图。本申请提供的信号处理方法的执行主体为终端设备，终端设备包括但不限于智能手机、笔记本电脑、平板电脑、超级计算机、个人数字助理等移动终端，也可以包括台式电脑、服务器等终端设备。如图1所示的信号处理方法包括S101至S102，详述如下。
S101，对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征。
在本实施例中，终端设备预先获取海底电磁探测信号。海底电磁探测信号为海底电磁采集站在海底实际探测得到的海底电磁信号，该海底电磁探测信号中包含海底电磁信号和海底噪声信号。其中，海底电磁信号为海底大地的电磁信号，其主要信号来源包括电离层、磁暴和地磁脉动；海底噪声信号为海洋环境或人文活动产生的噪声，例如，海底洋流切割地球磁场产生的电磁噪声，舰艇活动产生的电磁信号，船舰上的用电设备产生的电磁信号。
海底电磁采集站为下潜到海底探测海底电磁探测信号的设备，该设备的结构组成包括但不限于电磁数据记录仪、电场传感器、磁场传感器、信标、释放器、方位与CTD记录仪、温度计、浮球、锚系和框架。可以理解的是，终端设备可以与海底电磁采集站通信连接，从而获取海底电磁采集站实时采集到的海底电磁探测信号，终端设备也可以与服务器通信连接，服务器与海底电磁采集站通信连接，以使海底电磁采集站采集到的海底电磁探测信号上传至服务器，终端设备再从服务器下载该海底电磁探测信号。
终端设备对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征。信号特征包括海底电磁探测信号的波形特征、基于波形得到的梅尔频率倒谱系数和功率谱密度等。其中，波形特征为海底电磁探测信号的基本特征，其包括但不限于海底电磁探测信号的信号频率范围、幅值、瞬时频率和信号持续时长等，梅尔频率倒谱系数为对海底电磁探测信号进行频谱分析得到的物理量，通过将信号在时间域中的波形转换为频率域的频谱，即将波形进行编码得到特征向量，进而可以对信号的信息作定量分析。功率谱密度为对海底电磁探测信号进行随机振动分析得到的物理量，通过概率分布函数描述波形的连续瞬态响应。
示例性地，在探测海底电磁探测信号时，通常将海底电磁采集站置于海底几天甚至几个月的时间，使海底电磁采集站采集在几天甚至几个月内的海底电磁探测信号，由于海水对信号有屏蔽作用，所以海底电磁采集站采集到的部分信号的信号强度较弱，以及海底电磁探测信号中可能包括有确定信号和随机信号。因此终端设备对海底电磁探测信号进行短时傅里叶变换，得到海底电磁探测信号的号频率范围、幅值、瞬时频率和信号持续时长等波形特征，从而得到海底电磁探测信号的基本信息；基于该波形特征，再对海底电磁探测信号进行梅尔频率倒谱分析，得到海底电磁探测信号的梅尔频率倒谱系数，从而能够针对海底电磁探测信号中确定信号进行频谱分析，以将确定信号编码为特征向量进行定量分析；基于该波形特征，还对海底电磁探测信号进行傅里叶变换，得到海底电磁探测信号的功率谱密度，从而能够针对海底电磁探测信号中的随机信号进行功率谱分析，以利用功率谱分析不随时间推移而变化的统计特性，即海底电磁探测信号的随机过程的自相关函数能够在时域完整描述其统计特性，使得功率谱密度能够在频域对随机过程统计特性进行完整描述。
S102，利用预设的信号去噪网络根据信号特征对海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，信号去噪网络利用海底电磁信噪样本进行训练得到。
在本实施例中，终端设备预先存储有预先训练好的信号去噪网络。该信号去噪网络是使用机器学习算法对海底电磁信噪样本进行训练得到的，海底电磁信噪样本包括海底电磁信号样本和海底噪声信号样本。可以理解的是，该信号去噪网络可以由终端设备预先训练好，也可以由其他设备预先训练好后将该信号去噪网络对应的文件移植至本终端设备中。也就是说，训练该去噪信号网络的执行主体与使用该去噪信号网络的执行主体可以是相同的，也可以是不同的。
示例性地，在训练信号去噪网络时，机器学习算法为深度置信网络算法，基于限玻尔兹曼机(RBM，Restricted Boltzmann Machine)对信号去噪网络进行无监督预训练，再利用前向传播算法和反向传播算法对预训练好的信号去噪网络进行有监督调优训练，直至信号去噪网络达到收敛条件。具体地，将标定好的海底电磁信噪样本输入初始信号去噪网络中进行无监督训练，以更新初始信号去噪网络的权重和偏置值，得到预训练好的信号去噪网络。再利用前向传播算法和反向传播算法对预训练好的信号去噪网络进行有监督调优训练，以更新预训练好的信号去噪网络的权重和偏置值，直至信号去噪网络达到收敛条件，得到训练好的信号去噪网络。
