CN115014313B - 一种基于并行多尺度的偏振光罗盘航向误差处理方法 - Google Patents
一种基于并行多尺度的偏振光罗盘航向误差处理方法 Download PDFInfo
- Publication number
- CN115014313B CN115014313B CN202210603373.2A CN202210603373A CN115014313B CN 115014313 B CN115014313 B CN 115014313B CN 202210603373 A CN202210603373 A CN 202210603373A CN 115014313 B CN115014313 B CN 115014313B
- Authority
- CN
- China
- Prior art keywords
- data
- component
- eigenmode
- polarized light
- frequency
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C17/00—Compasses; Devices for ascertaining true or magnetic north for navigation or surveying purposes
- G01C17/38—Testing, calibrating, or compensating of compasses
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了一种基于并行多尺度的偏振光罗盘航向误差处理方法,采用OVMD分解法将原始航向角数据分解为多个数据本征模态分量,再利用每个本征模态分量对应的自相关矩阵的最大相似特征值作为分类方法,将多个数据本征模态分量分为高频噪声分量和低频真实信号分量;对于不同类型的分量分别采用不同处理方法,采用GRU深度学习神经网络对低频真实信号分量进行航向误差建模与补偿,同时并行采用AM‑SSA去噪方法对高频噪声分量进行去噪,最终重组两部分分量得到航向误差数据。本发明解决了现有偏振光罗盘同时受其姿态角变化和噪声影响导致定向误差较大的问题,使得航向角精度进一步提高。
Description
技术领域
本发明涉及现代信息处理的数据处理技术,具体地说,涉及一种并行多尺度的偏振光罗盘航向误差处理方法。
背景技术
偏振光导航系统是一种依靠天空偏振光解算载体航向信息的全自主导航系统,该系统无需任何外界信息,也不会向外辐射能量,因此被广泛应用于航天、航空、航海等军事领域。偏振光罗盘是偏振光导航系统的关键部件,偏振光罗盘的测量精度直接决定着整个偏振光导航系统的性能,所以如何提高偏振光罗盘的测量精度一直是偏振光导航领域的研究重点。由于偏振光罗盘输出的原始航向角数据不仅易受罗盘产生的噪声影响,而且受罗盘姿态角变化影响严重,这些均会对航向信息的解算带来很大误差,从而降低该导航系统的性能,因此有必要对偏振光罗盘定向误差进行处理。
现有提高偏振光罗盘定向精度的方法中,要么是单一针对偏振光罗盘输出的航向角数据进行去噪处理,要么是单一针对偏振光罗盘姿态角变化引起的航向角误差进行补偿,但是没有一种较好的处理方法,既可以减少或者消除罗盘产生的噪声的影响,又可以解决罗盘姿态角变化引起的误差。
发明内容
发明目的:为了解决现有的偏振光导航系统中,因受罗盘产生的噪声以及罗盘姿态角变化的影响,使得罗盘输出航向角数据误差较大的问题,本发明提供一种基于并行多尺度的偏振光罗盘航向误差处理方法。
技术方案:一种基于并行多尺度的偏振光罗盘航向误差处理方法,包括以下步骤:
步骤一:获取偏振光罗盘输出的原始航向角信号,基于中心频率的变分模态分解法对原始航向角信号进行分解,得到多个数据本征模态分量和一个残余分量;
步骤二:分别计算各数据本征模态分量的自相关矩阵的最大相似特征值,根据各最大相似特征值的大小对数据本征模态分量进行分类,类型包括低频信号分量和高频噪声分量;
步骤三:计算各数据本征模态分量的相关系数;根据最低频数据本征模态分量计算并确定自适应多尺度奇异谱分析算法去噪的标准阈值;再根据各数据本征模态分量的相关系数以及标准阈值计算各数据本征模态分量对应的自适应阈值;
步骤四:同时对低频信号分量和高频噪声分量分别用不同方法进行处理,其中,对于低频信号分量,采用门控循环单元深度学习神经网络进行航向误差建模与补偿,得到补偿后的航向误差数据分量;对于高频噪声分量,利用步骤三得到的自适应阈值采用自适应多尺度奇异谱分析算法进行去噪,得到去噪后的航向误差数据分量;
