CN113869289A - 基于熵的多通道舰船辐射噪声特征提取方法 - Google Patents

基于熵的多通道舰船辐射噪声特征提取方法 Download PDF

Info

Publication number
CN113869289A
CN113869289A CN202111455147.6A CN202111455147A CN113869289A CN 113869289 A CN113869289 A CN 113869289A CN 202111455147 A CN202111455147 A CN 202111455147A CN 113869289 A CN113869289 A CN 113869289A
Authority
CN
China
Prior art keywords
vector
entropy
channel
vectors
representing
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
Application number
CN202111455147.6A
Other languages
English (en)
Other versions
CN113869289B (zh
Inventor
李惟嘉
申晓红
李亚安
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.)
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Shenzhen Institute of 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 Shenzhen Institute of Northwestern Polytechnical University filed Critical Shenzhen Institute of Northwestern Polytechnical University
Priority to CN202111455147.6A priority Critical patent/CN113869289B/zh
Publication of CN113869289A publication Critical patent/CN113869289A/zh
Application granted granted Critical
Publication of CN113869289B publication Critical patent/CN113869289B/zh
Expired - Fee Related 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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于熵的多通道舰船辐射噪声特征提取方法，属于复杂海洋环境下舰船辐射噪声特征提取技术领域，包括如下步骤：得到多维时间序列{yi,j}；得到嵌入维度为M的第一相空间矩阵YM(i)；得到各两向量间切比雪夫距离d[YM(i),YM(j)]；得到相对预设向量的切比雪夫距离小于预设阈值R的向量个数C­iM­(R)；得到各向量间切比雪夫距离小于预设阈值R的平均概率BM(R)；得到YM+P(i)及其中各向量间小于预设阈值R的平均概率BM+P(R)；得到多通道多尺度样本熵IMMSE，完成基于熵的特征提取；本发明解决了提取多通道舰船辐射噪声，并在保留通道内与通道间相关性能力的基础上提升稳定性的问题。