海底电磁探测信号中包含海底电磁信号和海底噪声信号，所以通过信号去噪网络根据海底电磁信噪样本中的海底电磁信号样本和海底噪声信号样本，预先学习海底电磁信号的信号特征和海底噪声信号的信号特征，并根据信号特征将海底电磁信号与海底噪声信号进行分离，从而使信号去噪网络能够根据学习到的信号特征识别出海底电磁探测信号中的海底电磁信号和海底噪声信号，并将海底噪声信号从海底电磁探测信号中去除掉，得到去噪后的海底电磁探测信号。进而能够有针对性地对复杂海洋环境中的海底电磁探测信号进行噪声识别和去噪，优化海底电磁探测信号的去噪效果，有效提高海底电磁探测信号的品质。
请参阅图2，图2示出了本申请一实施例提供的信号处理方法中步骤S101的示意性流程图。相比于图1实施例，图2实施例中信号特征包括海底电磁探测信号的波形特征、梅尔频率倒谱系数和功率谱密度，本实施例提供的信号处理方法中的步骤S101具体包括步骤S201至S203。详述如下：
S201，对海底电磁探测信号进行短时傅里叶变换，得到海底电磁探测信号的波形特征。
在本实施例中，短时傅里叶变换(STFT，short-time Fourier transform，或short-term Fourier transform))是和傅里叶变换相关的一种数学变换，用以确定时域信号的局部区域正弦波的频率与相位。而海底电磁探测信号为海底电磁采集站采集到的几天甚至几个月时长的探测信号，可见该探测信号是时域信号，所以能够对海底电磁探测信号进行短时傅里叶变换，得到海底电磁探测信号在不同时间窗口下的波形特征。
可选地，短时傅里叶变换的计算公式为：
其中
用于起时限作用，
用于起频限作用，随着时间τ的不断改变，由
所确定的时窗函数在时间轴上移动，则可以得到该时窗函数移动至时间轴的各个位置时，海底电磁探测信号在该时间窗口下的频率时间特性曲线，从而可以得到每个频率时间特性曲线的瞬时频率、幅值、频率范围和信号持续时长等波形特征。
S202，对海底电磁探测信号进行梅尔频率倒谱分析，得到海底电磁探测信号的梅尔频率倒谱系数。
在本实施例中，梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCC)是基于海底电磁频率的非线性梅尔刻度的对数能量频谱的线性变换得到的梅尔频率倒谱的系数。通过对海底电磁探测信号进行梅尔频率倒谱分析，将海底电磁探测信号采用倒谱向量描述，每个倒谱向量表示梅尔刻度下一段信号的MFCC特征向量。
示例性地，设定海底电磁探测信号为x(t)，海底电磁信号为b(t)，海底噪声信号为g(t)，则有x(t)＝b(t)+g(t)；对x(t)进行傅里叶变换获得频域信号X(f)，对频域X(f)两边取log：log(X(f))＝log(B(f))+log(G(f))；再进行反傅里叶变换得到：IDFT(log(X(f)))＝IDFT(log(B(f)))+IDFT(log(G(f)))，简化得到的海底电磁探测信号的时域信号为：X’(t)＝b’(t)+g’(t)，最后对该时域信号进行离散余弦变换(DCT)，取DCT结果的第2个至第13个系数作为MFCC系数。
S203，对海底电磁探测信号进行傅里叶变换，得到海底电磁探测信号的功率谱密度。
在本实施例中，计算海底电磁探测信号的功率谱密度(PSD)，该PSD反映信号功率如何随频率分布，即信号功率谱密度值随频率变换的曲线。示例性地，海底电磁探测信号x(t)进行傅里叶变换，得到变换结果为X(f)，则功率谱密度
从而可获得在频率f处、宽度为df的频带内的信号能量。
请参阅图3，图3示出了本申请另一实施例提供的信号处理方法的示意性流程图。相比于图1实施例，本实施例提供的信号处理方法在步骤S102之前还包括步骤S301至S303。详述如下：
S301，获取海底电磁信噪样本，海底电磁信噪样本包括信号样本和噪声样本。
在本实施例中，终端设备获取信号样本和噪声样本，信号样本为海底电磁采集站在海底采集到的电磁信号样本，该信号样本包括多种目标天气时的海底电磁实测信号；噪声样本为模拟海洋洋流运动或实测舰艇运动产生的噪声样本。
在一种可能实现的方式中，获取海底电磁信噪样本，包括：获取多种目标天气时的海底电磁实测信号，将海底电磁实测信号作为信号样本；获取多种海底洋流产生的电磁场信号，将海底噪声作为噪声样本。
在本实施例中，由于海洋环境多变，在不同天气下洋流产生的噪声有所不同，所以采集多种天气下的海底电磁实测信号作为信号样本。目标天气包括但不限于太阳磁暴、台风、地震、海啸、晴天以及雨天。示例性地，获取在目标天气时的海底电磁信号，将海底电磁信号作为信号样本，包括：获取预设时间段内的海底电磁实测信号；根据目标天气的发生时间段与预设时间段进行匹配；将预设时间段内与发生时间段匹配的时间段对应的海底电磁实测信号作为信号样本。例如，海底电磁采集站采集6个月内的海底电磁实测信号，在根据天气报道海底电磁采集站所在海域发生台风等目标天气的时间段，将时间段对应在上述6个月内对应的时间段，将时间段内采集到的海底电磁实测信号，作为台风等目标天气时的信号样本。
可选地，获取多种海底洋流产生的电磁场信号，将海底噪声作为海底电磁噪声样本，包括：通过电磁场三维正演工具模拟多种海底洋流的洋流运动；获取每种洋流运动产生的感应电场强度和感应磁场强度；根据感应电场强度和感应磁场强度，运算得到每种海底洋流产生的电磁场信号作为海底电磁噪声样本。
