CN113077813A - 一种基于全息谱和深度学习的舰船噪声识别方法 - Google Patents
一种基于全息谱和深度学习的舰船噪声识别方法 Download PDFInfo
- Publication number
- CN113077813A CN113077813A CN202110303263.XA CN202110303263A CN113077813A CN 113077813 A CN113077813 A CN 113077813A CN 202110303263 A CN202110303263 A CN 202110303263A CN 113077813 A CN113077813 A CN 113077813A
- Authority
- CN
- China
- Prior art keywords
- ship
- amplitude modulation
- noise
- envelope
- spectrogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 14
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于全息谱和深度学习的舰船噪声识别方法,属于信号处理领域,所述方法为首先把提取的信号进行标准化,进而使用经验模态分解方法计算得到标准化信号的幅度调制全息谱。将幅度调制全息谱图作为卷积神经网络分类模型的特征输入,训练分类模型。使用训练好的分类模型对舰船噪声进行分类识别。本发明方法运用了幅度调制全息谱图作为船舶噪声的特征,幅度调制全息谱获得了舰船噪声中的幅度调制信息,在复杂多变的海洋环境中更加稳定。
Description
技术领域
本发明属于信号处理领域,涉及一种基于全息谱和深度学习的船舶噪声识别方法。
背景技术
海上舰船目标的准确识别对海上搜救、海域及港口监测、船舶避碰、军事侦查和海洋资源开发等具有重要的现实意义。目前,光学、电磁和辐射噪声等是舰船识别中常用到的特征。
舰船航行过程中产生的辐射噪声以声波的形式向四周传播。声波的传播受到海水、海面和海底的影响,是一个复杂的物理过程。其复杂性表现在两个方面:一个是海洋声信道的频散特性,会对声信号产生调制作用;另一个是海洋、内波和锋面等物理海洋动态现象导致的声传播损失不确定性。这给舰船辐射噪声识别方法带来困难。
目前舰船辐射噪声识别包括时域和频域的特征。概率密度函数方法和过零率方法等属于时域方法。频域方法包括频谱图、高阶统计量和时频图等。这些时域和频域的方法对于海洋声信道的调制作用考虑的较少,有可能导致识别结果不稳定:船舶在不同的海域或者不同的距离上时,识别误差较大。为了克服上述困难,人们提出了更加稳定的调制谱方法。该方法基于螺旋桨旋转对空化噪声的调制作用机理,可以解算得到螺旋桨叶片数目和转速等信息,是辐射噪声中比较稳定的特征。但是,调制谱方法中,被调制的噪声可能出现在不同的频段,导致调制谱方法很难完全匹配真实的空化噪声频段,影响了识别效果。
发明内容
为克服现有方法的存在问题,本发明提出了一种基于全息谱和深度学习的船舶噪声识别方法。该方法使用全息谱方法获得船舶噪声的全息谱图,使用深度学习方法实现对全息谱图的自动识别。
本发明解决其技术问题所采用的方法包括以下步骤:
一种基于全息谱和深度学习的船舶噪声识别方法,所述方法的步骤如下:
第一步,提取总长度为T的一段噪声信号s,执行标准化操作得到标准化的噪声信号st;标准化操作的步骤为首先统一采样频率,通过升采样或者降采样将不同数据样本的采样频率统一为FSstd,其中FSstd应大于20kHz;然后去掉噪声信号的直流分量:st1=s-mean(s),其中mean()表示取均值操作;最后将噪声信号的功率归一化:st=st1/std(st1),其中std()表示取标准差操作;
第二步,计算噪声信号的全息谱图;首先对标准化的噪声信号st进行模态分解,模态分解后,表示为:
其中,N为模态个数,ci(t)是本征模态函数(IMF)分量;
然后对每一个本征模态函数,求得其包络:
ENEi=envelope(ci(t)) (2)
其中,envelope()为取包络操作,对每一个本征模态函数包络继续进行模态分解,得到
其中,c2ij(t)为本征模态函数包络ENEi的本征模态;
最后,对ci(t)和c2ij(t)进行瞬时频率分析,栅格化能量操作,得到噪声信号的幅度调制全息谱图;
第三步,将幅度调制全息谱图作为分类模型的特征输入,训练分类模型;其中分类模型采用基于深度学习的神经网络模型,具体为卷积神经网络(convolution neuralnetwork,CNN)模型,将幅度调制全息谱图分为训练集样本和验证集样本,使用训练集对CNN模型进行训练,使用验证集对网络模型进行调参,得到训练好的CNN模型;
第四步,使用训练好的分类模型对舰船噪声进行分类识别;将舰船噪声按照步骤一和步骤二进行处理得到幅度调制全息谱图,输入到训练好的CNN模型中,CNN模型给出对应的舰船分类。
进一步,所述模态分解的方法包括:经验模态分解法(EMD),集合经模态分解法(EEMD),或者自适应性二进位遮罩经验模态分解法(CADM-EMD)。
本发明与现有技术相比的有益效果是:
本发明方法运用了幅度调制全息谱图作为船舶噪声的特征,幅度调制全息谱获得了舰船噪声中的幅度调制信息,在复杂多变的海洋环境中更加稳定。CNN 模型被证明在图片识别上具有强大的能力。幅度调制全息谱图结合CNN模型,最终可以实现对舰船噪声的准确稳定识别。
附图说明
图1是本发明方法的处理步骤;
图2是船舶信号的时域波形和频谱图;
图3是船舶信号分解得到的本征模态函数;其中a是信号的时域波形,b是信号频谱图;