Description

基于熵的多通道舰船辐射噪声特征提取方法
技术领域
本发明属于复杂海洋环境下舰船辐射噪声特征提取技术领域，尤其涉及一种基于熵的多通道舰船辐射噪声特征提取方法。
背景技术
舰船辐射噪声的识别和分类在水下信号处理领域具有重要意义，在军事和海洋经济中具有重要价值；分类问题的一个重要步骤是从采集的信号中提取有效特征；特征反映不充分会导致分类精度低；近年来，水声领域逐渐使用多传感器对同一目标数据进行采集，例如矢量水听器与阵列，多通道数据可以保留信号的更多有用信息在学界已成为共识，但是如何对多个通道的数据进行融合并提取特征还没有一个统一较好的标准。
熵作为一种非线性的特征提取方法，可以较好的应用于高信噪比下的舰船辐射噪声特征提取；利用提取到的特征进行识别分类往往具有较高的准确率；传统的熵方法针对的都是一维时间序列，在处理多通道数据时应用受到限制，然而，熵在计算过程中的相空间重构步骤为研究提供了新的思路；近年来有学者尝试提出针对多通道数据处理的熵方法，但是提出的方法无法兼顾稳定性与性能。
现有方法中针对多通道数据的多通道多尺度样本熵（MMSE）主要存在以下不足：（1）、算法在对数据进行相空间重构时存在不确定性，导致会重构出多个等价的相空间；（2）算法无法兼顾性能与稳定性，即，如果保证了算法提取通道内与通道间相关性信息的能力，会导致在处理复杂信号时出现不稳定的熵值。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于熵的多通道舰船辐射噪声特征提取方法解决了提取多通道舰船辐射噪声，并在保留通道内与通道间相关性能力的基础上提升稳定性的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本方案提供一种基于熵的多通道舰船辐射噪声特征提取方法，包括如下步骤：
S1、粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }，得到多维时间序列{y i,j }；
S2、利用Takens时延定理对{y i,j }进行相空间重构，得到嵌入维度为M的第一相空间矩阵Y M (i)；
S3、利用切比雪夫距离计算Y M (i)任意两向量间的相似度，得到各两向量间切比雪夫距离d[Y M (i),Y M (j)]；
S4、统计得到Y M (i)中相对预设向量的切比雪夫距离小于预设阈值R的向量个数C i M (R)；
S5、根据C i M (R)得到Y M (i)中各向量间切比雪夫距离小于预设阈值R的平均概率B M (R)；
S6、将Y M (i)的嵌入维度增加至M+p，得到第二相空间矩阵Y M+p (i)及其中各向量间小于预设阈值R的平均概率B M+p (R)，其中，p表示Y M (i)的通道数目；
S7、根据B M (R)和B M+p (R)得到多通道多尺度样本熵IMMSE，完成对包含多通道舰船辐射噪声特征数据基于熵的特征提取。
本发明的有益效果为：本发明提出的一种基于熵的多通道舰船辐射噪声特征提取方法有效应对了复杂海洋环境含有大量的非线性成分，采用熵这一被证实是有效提取舰船辐射噪声特征的方法，通过改进的多通道多尺度样本熵方法提取多通道舰船辐射噪声特征，在保留提取通道内与通道间相关性能力的基础上，提升了算法的稳定性。
进一步地，所述步骤S1中粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }的表达式如下：
Figure 379573DEST_PATH_IMAGE001
Figure 717144DEST_PATH_IMAGE002
其中，i表示{x i }各元素下标，j表示{x i }各元素求和时的标号，y i 表示粗粒化后的多维时间序列{x i,j }中各通道的时间序列，n表示时间尺度，N表示{x i }的长度，
Figure 222206DEST_PATH_IMAGE003
表示向下取整，N n 表示y i 的长度。
采用上述进一步方案的有益效果为：通过时间粗粒化可以有效地从不同的时间尺度对数据进行分析，使得原本一维的熵值变为一个与时间尺度n有关的n维向量，通过分析一段数据在不同尺度下的熵值，可以分析判断出数据中的信息主要集中在哪一个时间尺度上，使得对数据的分析更加完善，从而在实际对复杂信号的应用中取得更好的效果。
进一步地，所述步骤S2中的第一相空间矩阵Y M (i)表达式如下：
Figure 709950DEST_PATH_IMAGE004
Figure 237928DEST_PATH_IMAGE005
其中，M表示嵌入维数向量，T表示时间延迟向量，p表示通道数目，m p 表示嵌入维数向量中的第p个元素，
Figure 621767DEST_PATH_IMAGE006
表示时间延迟向量中的第p个元素，
Figure 348546DEST_PATH_IMAGE007
表示第p个通道里的第
Figure 639981DEST_PATH_IMAGE008
个元素。
采用上述进一步方案的有益效果为：利用Takens延迟定理实现相空间重构，将一维时间序列嵌入高维相空间，通过研究数据重构后在相空间中的轨迹对系统进行分析研究，将信号的维数从一维拓展至更高的维数，虽然难以达到系统本身变量的维数，但是也可以帮助更好的对复杂系统进行分析。
进一步地，所述步骤S3中各两向量间切比雪夫距离d[Y M (i),Y M (j)]的表达式如下：
Figure 34185DEST_PATH_IMAGE009