步骤五:将补偿后的航向误差数据分量和去噪后的航向误差数据分量进行重组,得到并行处理后的偏振光罗盘航向误差数据。
进一步地,步骤三中,标准阈值的计算方法为:
根据步骤二的分类结果,将最低频数据本征模态分量记为BIMF1,选择初始阈值R1,并根据初始阈值R1采用主成分分析法去除BIMF1中的数据噪声,获得去噪后的最低频数据本征模态分量d-BIMF1;预设差值阈值T;若BIMF1与d-BIMF1之差D大于差值阈值T,则调整R1重新去噪比较,直至D≤T时,取R1为标准阈值Rs;其中,T的确定公式为:
q表示BIMF1的长度。
进一步地,步骤三中,自适应阈值的计算方法为:
设各数据本征模态分量的相关系数为CCj,各数据本征模态分量的自适应阈值为Ri,标准阈值为Rs,标准阈值对应的数据本征模态分量对应的相关系数为CCs,则Ri的计算公式为:
进一步地,步骤二中,各数据本征模态分量的自相关矩阵的最大相似特征值的计算方法为:
定义矩阵x=[x1 x2 ... xn],xi代表数据本征模态分量BIMFi,n为分解出的数据本征模态分量的个数;
定义自相关矩阵为R(x*xH),
其中,xH为x的转置矩阵,
R(x(i)*x*(m))由如下公式计算:
其中,v为BIMFi的长度;R(x(i)*x*(m))表示自相关矩阵中第i行第m列的元素;
设λ是自相关矩阵R(x*xH)的特征值,E是单位矩阵,从满足|λE-R(x*xH)|=0的λ中选取最大值作为自相关矩阵R(x*xH)的最大相似特征值。
进一步地,步骤二中,根据各最大相似特征值的大小对数据本征模态分量进行分类的方法包括:预设分类阈值;自相关矩阵最大相似特征值小于所述分类阈值的数据本征模态分量作为低频信号分量;自相关矩阵最大相似特征值大于或等于所述分类阈值的数据本征模态分量作为高频噪声分量。
进一步地,步骤三中,设各数据本征模态分量的相关系数为CCj,CCj的计算方法为:
其中,l为原始航向角信号s(t)的长度,Si表示第i个采样点的航向角信号,表示整个航向角信号的平均值,mi和mj分别表示第i和第j个分解后的本征模态分量;i=1,2,......,l;j=1,2,......,n。
进一步地,步骤四中,利用门控循环单元深度学习神经网络对低频信号分量进行航向误差建模与补偿,生成补偿后的航向误差数据,其中,门控循环单元深度学习神经网络的输入向量为偏振光罗盘的俯仰角、横滚角以及太阳子午线与载体体轴夹角,航向角误差直接作为输出向量。
进一步地,步骤四中,采用自适应多尺度奇异谱分析算法对高频噪声分量进行去噪,其中,各高频噪声分量使用各自对应的自适应阈值进行去噪处理。
有益效果:相比较现有技术,本发明提供一种基于并行多尺度的偏振光罗盘航向误差处理方法,首先通过使用每个本征模态分量对应的自相关矩阵的最大相似特征值作为分类方法,有效分离了信号分量与噪声分量;然后采用并行多尺度处理的方式,在抑制高频数据噪声的同时进行了对罗盘姿态角变化引起的低频航向误差进行建模与补偿,为罗盘实现更高的航向测量精度;
通过将基于中心频率的变分模态分解方法(OVMD)引入到罗盘输出的原始航向角数据分解中,利用基于每个数据本征模态分量对应自相关矩阵的最大相似特征值进行分类,以实现信号和噪声的有效分离;
通过将GRU深度学习神经网络引入到上述分类结果得到的低频数据本征模态分量,进行建模与补偿,即以偏振光罗盘的俯仰角、横滚角以及太阳子午线与载体体轴夹角(偏振光罗盘在使用时与载体固连)作为输入向量,航向角误差直接作为输出向量,使得由偏振光罗盘姿态角变化引起的航向角误差显著降低;
通过将基于自适应阈值的多尺度奇异谱分析算法(AM-SSA)引入到上述分类方法得到的多尺度高频噪声分量,进行去噪处理,使得由偏振光罗盘噪声引起的航向角误差显著降低;
通过将并行多尺度处理方式引入到整个偏振光罗盘航向误差处理方法中,即在抑制高频数据噪声的同时进行了对罗盘姿态角变化引起的低频航向误差进行建模与补偿,最终有效地提高了偏振光罗盘航向测量精度。
附图说明
图1是基于并行多尺度的偏振光罗盘航向误差处理方法的流程图;
图2是偏振光罗盘输出的原始航向角数据分解结果图;
图3是BIMFs分类效果图;
图4是AM-SSA数据去噪算法去噪前后航向角误差对比效果图;
图5是各种神经网络模型建模与补偿前后航向角误差对比效果图;
图6是并行多尺度与其他误差处理方法的航向角误差对比效果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
如图1所示,一种基于并行多尺度的偏振光罗盘航向误差处理方法,包括以下步骤:
步骤一:获取偏振光罗盘输出的原始航向角信号s(t),基于中心频率的变分模态分解法(OVMD)对原始航向角信号s(t)进行分解,得到多个数据本征模态分量和一个残余分量。如本实施例表1为各个分解层数K对应的中心频率,根据中心频率相似性原则,通过OVMD将原始航向角信号分解成八个数据本征模分量(BIMFs),即K=8,分别记为BIMF1、BIMF2、......、BIMF8。
表1各个分解层数K对应的中心频率
如图2所示,为原始航向角数据利用基于中心频率的变分模态分解方法分解得到的结果,偏振光罗盘输出的原始航向角数据分解为BIMF1、BIMF2、......、BIMF8。
步骤二:分别计算各数据本征模态分量的自相关矩阵的最大相似特征值,根据各最大相似特征值的大小对数据本征模态分量进行分类,将上述8个BIMFs分为高频噪声分量和低频真实信号分量;
采用每个数据本征模态分量对应自相关矩阵计算BIMF1、BIMF2、……、BIMF8的最大特征值。每个本征模态分量对应自相关矩阵的最大相似特征值是能够有效反映检测序列即该数据本征模态分量(BIMF)的复杂程度,自相关矩阵的最大特征值越大,检测序列越复杂,噪声含量越高;反之,自相关矩阵的最大特征值越小,表示有用信号越多。其实施步骤如下所示:
(1)计算各个BIMF的自相关矩阵的最大相似特征值:
定义矩阵x=[x1 x2 ... x8],xi代表数据本征模态分量BIMFi,8为分解出的数据本征模态分量的个数;
定义自相关矩阵为R(x*xH),
其中,xH为x的转置矩阵,
R(x(i)*x*(m))由如下公式计算:
其中,v为BIMFi的长度;R(x(i)*x*(m))表示自相关矩阵中第i行第m列的元素;
特征值的计算如下:
|λE-R(x*xH)|=0
设λ是自相关矩阵R(x*xH)的特征值,E是单位矩阵,从λ中选取最大值作为自相关矩阵R(x*xH)的最大相似特征值。
本实施例中,对图2分解得到的BIMF1、BIMF2、......、BIMF8对应自相关矩阵的最大特征值用上述过程进行计算,结果如下表所示:
(2)根据最大相似特征值,对BIMF1、BIMF2、......、BIMF8进行分类。比如可以使用预设分类阈值的方法,设分类阈值为1,最大相似特征值小于1的BIMF1~BIMF5归类为低频真实信号分量,最大相似特征值大于1的BIMF6~BIMF8归类为高频噪声分量。如图3所示为BIMFs分量对应自相关矩阵的最大相似特征值分类结果图。
步骤三:确定各高频噪声分量的自适应阈值,便于在步骤四中去噪处理。具体确定方法包括:
(1)计算各数据本征模态分量BIMFs的相关系数;
设各数据本征模态分量的相关系数为CCj,CCj的计算方法为:
其中,l为原始航向角信号s(t)的长度,Si表示第i个采样点的航向角信号,表示整个航向角信号的平均值,mi和mj分别表示第i和第j个分解后的本征模态分量;i=1,2,.....,l;j=1,2,......,n。
(2)根据最低频数据本征模态分量计算并确定自适应多尺度奇异谱分析算法去噪的标准阈值;
其中,标准阈值的计算方法为:
根据步骤二的分类结果,将最低频数据本征模态分量记为BIMF1,选择初始阈值R1,并根据初始阈值R1采用主成分分析法去除BIMF1中的数据噪声,获得去噪后的最低频数据本征模态分量d-BIMF1;预设差值阈值T;若BIMF1与d-BIMF1之差D大于差值阈值T,则调整R1重新去噪比较,直至D≤T时,取R1为标准阈值Rs;其中,T的确定公式为:
q表示BIMF1的长度。
(3)再根据各数据本征模态分量的相关系数以及标准阈值计算各数据本征模态分量对应的自适应阈值;
其中,自适应阈值的计算方法为:
设各数据本征模态分量的相关系数为CCj,各数据本征模态分量的自适应阈值为Ri,标准阈值为Rs,标准阈值对应的数据本征模态分量对应的相关系数为CCs,则Ri的计算公式为:
步骤四:同时对低频信号分量和高频噪声分量分别用不同方法进行处理。
对于低频信号分量,采用门控循环单元(GRU)深度学习神经网络进行航向误差建模与补偿,得到补偿后的航向误差数据分量。其中,门控循环单元深度学习神经网络的输入向量为偏振光罗盘的俯仰角、横滚角以及太阳子午线与载体体轴夹角(偏振光罗盘在使用时与载体固连),航向角误差直接作为输出向量。图5是四种神经网络模型建模与补偿前后航向角误差对比效果图,可以看出选择GRU效果最优。
对于高频噪声分量,利用步骤三得到的自适应阈值采用自适应多尺度奇异谱分析算法(AM-SSA)进行去噪,各高频噪声分量使用各自对应的自适应阈值进行去噪处理,得到去噪后的航向误差数据分量。如图4为AM-SSA数据去噪算法去噪前后航向角误差对比效果图。
步骤五:将补偿后的航向误差数据分量和去噪后的航向误差数据分量进行重组,得到并行处理后的偏振光罗盘航向误差数据,如图6为并行多尺度与其他三种现有的误差处理方法的航向角误差对比效果图,本专利的并行多尺度方法效果最优。