在本实施例中，对海底洋流进行三维模拟，研究海底洋流产生的电磁噪声的特征规律，获得噪声特征的数学模型和噪声样本。示例性地，利用电磁场三维正演软件模拟洋流切割地磁场产生的电磁感应强度，主要的洋流类型有三种：一是常流：沿一定路径、方向的大规模海水运动，如陆上河流，具恒稳性，速度一般在1-5km/h；二是潮夕流：由潮汐涨落引起的海水运动，具有周期性，速度一般在3-10km/h；三是风暴流：由海面强风引起的海水运动，随季节气候而变化，具有随机性，速度一般在10-50km/h。这三种主要洋流的差别除了运动规律不同外，还有运动速度、方向和能量不同，但模拟计算的基本原理方法是相同的。因此，根据运动的海水因切割地磁场而产生感应电磁场，感应电场强度E和感应磁场强度H满足如下麦克斯韦方程：
其中，μ为海水磁导率，ε为海水的介电常数，J为电流密度。在海水中，J＝σ(E+V xB)，V为海水运动速度，B为地球磁场强度，σ为海水的电导率。H、E都是海水深度体积的函数，因此通过模拟即可计算出海底洋流产生的海底电磁场的频率特性及其幅值。具体地，包括常流、潮汐流和风暴流的持续时间长度、主要频率范围和幅值。
S302，对信号样本和噪声样本进行特征提取，得到信号样本特征和噪声样本特征。
在本实施例中，信号样本和噪声样本的特征提取过程类似于图1实施例对海底电磁探测信号的特征提取过程，在此不再赘述。
在一种可能实现方式中，由于信号样本包括多种目标天气时的海底电磁实测信号，噪声样本包括多种海底洋流产生的电磁场信号，因此对信号样本和噪声样本进行特征提取，得到信号样本特征和噪声样本特征，包括：提取每种目标天气时的海底电磁实测信号的第一特征，以及提取每种海底洋流产生的电磁场信号的第二特征；对每种海底电磁实测信号的第一特征进行特征拼接，得到信号样本特征；对每种电磁场信号的第二特征进行特征拼接，得到噪声样本特征。
在本实施例中，对太阳磁暴、地磁、地震、台风等目标天气的信号特征进行拼接，得到信号样本的主要特征：持续时间长度，主要频率范围，幅值，梅尔倒谱系数MFCC和功率谱密度。对洋流切割磁场产生的噪声特征、实测舰艇运动产生的噪声特征进行拼接，获得噪声样本的主要特征：持续时间长度，主要频率范围，幅值，梅尔倒谱系数MFCC和功率谱密度。
本实施例通过对多种目标天气下的信号样本进行拼接，以得到不同天气下的海底电磁信号的信号特征，使得机器学习网络能够基于该样本特征学习不同天气下的海底电磁信号的信号特征，使得信号去噪网络能够对不同天气下采集到海底电磁探测信号均有优秀的去噪效果。通过对洋流运动和舰艇运动等产生的噪声样本进行拼接，以得到海底噪声特征，并作为噪声标定数据使得机器学习网络海底噪声的噪声特征，以更好的识别出海底噪声并将其去除。
S303，利用信号样本特征和噪声样本特征对预设机器学习网络进行训练，直至预设机器学习网络达到预设收敛条件，得到信号去噪网络。
在本实施例中，预设机器学习网络可以为深度置信网络、卷积神经网络等网络模型。当预设机器学习网络为深度置信网络时，基于限玻尔兹曼机(RBM，RestrictedBoltzmann Machine)对信号去噪网络进行无监督预训练，再利用前向传播算法和反向传播算法对预训练好的信号去噪网络进行有监督调优训练，直至信号去噪网络达到预设收敛条件。可以理解的是，对于深度置信网络，预设收敛条件为学习率λ小于预设阈值，也可以为有监督调优训练的迭代次数达到预设值。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例的信号处理方法，图4示出了本申请实施例提供的海底电磁信号的处理装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该装置包括：
提取模块401，用于对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征；
去噪模块402，用于利用预设的信号去噪网络根据信号特征对海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，信号去噪网络利用海底电磁信噪样本进行训练得到。
本申请实施例提供的海底电磁信号的处理装置，通过提取模块401对海底电磁探测信号进行信号特征提取，得到海底电磁探测信号的信号特征，从而能够分析出海底电磁探测信号的噪声特征和电磁信号特征，以有针对性地识别海底电磁探测信号中噪声和电磁信号；以及通过信号去噪网络学习复杂海洋环境中的海底电磁探测信号的信号特征，去噪模块402再利用信号去噪网络根据实际探测得到海底电磁探测信号的信号特征，对海底电磁探测信号进行去噪，得到去噪后的海底电磁探测信号，从而能够根据信号去噪网络所学习到的信号特征识别海底电磁探测信号的噪声和电磁信号，并将噪声从海底电磁探测信号中去除，以有针对性地对复杂海洋环境中的海底电磁探测信号进行噪声识别和去噪，进而优化海底电磁探测信号的去噪效果，有效提高海底电磁探测信号的品质。