其中，Y M (i)与Y M (j)分别表示相空间矩阵中的各两向量，k表示自然数，
Figure 120083DEST_PATH_IMAGE010
表示向量Y M (i)的第i+k个元素，
Figure 599737DEST_PATH_IMAGE011
表示向量Y M (j)的第j+k个元素，
Figure 429284DEST_PATH_IMAGE012
表示取绝对值。
采用上述进一步方案的有益效果为：通过切比雪夫距离得到各向量间的相似度，取绝对值的最大值作为各两向量间的切比雪夫距离。
进一步地，所述步骤S5中平均概率B M (R)的表达式如下：
Figure 502213DEST_PATH_IMAGE013
其中，
Figure 24592DEST_PATH_IMAGE014
表示第一相空间矩阵中与第i个向量切比雪夫距离小于预设值R的向量个数，
Figure 319439DEST_PATH_IMAGE015
表示第一相空间矩阵中任一向量与其余向量间切比雪夫距离小于预设值R的概率，q表示相空间矩阵中向量个数，i表示预设向量的下标。
采用上述进一步方案的有益效果为：所述
Figure 952676DEST_PATH_IMAGE016
为针对相空间中预设向量，其余向量与其距离小于预设阈值R的概率，B M (R)针对嵌入维数为M的相空间中所有向量间距离小于预设阈值R的平均概率，实现了通过对相空间中向量间相似度的表征。
进一步地，所述步骤S7中多通道多尺度样本熵IMMSE表达式如下：
Figure 321472DEST_PATH_IMAGE017
其中，M表示嵌入维数向量，T表示时间延迟向量，R表示预设阈值，
Figure 14753DEST_PATH_IMAGE018
表示时间序列{x i,j }长度，p表示通道数目。
采用上述进一步方案的有益效果为：通过本方案改进的IMMSE算法在增加嵌入维数是为每个通道都增加1，共增加p，使得算法本身不会出现不同计算通道间计算相似性的错误，也使得处理复杂信号是IMMSE表现更稳定。
附图说明
图1为本发明实施例中基于熵的多通道舰船辐射噪声特征提取方法的步骤流程图。
图2为本发明实施例中IMMSE的数据通道间相关性分析结果曲线。
图3为本发明实施例中三类目标舰船辐射噪声的MMSE结果曲线。
图4为本发明实施例中三类目标舰船辐射噪声的IMMSE结果曲线。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，本发明提出的一种基于熵的多通道舰船辐射噪声特征提取方法，包括如下步骤：
S1、粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }，得到多维时间序列{y i,j }；
所述步骤S1中粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }的表达式如下：
Figure 203420DEST_PATH_IMAGE001
Figure 374769DEST_PATH_IMAGE002
其中，i表示{x i }各元素下标，j表示{x i }各元素求和时的标号，y i 表示粗粒化后的多维时间序列{x i,j }中各通道的时间序列，n表示时间尺度，N表示{x i }的长度，
Figure 789615DEST_PATH_IMAGE003
表示向下取整，N n 表示y i 的长度；
通过时间粗粒化可以有效地从不同的时间尺度对数据进行分析，使得原本一维的熵值变为一个与时间尺度n有关的n维向量，通过分析一段数据在不同尺度下的熵值，可以分析判断出数据中的信息主要集中在哪一个时间尺度上，使得对数据的分析更加完善，从而在实际对复杂信号的应用中取得更好的效果；
S2、利用Takens时延定理对{y i, j }进行相空间重构，得到嵌入维度为M的第一相空间矩阵Y M (i)；
所述步骤S2中的第一相空间矩阵Y M (i)表达式如下：
Figure 653797DEST_PATH_IMAGE004
Figure 657656DEST_PATH_IMAGE005
其中，M表示嵌入维数向量，T表示时间延迟向量，p表示通道数目，m p 表示嵌入维数向量中的第p个元素，
Figure 101538DEST_PATH_IMAGE006
表示时间延迟向量中的第p个元素，
Figure 274286DEST_PATH_IMAGE007
表示第p个通道里的第
Figure 309370DEST_PATH_IMAGE008
个元素；
利用Takens延迟定理实现相空间重构，将一维时间序列嵌入高维相空间，通过研究数据重构后在相空间中的轨迹对系统进行分析研究，将信号的维数从一维拓展至更高的维数；
S3、利用切比雪夫距离计算第一相空间矩阵Y M (i)任意两向量间的相似度，得到各两向量间切比雪夫距离d[Y M (i),Y M (j)]；
所述步骤S3中各两向量间切比雪夫距离d[Y M (i),Y M (j)]的表达式如下：
Figure 472629DEST_PATH_IMAGE009
其中，Y M (i)与Y M (j)分别表示相空间矩阵中的各两向量，k表示自然数，
Figure 263079DEST_PATH_IMAGE010
表示向量Y M (i)的第i+k个元素，
Figure 195394DEST_PATH_IMAGE019
表示向量Y M (j)的第j+k个元素，
Figure 198116DEST_PATH_IMAGE012