Claims (5)
1.一种基于并行多尺度的偏振光罗盘航向误差处理方法,其特征在于,包括以下步骤:
步骤一:获取偏振光罗盘输出的原始航向角信号,基于中心频率的变分模态分解法对原始航向角信号进行分解,得到多个数据本征模态分量和一个残余分量;
步骤二:分别计算各数据本征模态分量的自相关矩阵的最大相似特征值,根据各最大相似特征值的大小对数据本征模态分量进行分类,类型包括低频信号分量和高频噪声分量;
步骤三:计算各数据本征模态分量的相关系数,设各数据本征模态分量的相关系数为CCj,CCj的计算方法为:
其中,l为原始航向角信号s(t)的长度,Si表示第i个采样点的航向角信号,表示整个航向角信号的平均值,mi和mj分别表示第i和第j个分解后的本征模态分量;i=1,2,......,l;j=1,2,......,n;
根据最低频数据本征模态分量计算并确定自适应多尺度奇异谱分析算法去噪的标准阈值,标准阈值的计算方法为:
根据步骤二的分类结果,将最低频数据本征模态分量记为BIMF1,选择初始阈值R1,并根据初始阈值R1采用主成分分析法去除BIMF1中的数据噪声,获得去噪后的最低频数据本征模态分量d-BIMF1;预设差值阈值T;若BIMF1与d-BIMF1之差D大于差值阈值T,则调整R1重新去噪比较,直至D≤T时,取R1为标准阈值Rs;其中,T的确定公式为:
q表示BIMF1的长度;
再根据各数据本征模态分量的相关系数以及标准阈值计算各数据本征模态分量对应的自适应阈值,自适应阈值的计算方法为:
设各数据本征模态分量的相关系数为CCj,各数据本征模态分量的自适应阈值为Ri,标准阈值为Rs,标准阈值对应的数据本征模态分量对应的相关系数为CCs,则Ri的计算公式为:
步骤四:同时对低频信号分量和高频噪声分量分别用不同方法进行处理,其中,对于低频信号分量,采用门控循环单元深度学习神经网络进行航向误差建模与补偿,得到补偿后的航向误差数据分量;对于高频噪声分量,利用步骤三得到的自适应阈值采用自适应多尺度奇异谱分析算法进行去噪,得到去噪后的航向误差数据分量;
步骤五:将补偿后的航向误差数据分量和去噪后的航向误差数据分量进行重组,得到并行处理后的偏振光罗盘航向误差数据。
2.根据权利要求1所述的基于并行多尺度的偏振光罗盘航向误差处理方法,其特征在于,步骤二中,各数据本征模态分量的自相关矩阵的最大相似特征值的计算方法为:
定义矩阵x=[x1 x2...xn],xi代表数据本征模态分量BIMFi,n为分解出的数据本征模态分量的个数;
定义自相关矩阵为R(x*xH),
其中,xH为x的转置矩阵,
R(x(i)*x*(m))由如下公式计算:
其中,v为BIMFi的长度;R(x(i)*x*(m))表示自相关矩阵中第i行第m列的元素;
设λ是自相关矩阵R(x*xH)的特征值,E是单位矩阵,从满足|λE-R(x*xH)|=0的λ中选取最大值作为自相关矩阵R(x*xH)的最大相似特征值。
3.根据权利要求1或2所述的基于并行多尺度的偏振光罗盘航向误差处理方法,其特征在于,步骤二中,根据各最大相似特征值的大小对数据本征模态分量进行分类的方法包括:预设分类阈值;自相关矩阵最大相似特征值小于所述分类阈值的数据本征模态分量作为低频信号分量;自相关矩阵最大相似特征值大于或等于所述分类阈值的数据本征模态分量作为高频噪声分量。
4.根据权利要求1或2所述的基于并行多尺度的偏振光罗盘航向误差处理方法,其特征在于,步骤四中,利用门控循环单元深度学习神经网络对低频信号分量进行航向误差建模与补偿,生成补偿后的航向误差数据,其中,门控循环单元深度学习神经网络的输入向量为偏振光罗盘的俯仰角、横滚角以及太阳子午线与载体体轴夹角,航向角误差直接作为输出向量。
5.根据权利要求1或2所述的基于并行多尺度的偏振光罗盘航向误差处理方法,其特征在于,步骤四中,采用自适应多尺度奇异谱分析算法对高频噪声分量进行去噪,其中,各高频噪声分量使用各自对应的自适应阈值进行去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603373.2A CN115014313B (zh) | 2022-05-30 | 2022-05-30 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603373.2A CN115014313B (zh) | 2022-05-30 | 2022-05-30 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115014313A CN115014313A (zh) | 2022-09-06 |