作为本申请一实施例，信号特征包括海底电磁探测信号的波形特征、梅尔频率倒谱系数和功率谱密度。
作为本申请一实施例，提取模块401，还用于：
对海底电磁探测信号进行短时傅里叶变换，得到海底电磁探测信号的波形特征；
对海底电磁探测信号进行梅尔频率倒谱分析，得到海底电磁探测信号的梅尔频率倒谱系数；
对海底电磁探测信号进行傅里叶变换，得到海底电磁探测信号的功率谱密度。
作为本申请一实施例，信号处理装置，还包括：
获取模块，用于获取海底电磁信噪样本，海底电磁信噪样本包括信号样本和噪声样本；
第二提取模块，用于对信号样本和噪声样本进行特征提取，得到信号样本特征和噪声样本特征；
训练模块，用于利用信号样本特征和噪声样本特征对预设机器学习网络进行训练，直至预设机器学习网络达到预设收敛条件，得到信号去噪网络。
作为本申请一实施例，获取模块，还用于：
获取多种目标天气时的海底电磁实测信号，将海底电磁实测信号作为信号样本；
获取多种海底洋流产生的电磁场信号，将海底噪声作为噪声样本。
作为本申请一实施例，获取模块，还用于：
获取预设时间段内的海底电磁实测信号；
根据目标天气的发生时间段与预设时间段进行匹配；
将预设时间段内与发生时间段匹配的时间段对应的海底电磁实测信号作为信号样本。
作为本申请一实施例，获取模块，还用于：
通过电磁场三维正演工具模拟多种海底洋流的洋流运动；
获取每种洋流运动产生的感应电场强度和感应磁场强度；
根据感应电场强度和感应磁场强度，运算得到每种海底洋流产生的电磁场信号作为海底电磁噪声样本。
作为本申请一实施例，第二提取模块，还用于：
提取每种目标天气时的海底电磁实测信号的第一特征，以及提取每种海底洋流产生的电磁场信号的第二特征；
对每种海底电磁实测信号的第一特征进行特征拼接，得到信号样本特征；
对每种电磁场信号的第二特征进行特征拼接，得到噪声样本特征。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意方法实施例中的步骤。
所述终端设备5可以是手机、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括但不仅限于处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种信号处理方法，其特征在于，包括：
对海底电磁探测信号进行信号特征提取，得到所述海底电磁探测信号的信号特征；
利用预设的信号去噪网络根据所述信号特征对所述海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，所述信号去噪网络利用海底电磁信噪样本进行训练得到。
2.如权利要求1所述的信号处理方法，其特征在于，所述信号特征包括所述海底电磁探测信号的波形特征、梅尔频率倒谱系数和功率谱密度。
3.如权利要求2所述的信号处理方法，其特征在于，所述对海底电磁探测信号进行信号特征提取，得到所述海底电磁探测信号的信号特征，包括：
对所述海底电磁探测信号进行短时傅里叶变换，得到所述海底电磁探测信号的波形特征；
对所述海底电磁探测信号进行梅尔频率倒谱分析，得到所述海底电磁探测信号的梅尔频率倒谱系数；
对所述海底电磁探测信号进行傅里叶变换，得到所述海底电磁探测信号的功率谱密度。
4.如权利要求1所述的信号处理方法，其特征在于，所述利用预设的信号去噪网络根据所述信号特征对所述海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号之前，还包括：
获取所述海底电磁信噪样本，所述海底电磁信噪样本包括信号样本和噪声样本；
对所述信号样本和所述噪声样本进行特征提取，得到信号样本特征和噪声样本特征；
利用所述信号样本特征和所述噪声样本特征对预设机器学习网络进行训练，直至所述预设机器学习网络达到预设收敛条件，得到所述信号去噪网络。
5.如权利要求4所述的信号处理方法，其特征在于，所述获取所述海底电磁信噪样本，包括：
获取多种目标天气时的海底电磁实测信号，将所述海底电磁实测信号作为所述信号样本；
获取多种海底洋流产生的电磁场信号，将所述海底噪声作为所述噪声样本。
6.如权利要求5所述的信号处理方法，其特征在于，所述获取多种海底洋流产生的电磁场信号，将所述海底噪声作为所述海底电磁噪声样本，包括：
通过电磁场三维正演工具模拟多种所述海底洋流的洋流运动；
获取每种所述洋流运动产生的感应电场强度和感应磁场强度；
根据所述感应电场强度和所述感应磁场强度，运算得到每种所述海底洋流产生的电磁场信号作为所述海底电磁噪声样本。
7.如权利要求4所述的信号处理方法，其特征在于，所述信号样本包括多种目标天气时的海底电磁实测信号，所述噪声样本包括多种海底洋流产生的电磁场信号；
所述对所述信号样本和所述噪声样本进行特征提取，得到信号样本特征和噪声样本特征，包括：