表示取绝对值；
S4、统计得到第一相空间矩阵中相对预设向量的切比雪夫距离小于预设阈值R的向量个数C i M (R)；
所述预设向量为第一相空间中的任一指定向量；
S5、根据C i M (R)得到第一相空间矩阵中各向量间切比雪夫距离小于预设阈值R的平均概率B M (R)；
所述步骤S5中平均概率B M (R)的表达式如下：
Figure 317513DEST_PATH_IMAGE013
其中，
Figure 899935DEST_PATH_IMAGE014
表示第一相空间矩阵中与第i个向量切比雪夫距离小于预设值R的向量个数，
Figure 686757DEST_PATH_IMAGE015
表示第一相空间矩阵中任一向量与其余向量间切比雪夫距离小于预设值R的概率，q表示相空间矩阵中向量个数，i表示预设向量的下标；
S6、将相空间矩阵Y M (i)的嵌入维度增加至M+p，得到第二相空间矩阵Y M+p (i)及其中各向量间小于预设阈值R的平均概率B M+p (R)；
S7、根据B M (R)和B M+p (R)得到多通道多尺度样本熵IMMSE，完成对包含多通道舰船辐射噪声特征数据基于熵的特征提取；
所述步骤S7中多通道多尺度样本熵IMMSE表达式如下：
Figure 63643DEST_PATH_IMAGE017
其中，M表示嵌入维数向量，T表示时间延迟向量，R表示预设阈值，
Figure 529390DEST_PATH_IMAGE018
表示时间序列{x i,j }长度，p表示通道数目。
在本发明的一个实用实例中，本发明将分析的舰船数据分为A、B、C三种，数据采样率设为9960Hz，水听器阵间距为5m，每种数据包含三个通道，在计算IMMSE之前，需要首先确定参数。设定M=[2,2,2]，T=[1,1,1]。时间尺度从1到15，阈值设置为0.15倍的多通道数据对应协方差矩阵的迹。得到IMMSE的具体步骤如下：
从A、B、C类舰船数据每个通道选取1000000样本点长度的数据，且各通道间的起始时间和终止时间相同；
将选取的数据等分为100份，每种类型舰船数据各个通道的数据长度为10000，此处长度为10000的三通道数据对应多维时间序列{x i,j }；
值得注意的是，数据选取的总长度和每次计算时用到的数据长度并非固定值，是可以根据实际情况进行选取的；
对长度为10000样本点的数据中每个通道分别进行尺度为1的时间粗粒化处理得到多维时间序列{y i,j }；
根据相空间重构、计算切比雪夫距离、统计切比雪夫距离小于预设阈值R的向量，以及计算其平均概率，得到所述长度为10000样本点的数据对应尺度的IMMSE。
本发明根据大量仿真与实际数据研究，证明了时间延迟各元素为1，嵌入维数各元素为2，且阈值系数为0.15乘以数据协方差矩阵的迹可以有效的提取多通道数据的熵特征。
如图2所示，在本方案的一个实施例中，通过四组双通道数据，分别为通道间具有相关性的高斯白噪声，通道间独立的高斯白噪声，通道间具有相关性的粉噪声，通道间相互独立的粉噪声，在本实施例中利用IMMSE对双通道通道间相关的粉噪声、双通道通道间不相关的粉噪声、双通道通道间相关的白噪声和双通道通道间不相关的白噪声四组信号进行分析，在参数方面，M=[2,2]，
Figure 372626DEST_PATH_IMAGE020
=[1,1]，阈值设置为0.15倍的多通道数据对应协方差矩阵的迹，且每个通道数据长度为5000个样本点，从图1的结果可以看出，IMMSE不仅可以区分高斯白噪声与粉噪声，还可以有效的判断同种信号的不同通道之间是否具有相关性，由此可见，IMMSE方法具有良好的提取通道间相关性信息的能力，即IMMSE可以有效的区分同一类的信号不同的通道间是否具有相关性。
如图3和图4所示，由于选取的数据长度为1000000，对应每种舰船数据可计算100次数据长度为10000的IMMSE，对这100此结构计算对应的均值和标准差，并根据计算结果绘制得到每种类型舰船，即舰船A、舰船B和舰船C时间尺度从1到15的误差图曲线，其中，图3中曲线的横坐标为时间尺度，纵坐标为多通道多尺度样本熵，即MMSE熵值，图4中曲线的横坐标为时间尺度，纵坐标为改进多通道多尺度样本熵，即IMMSE熵值。
每种类型舰船对应计算多次得到100组结果后，将其中的70份作为训练集，30份作为测试集，通过概率神经网络进行分类识别，三轴舰船的MMSE和IMMSE分类结果如表1所示：
表1
Figure 545113DEST_PATH_IMAGE021
通过表1得到本发明提出的基于熵的多通道舰船辐射噪声特征提取方法，在实际应用中提取到的特征分类识别正确率远高于现有方法，这是由于解决了现有方法在面对复杂信号时表现出不稳定性的问题，并通过改进后的算法IMMSE可以使后续的分类正确率从52.2%提升到91.1%。
本发明的有益效果为：
（1）本发明使用基于改进的多通道多尺度样本熵IMMSE对舰船辐射噪声进行特征提取，并通过对相空间重构步骤的改进，使算法在处理复杂的实际信号时表现出更好的稳定性；
（2）本发明相对现有技术在增加嵌入维数时仅增加1，使得增加嵌入维数后重构出的相空间有p种可能，其中，p表示通道数目，而本发明中改进的IMMSE算法在增加嵌入维数时从增加1变为每个通道都增加1，共增加p，使得算法本身不会出现不同通道之间计算相似性的错误，同时使得在处理复杂信号时IMMSE表现更稳定；
（3）本发明解决了现有提取多通道数据特征的数据融合问题，并且使得算法更加稳定，在实际验证中提高了后续分类识别的准确率。