CN115014313B true CN115014313B (zh) | 2023-08-22 |
Family
ID=83071143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603373.2A Active CN115014313B (zh) | 2022-05-30 | 2022-05-30 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115014313B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150592B (zh) * | 2023-04-20 | 2023-07-11 | 江阴华士医疗器械有限公司 | 基于人工智能的轮椅智能监测预警方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN112014692A (zh) * | 2020-07-20 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于主成分分析的局部放电特高频信号盲源分离去噪方法 |
CN112284366A (zh) * | 2020-10-26 | 2021-01-29 | 中北大学 | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 |
CN112325868A (zh) * | 2020-10-20 | 2021-02-05 | 中北大学 | 一种基于多尺度变换的偏振光罗盘去噪方法 |
WO2021071227A1 (ko) * | 2019-10-11 | 2021-04-15 | 주식회사 케이티 | 동작감지장치 및 동작감지방법 |
CN113739795A (zh) * | 2021-06-03 | 2021-12-03 | 东北电力大学 | 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法 |
CN113851144A (zh) * | 2021-09-30 | 2021-12-28 | 山东大学 | 一种基于改进变分模态分解和主成分分析的语音信号去噪方法 |
CN113887398A (zh) * | 2021-09-29 | 2022-01-04 | 中南大学 | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 |
CN114174673A (zh) * | 2019-06-21 | 2022-03-11 | 维斯塔斯风力系统有限公司 | 通过使用光偏振罗盘进行的涡轮机对准 |
CN114325598A (zh) * | 2021-12-10 | 2022-04-12 | 网络通信与安全紫金山实验室 | 信号去噪的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101457226B1 (ko) * | 2005-12-16 | 2014-10-31 | 레이데온 유티디 인코퍼레이티드 | 위치확인 시스템 및 방법 |
US8565528B2 (en) * | 2010-12-17 | 2013-10-22 | Qualcomm Incorporated | Magnetic deviation determination using mobile devices |
-
2022
- 2022-05-30 CN CN202210603373.2A patent/CN115014313B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114174673A (zh) * | 2019-06-21 | 2022-03-11 | 维斯塔斯风力系统有限公司 | 通过使用光偏振罗盘进行的涡轮机对准 |
WO2021071227A1 (ko) * | 2019-10-11 | 2021-04-15 | 주식회사 케이티 | 동작감지장치 및 동작감지방법 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN112014692A (zh) * | 2020-07-20 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于主成分分析的局部放电特高频信号盲源分离去噪方法 |