提取每种目标天气时的所述海底电磁实测信号的第一特征，以及提取每种海底洋流产生的所述电磁场信号的第二特征；
对每种所述海底电磁实测信号的第一特征进行特征拼接，得到所述信号样本特征；
对每种所述电磁场信号的第二特征进行特征拼接，得到所述噪声样本特征。
8.一种信号处理装置，其特征在于，包括：
提取模块，用于对海底电磁探测信号进行信号特征提取，得到所述海底电磁探测信号的信号特征；
去噪模块，用于利用预设的信号去噪网络根据所述信号特征对所述海底电磁探测信号进行去噪处理，得到去噪后的海底电磁探测信号，所述信号去噪网络利用海底电磁信噪样本进行训练得到。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975271.4A CN112198556A (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法、装置、终端设备及存储介质 |
| PCT/CN2021/096090 WO2022057305A1 (zh) | 2020-09-16 | 2021-05-26 | 信号处理方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975271.4A CN112198556A (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112198556A true CN112198556A (zh) | 2021-01-08 |
Family
ID=74015207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010975271.4A Pending CN112198556A (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法、装置、终端设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112198556A (zh) |
| WO (1) | WO2022057305A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022057305A1 (zh) * | 2020-09-16 | 2022-03-24 | 南方科技大学 | 信号处理方法、装置、终端设备及存储介质 |
| CN115659138A (zh) * | 2022-10-11 | 2023-01-31 | 成都理工大学 | 一种动水干扰环境电磁法水中测量信号降噪方法 |
| WO2023202008A1 (zh) * | 2022-04-19 | 2023-10-26 | 中国科学院声学研究所 | 一种海洋环境噪声预报方法及计算机设备和存储介质 |
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115903052B (zh) * | 2022-09-07 | 2023-12-19 | 航天恒星科技有限公司 | 基于扩展Prony算法的舰船尾迹电磁信号检测重构方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091718A (zh) * | 2011-11-04 | 2013-05-08 | 中国船舶重工集团公司第七研究院 | 一种利用极低频海洋电磁法进行海洋油气资源勘探的方法 |
| CN105182429A (zh) * | 2015-09-29 | 2015-12-23 | 吉林大学 | 一种海洋可控源电磁数据海水扰动噪声校正方法 |
| CN108131569A (zh) * | 2018-01-10 | 2018-06-08 | 浙江工业大学 | 一种海底天然气管道泄漏监测实验平台及其数据处理方法 |
| CN108490494A (zh) * | 2018-03-12 | 2018-09-04 | 中国科学院电子学研究所 | 基于谱减法及小波分析的海洋磁测噪声抑制方法 |
| CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4348415B2 (ja) * | 2007-04-26 | 2009-10-21 | 古野電気株式会社 | 底質判別装置および底質判別方法 |
| US20140334260A1 (en) * | 2013-05-09 | 2014-11-13 | Schlumberger Technology Corporation | Neural Network Signal Processing of Microseismic Events |