Claims (6)

1.一种基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，包括如下步骤：
S1、粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }，得到多维时间序列{y i,j }；
S2、利用Takens时延定理对{y i,j }进行相空间重构，得到嵌入维度为M的第一相空间矩阵Y M (i)；
S3、利用切比雪夫距离计算Y M (i)任意两向量间的相似度，得到各两向量间切比雪夫距离d[Y M (i),Y M (j)]；
S4、统计得到Y M (i)中相对预设向量的切比雪夫距离小于预设阈值R的向量个数C i M (R)；
S5、根据C i M (R)得到Y M (i)中各向量间切比雪夫距离小于预设阈值R的平均概率B M (R)；
S6、将Y M (i)的嵌入维度增加至M+p，得到第二相空间矩阵Y M+p (i)及其中各向量间小于预设阈值R的平均概率B M+p (R)，其中，p表示Y M (i)的通道数目；
S7、根据B M (R)和B M+p (R)得到多通道多尺度样本熵IMMSE，完成对包含多通道舰船辐射噪声特征数据基于熵的特征提取。
2.根据权利要求1所述的基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，所述步骤S1中粗粒化包含多通道舰船辐射噪声特征的多维时间序列{x i,j }中各通道的时间序列{x i }的表达式如下：
Figure 53794DEST_PATH_IMAGE001
Figure 789800DEST_PATH_IMAGE002
其中，i表示{x i }各元素下标，j表示{x i }各元素求和时的标号，y i 表示粗粒化后的多维时间序列{x i,j }中各通道的时间序列，n表示时间尺度，N表示{x i }的长度，
Figure 53554DEST_PATH_IMAGE003
表示向下取整，N n 表示y i 的长度。
3.根据权利要求1所述的基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，所述步骤S2中的第一相空间矩阵Y M (i)表达式如下：
Figure 875010DEST_PATH_IMAGE004
Figure 679149DEST_PATH_IMAGE005
其中，M表示嵌入维数向量，T表示时间延迟向量，p表示通道数目，m p 表示嵌入维数向量中的第p个元素，
Figure 630181DEST_PATH_IMAGE006
表示时间延迟向量中的第p个元素，
Figure 64836DEST_PATH_IMAGE007
表示第p个通道里的第
Figure 96291DEST_PATH_IMAGE008
个元素。
4.根据权利要求1所述的基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，所述步骤S3中各两向量间切比雪夫距离d[Y M (i),Y M (j)]的表达式如下：
Figure 704121DEST_PATH_IMAGE009
其中，Y M (i)与Y M (j)分别表示相空间矩阵中的各两向量，k表示自然数，
Figure 149140DEST_PATH_IMAGE010
表示向量Y M (i)的第i+k个元素，
Figure 410488DEST_PATH_IMAGE011
表示向量Y M (j)的第j+k个元素，
Figure 3274DEST_PATH_IMAGE012
表示取绝对值。
5.根据权利要求1所述的基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，所述步骤S5中平均概率B M (R)的表达式如下：
Figure 414795DEST_PATH_IMAGE013
其中，
Figure 917583DEST_PATH_IMAGE014
表示第一相空间矩阵中与第i个向量切比雪夫距离小于预设值R的向量个数，
Figure 615412DEST_PATH_IMAGE015
表示第一相空间矩阵中任一向量与其余向量间切比雪夫距离小于预设值R的概率，q表示相空间矩阵中向量个数，i表示预设向量的下标。
6.根据权利要求1所述的基于熵的多通道舰船辐射噪声特征提取方法，其特征在于，所述步骤S7中多通道多尺度样本熵IMMSE表达式如下：
Figure 644896DEST_PATH_IMAGE016
其中，M表示嵌入维数向量，T表示时间延迟向量，R表示预设阈值，
Figure 797791DEST_PATH_IMAGE017
表示时间序列{x i,j }长度，p表示通道数目。
CN202111455147.6A 2021-12-02 2021-12-02 基于熵的多通道舰船辐射噪声特征提取方法 Expired - Fee Related CN113869289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455147.6A CN113869289B (zh) 2021-12-02 2021-12-02 基于熵的多通道舰船辐射噪声特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455147.6A CN113869289B (zh) 2021-12-02 2021-12-02 基于熵的多通道舰船辐射噪声特征提取方法