图4是两艘船舶信号的幅度调制全息谱图;其中a是信号分解得到的本征模态,b是第一个本征模态包络分解后的本征模态。
图5是卷积神经网络模型结构图;
图6是训练集和验证集准确率和损失随着训练轮数变化情况图。
具体实施方式
下面通过实施例来对本发明的技术方案做进一步解释,但本发明的保护范围不受实施例任何形式上的限制。
实施例1
用于采集舰船噪声的水听器一般以潜标的形式布放于海水中,一些以自容方式工作,一些通过电缆、水声或者无线电等方式将采集数据回传到岸基运算中心。在岸基运算中心有处理平台可以实现舰船噪声信号的分析和处理等。布放的时候应考虑平台的振动和噪声对水听器的影响。一般情况下平台应当开展减振降噪工作,包括主浮体流线型设计、转环和卸扣连接处使用橡胶隔振等。此外,水听器与平台之间一般通过弹簧或者弹力线相连,隔离平台振动。另外一种布放方式为水面舰船或者潜艇,此时水听器收听到的舰船噪声一般会在当地处理。
这里处理5艘船舶的噪声信号,船舶名称以及长度和采样率信息见下表1。把这些信号进行分帧,每一帧的长度为10秒,帧与帧之间重合9秒,这样对于这5艘船舶,我们分别得到了123、170、215、402和675帧。对于这些数据,本实施例的处理步骤(见图1)如下:
表1
舰船名 | 长度(秒) | 采样率(Hz) |
A | 132 | 44100 |
B | 179 | 44100 |
C | 224 | 44100 |
D | 441 | 44100 |
E | 684 | 44100 |
第一步标准化操作。将总长度为10秒的一帧噪声信号s,执行标准化操作得到标准化的噪声信号st。由于采样率已经一致,故不再需要统一采样率工作。然后去掉噪声信号的直流分量:st1=s-mean(s),其中mean()表示取均值操作;最后将噪声信号的功率归一化:st=st1/std(st1),其中std()表示取标准差操作;
经过标准化后,A船信号的时域波形如图2左图所示,图2右图为A船信号频谱图。
第二步,计算信号的全息谱图。首先对信号st进行模态分解,模态分解的方法包括:经验模态分解法(EMD),集合经模态分解法(EEMD),或者自适应性二进位遮罩经验模态分解法(CADM-EMD)。模态分解后,这里使用EEMD 对这些舰船信号进行分解。模态分解后,信号可以表示为:其中,ci(t) 是本征模态函数(IMF)分量。得到的分解后的A舰船信号如图3a所示。然后对每一个本征模态函数,求得其包络:ENEi=envelope(ci(t)),其中,envelope()为取包络操作。对每一个本征模态函数包络继续进行模态分解。得到其中,c2ij(t)为本征模态函数包络ENEi的本征模态,第一个本征模态包络分解后的信号形式如图3b所示。最后,对ci(t)和c2ij(t)进行瞬时频率分析,栅格化能量操作,得到A舰船信号的幅度调制全息谱图。见图4。
第三步,将幅度调制全息谱图作为分类模型的特征输入,训练分类模型。其中分类模型采用基于深度学习的神经网络模型,具体为卷积神经网络 (convolution neuralnetwork,CNN)模型。卷积神经网络共有6层:三层卷积层,两层全连接层与一层softmax分类层。第一层卷积层有32个3×3卷积核,其后为一层2×2最大池化层。第二层卷积层有8个3×3卷积核,其后为一层2×2 最大池化层。第三层卷积层的结构与第二层完全相同,其中A舰船信号卷积神经网络见图5。所有卷积层的步长均为1,每一层卷积层均使用tanh激活函数进行激活。将幅度调制全息谱图分为训练集样本和验证集样本,使用训练集对CNN 模型进行训练,使用验证集对网络模型进行调参,得到训练好的CNN模型。
第四步,使用训练好的分类模型对舰船噪声进行分类识别。将舰船噪声按照步骤一和步骤二进行处理得到幅度调制全息谱图,输入到训练好的CNN模型中,CNN模型给出对应的舰船分类。在验证集上得到识别的准确率为99%。对比调制谱方法在同样的条件下识别准确率是90.8%[见参考文献Liu,Zongwei,et al."DEMON Spectrum ExtractionMethod Using Empirical Mode Decomposition." OCEANS-MTS/IEEE Kobe Techno-Oceans(OTO).IEEE,2018.],有了较大幅度的提高。图6所示为训练过程中训练集和验证集准确率和损失随着训练轮数变化情况。
Claims (2)
1.一种基于全息谱和深度学习的船舶噪声识别方法,其特征在于所述方法的步骤如下:
第一步,提取总长度为T的一段噪声信号s,执行标准化操作得到标准化的噪声信号st;标准化操作的步骤为首先统一采样频率,通过升采样或者降采样将不同数据样本的采样频率统一为FSstd,其中FSstd应大于20kHz;然后去掉噪声信号的直流分量:st1=s-mean(s),其中mean()表示取均值操作;最后将噪声信号的功率归一化:st=st1/std(st1),其中std()表示取标准差操作;
第二步,计算噪声信号的全息谱图;首先对标准化的噪声信号st进行模态分解,模态分解后,表示为:
其中,N为模态个数,ci(t)是本征模态函数分量;
然后对每一个本征模态函数,求得其包络:
ENEi=envelope(ci(t)) (2)
其中,envelope()为取包络操作,对每一个本征模态函数包络继续进行模态分解,得到
其中,c2ij(t)为本征模态函数包络ENEi的本征模态;
最后,对ci(t)和c2ij(t)进行瞬时频率分析,栅格化能量操作,得到噪声信号的幅度调制全息谱图;