| CN105137498B (zh) * | 2015-09-17 | 2018-08-10 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
| CN108596078A (zh) * | 2018-04-20 | 2018-09-28 | 南京信息工程大学 | 一种基于深度神经网络的海洋噪声信号识别方法 |
| CN109100814B (zh) * | 2018-07-31 | 2019-06-28 | 湖南师范大学 | 一种基于信噪分类的音频大地电磁信号去噪方法 |
| CN109446902A (zh) * | 2018-09-22 | 2019-03-08 | 天津大学 | 一种基于无人平台的海洋环境与目标综合感知方法 |
| CN110827844B (zh) * | 2019-10-10 | 2022-04-05 | 天津大学 | 一种基于bp网络的噪声分类方法 |
| CN112198556A (zh) * | 2020-09-16 | 2021-01-08 | 南方科技大学 | 信号处理方法、装置、终端设备及存储介质 |
-
2020
- 2020-09-16 CN CN202010975271.4A patent/CN112198556A/zh active Pending
-
2021
- 2021-05-26 WO PCT/CN2021/096090 patent/WO2022057305A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091718A (zh) * | 2011-11-04 | 2013-05-08 | 中国船舶重工集团公司第七研究院 | 一种利用极低频海洋电磁法进行海洋油气资源勘探的方法 |
| CN105182429A (zh) * | 2015-09-29 | 2015-12-23 | 吉林大学 | 一种海洋可控源电磁数据海水扰动噪声校正方法 |
| CN108131569A (zh) * | 2018-01-10 | 2018-06-08 | 浙江工业大学 | 一种海底天然气管道泄漏监测实验平台及其数据处理方法 |
| CN108490494A (zh) * | 2018-03-12 | 2018-09-04 | 中国科学院电子学研究所 | 基于谱减法及小波分析的海洋磁测噪声抑制方法 |
| CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022057305A1 (zh) * | 2020-09-16 | 2022-03-24 | 南方科技大学 | 信号处理方法、装置、终端设备及存储介质 |
| WO2023202008A1 (zh) * | 2022-04-19 | 2023-10-26 | 中国科学院声学研究所 | 一种海洋环境噪声预报方法及计算机设备和存储介质 |
| CN115659138A (zh) * | 2022-10-11 | 2023-01-31 | 成都理工大学 | 一种动水干扰环境电磁法水中测量信号降噪方法 |
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
| CN117349611B (zh) * | 2023-12-06 | 2024-03-08 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022057305A1 (zh) | 2022-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112198556A (zh) | 信号处理方法、装置、终端设备及存储介质 | |
| Baumgartner et al. | A generalized baleen whale call detection and classification system | |
| Shahi | A probabilistic framework to include the effects of near-fault directivity in seismic hazard assessment | |
| Wang et al. | Green's function‐based tsunami data assimilation: A fast data assimilation approach toward tsunami early warning | |
| Kershenbaum et al. | An image processing based paradigm for the extraction of tonal sounds in cetacean communications | |