Publications (2)

Publication Number Publication Date
CN113869289A true CN113869289A (zh) 2021-12-31
CN113869289B CN113869289B (zh) 2022-03-01

Family

ID=78985518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455147.6A Expired - Fee Related CN113869289B (zh) 2021-12-02 2021-12-02 基于熵的多通道舰船辐射噪声特征提取方法

Country Status (1)

Country Link
CN (1) CN113869289B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250603A (zh) * 2023-11-10 2023-12-19 西北工业大学深圳研究院 水下微弱目标信号的多通道熵检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090169115A1 (en) * 2007-12-31 2009-07-02 Wei Hu Brand image detection
CN102510363A (zh) * 2011-09-30 2012-06-20 哈尔滨工程大学 一种强干扰源环境下的lfm信号检测方法
CN106491083A (zh) * 2016-10-11 2017-03-15 天津大学 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用
CN107229602A (zh) * 2017-05-22 2017-10-03 湘潭大学 一种智能楼宇微网用电行为的识别方法
US20190038163A1 (en) * 2007-04-12 2019-02-07 University Of Virginia Patent Foundation Analysis of cardiac rhythm using rr interval characterization
CN109330613A (zh) * 2018-10-26 2019-02-15 蓝色传感（北京）科技有限公司 基于实时脑电的人体情绪识别方法
CN109528187A (zh) * 2018-11-06 2019-03-29 河海大学常州校区 一种用于时间序列复杂度评估的多尺度增量熵算法
CN110123345A (zh) * 2019-05-27 2019-08-16 山东大学 基于多向稳定偏转力矩的多指抓握功能测试分析仪及方法
CN110367980A (zh) * 2019-07-10 2019-10-25 南京邮电大学 基于多元经验模态分解的脑电信号情绪识别方法
CN111693915A (zh) * 2020-06-06 2020-09-22 太原理工大学 基于多尺度排列模糊熵的功能磁共振复杂度测度方法
CN112146861A (zh) * 2020-09-15 2020-12-29 湖北工业大学 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法
CN112213688A (zh) * 2020-09-03 2021-01-12 中国民用航空飞行学院 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法
CN112836393A (zh) * 2021-03-09 2021-05-25 中国地质大学（北京） 一种基于多尺度熵分析储层非均质性的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190038163A1 (en) * 2007-04-12 2019-02-07 University Of Virginia Patent Foundation Analysis of cardiac rhythm using rr interval characterization
US20090169115A1 (en) * 2007-12-31 2009-07-02 Wei Hu Brand image detection
CN102510363A (zh) * 2011-09-30 2012-06-20 哈尔滨工程大学 一种强干扰源环境下的lfm信号检测方法
CN106491083A (zh) * 2016-10-11 2017-03-15 天津大学 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用
CN107229602A (zh) * 2017-05-22 2017-10-03 湘潭大学 一种智能楼宇微网用电行为的识别方法
CN109330613A (zh) * 2018-10-26 2019-02-15 蓝色传感（北京）科技有限公司 基于实时脑电的人体情绪识别方法
CN109528187A (zh) * 2018-11-06 2019-03-29 河海大学常州校区 一种用于时间序列复杂度评估的多尺度增量熵算法
CN110123345A (zh) * 2019-05-27 2019-08-16 山东大学 基于多向稳定偏转力矩的多指抓握功能测试分析仪及方法
CN110367980A (zh) * 2019-07-10 2019-10-25 南京邮电大学 基于多元经验模态分解的脑电信号情绪识别方法
CN111693915A (zh) * 2020-06-06 2020-09-22 太原理工大学 基于多尺度排列模糊熵的功能磁共振复杂度测度方法
CN112213688A (zh) * 2020-09-03 2021-01-12 中国民用航空飞行学院 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法
CN112146861A (zh) * 2020-09-15 2020-12-29 湖北工业大学 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法
CN112836393A (zh) * 2021-03-09 2021-05-25 中国地质大学（北京） 一种基于多尺度熵分析储层非均质性的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANNE HUMEAU-HEURTIER: "The Multiscale Entropy Algorithm and Its Variants: A Review", 《ENTROPY》 *
WEIJIA LI等: "A Comparative Study of MulFeature Extraction for Ship-Radiated Noisetiscale Sample Entropy and Hierarchical Entropy and Its Application in Feature Extraction for Ship-Radiated Noise", 《ENTROPY》 *
张建强等: "人体静态平衡运动力学分析中多元多尺度熵特征改进算法", 《航天医学与医学工程》 *
李洪儒等: "基于二元多尺度熵的滚动轴承退化趋势预测", 《中国机械工程》 *
王旭尧和徐永红: "基于改进多元多尺度熵的人体步态加速度信号分类", 《传感技术学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250603A (zh) * 2023-11-10 2023-12-19 西北工业大学深圳研究院 水下微弱目标信号的多通道熵检测方法
CN117250603B (zh) * 2023-11-10 2024-01-09 西北工业大学深圳研究院 水下微弱目标信号的多通道熵检测方法