第三步,将幅度调制全息谱图作为分类模型的特征输入,训练分类模型;其中分类模型采用基于深度学习的神经网络模型,具体为卷积神经网络模型,也即CNN模型,将幅度调制全息谱图分为训练集样本和验证集样本,使用训练集对CNN模型进行训练,使用验证集对网络模型进行调参,得到训练好的CNN模型;
第四步,使用训练好的分类模型对舰船噪声进行分类识别;将舰船噪声按照步骤一和步骤二进行处理得到幅度调制全息谱图,输入到训练好的CNN模型中,CNN模型给出对应的舰船分类。
2.根据权利要求1所述的方法,其特征在碍于所述模态分解的方法包括:经验模态分解法,集合经模态分解法,或者自适应性二进位遮罩经验模态分解法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303263.XA CN113077813B (zh) | 2021-03-22 | 2021-03-22 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303263.XA CN113077813B (zh) | 2021-03-22 | 2021-03-22 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077813A true CN113077813A (zh) | 2021-07-06 |
CN113077813B CN113077813B (zh) | 2022-03-01 |
Family
ID=76613932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303263.XA Active CN113077813B (zh) | 2021-03-22 | 2021-03-22 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077813B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 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 |
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407507A (zh) * | 2014-09-18 | 2015-03-11 | 河北工程大学 | 一种基于Hilbert变换的数字全息高精度位相重建方法 |
US20180247643A1 (en) * | 2017-02-24 | 2018-08-30 | Baidu Usa Llc | Systems and methods for principled bias reduction in production speech models |
CN108694346A (zh) * | 2017-04-05 | 2018-10-23 | 中国科学院声学研究所 | 一种基于两级cnn的船舶辐射噪声信号识别方法 |
CN109754581A (zh) * | 2019-01-15 | 2019-05-14 | 深圳市宇航智造技术有限公司 | 机房设备预警方法、装置、设备及存储介质 |
CN110006650A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法 |
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 |
CN112183280A (zh) * | 2020-09-21 | 2021-01-05 | 西安交通大学 | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 |
CN112183550A (zh) * | 2020-09-09 | 2021-01-05 | 上海鹰觉科技有限公司 | 基于深度学习的船舶分类识别方法 |
-
2021
- 2021-03-22 CN CN202110303263.XA patent/CN113077813B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407507A (zh) * | 2014-09-18 | 2015-03-11 | 河北工程大学 | 一种基于Hilbert变换的数字全息高精度位相重建方法 |
US20180247643A1 (en) * | 2017-02-24 | 2018-08-30 | Baidu Usa Llc | Systems and methods for principled bias reduction in production speech models |
CN108694346A (zh) * | 2017-04-05 | 2018-10-23 | 中国科学院声学研究所 | 一种基于两级cnn的船舶辐射噪声信号识别方法 |
CN109754581A (zh) * | 2019-01-15 | 2019-05-14 | 深圳市宇航智造技术有限公司 | 机房设备预警方法、装置、设备及存储介质 |
CN110006650A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法 |
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 |
CN112183550A (zh) * | 2020-09-09 | 2021-01-05 | 上海鹰觉科技有限公司 | 基于深度学习的船舶分类识别方法 |