| Yamamoto et al. | Rapid estimation of tsunami source centroid location using a dense offshore observation network | |
| CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
| CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
| Jun et al. | Random noise attenuation of sparker seismic oceanography data with machine learning | |
| Peureux et al. | Ocean bottom pressure records from the Cascadia array and short surface gravity waves | |
| Cheng et al. | Inverting Rayleigh surface wave velocities for crustal thickness in eastern Tibet and the western Yangtze craton based on deep learning neural networks | |
| Escobar-Amado et al. | Seabed classification from merchant ship-radiated noise using a physics-based ensemble of deep learning algorithms | |
| Degtyarev et al. | Synoptic and short-term modeling of ocean waves | |
| KR20120087099A (ko) | 해양의 수직 음속 구조를 생성하기 위한 해양/음향 환경자료 생성장치 및 방법, 이를 이용한 수중 무기체계 성능 모델링 장치 및 방법 | |
| Mulligan et al. | Whitecapping and wave field evolution in a coastal bay | |
| Tian et al. | Underwater multi-target passive detection based on transient signals using adaptive empirical mode decomposition | |
| Tamea et al. | Probabilistic nonlinear prediction of river flows | |
| Al-Aboosi et al. | Enhancement signal detection in underwater acoustic noise using level dependent estimation time-frequency de-noising technique | |
| CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
| Birsan | Non-linear Kalman filters for tracking a magnetic dipole | |
| Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
| Qi et al. | Underwater acoustic target recognition with fusion feature | |
| Zhu et al. | Feature selection based on principal component analysis for underwater source localization by deep learning | |
| CN115062526A (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
| Menze et al. | Estimating the spatial distribution of vocalizing animals from ambient sound spectra using widely spaced recorder arrays and inverse modelling |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |
|
| RJ01 | Rejection of invention patent application after publication |