Also Published As

Publication number Publication date
CN113869289B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN109283492B (zh) 多目标方位估计方法及水声垂直矢量阵列系统
CN109471074B (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN111783558A (zh) 一种卫星导航干扰信号类型智能识别方法及系统
CN111337893B (zh) 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN111458746B (zh) 一种基于U-Net神经网络的隧道微震波形到时拾取方法
CN111931820B (zh) 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法
CN114897023B (zh) 一种基于水声目标敏感差异特征提取的水声目标辨识方法
CN112735442B (zh) 一种具有音频分离声纹识别的湿地生态监测系统及其音频分离方法
CN102930275A (zh) 基于Cramer’s V指数的遥感影像特征选择方法
CN113869289B (zh) 基于熵的多通道舰船辐射噪声特征提取方法
CN108398659B (zh) 一种矩阵束与求根music结合的波达方向估计方法
CN111693937A (zh) 一种基于稀疏重构的无需网格化的近场信号源定位方法
CN111460074B (zh) 一种轨迹碰撞分析方法、装置及电子设备
CN113376569A (zh) 基于最大似然的嵌套阵稀疏表示波达方向估计方法
CN109034238A (zh) 一种基于信息熵的聚类划分方法
CN112735443B (zh) 一种具有自动分类的海洋空间资源管理系统及其自动分类方法
CN104463245B (zh) 一种目标识别方法
CN112052880A (zh) 一种基于更新权值支持向量机的水声目标识别方法
CN106886627B (zh) 一种m-uca估计m-1个信源的建模方法
CN113109760B (zh) 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统
CN112185412A (zh) 一种多目标声信号混叠下的识别方法
CN110555370B (zh) 水下目标识别中基于plda因子分析法的通道效应抑制方法
CN112116006A (zh) 一种基于对偶空间最优的水声目标分类方法
CN106202892B (zh) 一种基于噪声子空间单一矢量的快速doa估计算法
CN110687605A (zh) 基于改进的k-svd算法在地震信号处理的算法分析应用

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220301

CF01 Termination of patent right due to non-payment of annual fee