CN112183280A (zh) * | 2020-09-21 | 2021-01-05 | 西安交通大学 | 基于emd和压缩感知的水声目标辐射噪声分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
ZONGWEI LIU ET AL.: "DEMON Spectrum Extraction Method Using Empirical Mode Decomposition", 《2018 OCEANS - MTS/IEEE KOBE TECHNO-OCEANS (OTO)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113077813B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077813B (zh) | 一种基于全息谱和深度学习的舰船噪声识别方法 | |
Michelsanti et al. | Conditional generative adversarial networks for speech enhancement and noise-robust speaker verification | |
CN109800700B (zh) | 一种基于深度学习的水下声信号目标分类识别方法 | |
Luo et al. | An underwater acoustic target recognition method based on combined feature with automatic coding and reconstruction | |
Mishachandar et al. | Diverse ocean noise classification using deep learning | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
Yang et al. | A new cooperative deep learning method for underwater acoustic target recognition | |
CN104732970A (zh) | 一种基于综合特征的舰船辐射噪声识别方法 | |
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 | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
CN113049080A (zh) | 一种舰船辐射噪声的gdwc听觉特征提取方法 | |
Mouy et al. | Automatic recognition of fin and blue whale calls for real-time monitoring in the St. Lawrence | |
Lu et al. | Fundamental frequency detection of underwater acoustic target using DEMON spectrum and CNN network | |
CN113109794A (zh) | 一种强噪声环境下基于深度神经网络的深海声源定深方法 | |
Park et al. | A fast and accurate convolutional neural network for LPI radar waveform recognition | |
Feroze et al. | Classification of underwater acoustic signals using multi-classifiers | |
Hummel et al. | A survey on machine learning in ship radiated noise | |
CN116417011A (zh) | 基于特征融合和残差cnn的水声目标识别方法 | |
CN116992263A (zh) | 一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法 | |
Aslam et al. | Underwater sound classification using learning based methods: A review | |
CN114462457B (zh) | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 | |
Sadeghi et al. | A new database for underwater sound recognition using a nonlinear support vector machine | |
Karakos et al. | Applying speech technology to the ship-type classification problem | |
Cao et al. | An Underwater Acoustic Signal Denoising Method for Broadband Interference from Underwater Platforms Based on the Deep Neural Network Model | |
Xie et al. | DBM-based underwater acoustic source recognition |
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 |