CN112325868A (zh) * | 2020-10-20 | 2021-02-05 | 中北大学 | 一种基于多尺度变换的偏振光罗盘去噪方法 |
CN112284366A (zh) * | 2020-10-26 | 2021-01-29 | 中北大学 | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 |
CN113739795A (zh) * | 2021-06-03 | 2021-12-03 | 东北电力大学 | 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法 |
CN113887398A (zh) * | 2021-09-29 | 2022-01-04 | 中南大学 | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 |
CN113851144A (zh) * | 2021-09-30 | 2021-12-28 | 山东大学 | 一种基于改进变分模态分解和主成分分析的语音信号去噪方法 |
CN114325598A (zh) * | 2021-12-10 | 2022-04-12 | 网络通信与安全紫金山实验室 | 信号去噪的方法及装置 |
Non-Patent Citations (1)
Title |
---|
赵成帅等.基于EMD-TFPF的仿生偏振光罗盘去噪方法.导航定位与授时.2021,第38页至第44页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115014313A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN115014313B (zh) | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 | |
CN110263832B (zh) | 一种基于多尺度分析的auv导航系统故障诊断方法 | |
CN109696906B (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
CN110716532A (zh) | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 | |
CN109284662B (zh) | 一种基于迁移学习的水下声音信号分类方法 | |
CN110690930A (zh) | 信源数量检测方法及装置 | |
CN111785286A (zh) | 面向家居cnn分类与特征匹配联合的声纹识别方法 | |
CN109696651B (zh) | 一种基于m估计的低快拍数下波达方向估计方法 | |
CN105701775B (zh) | 一种基于改进自适应字典学习的图像去噪方法 | |
CN108108666B (zh) | 一种基于小波分析和时频单源检测的混合矩阵估计方法 | |
Li et al. | Blind separation and extraction of binary sources | |
CN117115447A (zh) | 基于元迁移学习的前视声呐图像分割方法和装置 | |
CN109490840B (zh) | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 | |
CN111951181A (zh) | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 | |
CN108009586B (zh) | 封顶概念分解方法及图像聚类方法 | |
CN107330912B (zh) | 一种基于多特征融合的稀疏表示的目标追踪方法 | |
CN114325570A (zh) | 一种高精度噪声自适应测向方法 | |
CN112182492B (zh) | 基于离散四元数傅里叶变换的信号稀疏表示方法及装置 | |
CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
CN113962265A (zh) | 基于结构化稀疏子空间聚类的欠定盲源分离方法和设备 | |
CN109474258B (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 | |
CN113538290A (zh) | 基于人工智能的农业航拍图像处理方法及系统 |
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 |