CN115239992A - 三维声场自动建模区块链分析方法 - Google Patents
三维声场自动建模区块链分析方法 Download PDFInfo
- Publication number
- CN115239992A CN115239992A CN202210790841.1A CN202210790841A CN115239992A CN 115239992 A CN115239992 A CN 115239992A CN 202210790841 A CN202210790841 A CN 202210790841A CN 115239992 A CN115239992 A CN 115239992A
- Authority
- CN
- China
- Prior art keywords
- sound
- fault
- dimensional
- sound field
- field
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了三维声场自动建模区块链分析方法,具体涉及数据处理技术领域,通过阵列测量和近场声全息技术重构三维声场,把声源表面的幅值和相位信息映射到空间域,然后提取声场的三维空间特征进行诊断识别,法逆向利用医学领域X射线分层构建三维模型的思想,将整个三维辐射声场进行空间断层切片处理,仅考虑源面法向一个波长范围的空间声场,等间隔序列拾取13个辐射声场空间断层,得到声场各断层切片的声压幅值分布,构建声场的空间变化序列模型,三维声场空间序列模型从空间维度融合了源面的幅值和相位信息,比二维源面声像蕴含的故障信息更丰富,能够有效提高弱故障工况诊断的识别效果,进一步完善基于声像技术的故障诊断方法。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,本发明涉及三维声场自动建模区块链分析方法。
背景技术
三维声场是指在一定的声学、数学和信号处理理论基础上,通过建立三维声场的计算机模型,实现从客观声学指标、主观听觉感受和直观听觉效果三方面体现三维立体声场音效的一种全新技术,可通过此技术对位置或利用噪声信号进行故障诊断。
目前,通过阵列测试和声成像算法重建声源表面二维声压分布,利用图像处理技术提取声像特征并进行状态诊断,为声诊断提供了新的思路,该方法改善了传统的基于单点测试的声诊断鲁棒性,但诊断过程中仅考虑源面的声压幅值分布,忽略了相位信息,信息利用不足,在局部声压幅值变化较小的弱故障工况下存在识别率低和诊断困难等问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供了三维声场自动建模区块链分析方法,本发明所要解决的技术问题是:在通过阵列测试和声成像算法重建声源表面二维声压分布,利用图像处理技术提取声像特征并进行状态诊断,为声诊断提供了新的思路,该方法改善了传统的基于单点测试的声诊断鲁棒性,但诊断过程中仅考虑源面的声压幅值分布,忽略了相位信息,信息利用不足,在局部声压幅值变化较小的弱故障工况下存在识别率低和诊断困难的问题。
为实现上述目的,本发明提供如下技术方案:三维声场自动建模区块链分析方法,包括以下步骤:
S1、初步诊断:设定样本和待诊机械状态,采用阵列测量技术采集噪声信息,并利用近场声全息技术获得由序列三维空间断层切片构建的三维声场,序列提取各空间切片的Gabor小波特征,合并构建声场的空间特征模型,通过样本特征量结合支持向量机训练分类得到最佳分类器参数,并用于待诊机械的故障诊断。
S2、近场声全息:通过在包围声源的全息测量面上测量声压,然后借助源表面和全息面之间的空间场变换关系,由全息面声压重建源面的声场,同时采用平面正交共性NAH技术,全息面和测量面均为平面,假设全息面Sh位于z=zh,重建面Sc位于z=zc,声源Ss位于z=zs,Sh和Sc上的声压分别为和f为重建频率,给定满足Dirichlet便捷调节的格林函数GD(x,y,zh-zc,f),可得广义重建式:
式中,F表示二维空间傅里叶变换,上标-1表示逆变换,kx,ky分别是沿着x,y方向上的空间波数。
S3、特征提取:图像特征主要体现在纹理信息和形状信息等方面,机械在弱故障工作状态下,图像形状变化不显著、隐匿性高,而图像的纹理信息可充分反映图像的局部统计特征和局域属性变化。
母小波为Gabor函数的小波变换,可同时在空域、频域和方向上获得最佳分辨率,非常适合于细节纹理的特征提取,假设用f(x,y)表示尺寸为M×N的图像,则图像的二维离散Gabor小波变换为:
尺度为p方向q的能量信息E(p,q)为
E(p,q)虽可有效地表示纹理特征,但使用能量信息易造成分类误差,且采用均值μ(p,q)和标准差σ(p,q)描述图像纹理特征
式中:P和Q分别取常用值5和6,所提取的Gabor小波纹理特征向量表示为:
Gabor=[μ0,0,σ0,0,μ0,1,σ0,1,...,μP-1,Q-1,μP-1,Q-1]
作为本发明的进一步方案:向量机计算:支持向量机是基于结构风险最小化原则和统计学习理论得出,在模式识别领域得到广泛应用,其核心思想是寻求一个满足分类要求的最优分类超平面,若将n个样本表示为 为n维的训练样本输入,yi∈Rn为训练样本输出,可把建立线性支持向量机并采用以下公式进行计算:
进一步的:机械在某一转速工况下多个部件会同时向外辐射噪声,且各部件声压幅值不尽相同,易产生相干声场,当某一部件发生故障时,其辐射声压幅值会产生变化,进而引起整个声场的分布变化,仿真采用两个同频声源来模拟相干声场,假设其中一个为重要零部件产生的声源,另一个为干扰源,通过设定重要声源的微弱变化来模拟弱故障工况。
两个声源尺寸均为0.05m×O.05m、声源1中心坐标(-0.125m,0.025m)、声源中心坐标(0.125m,0.025m),其中全息测量面尺寸为0.7m×0.7m,全息测点为15×15,声源重建面尺寸0.5m×0.5m,仿真通过调整声源振速幅值来模拟正常状态和故障状态,设定工作频率为300Hz,弱故障工况下声源振速幅值与正常状态相差不大,正常状态下重要声源1振速幅值在0.012-0.017m/s范围变化,故障状态下振速幅值分别在0.009-0.011m/s和0.018-0.02m/s范围内变化,正常和故障工况各取6个样本,干扰源2振速幅值在0.05-0.1m/s范围内变化,从中选取6个样本,因此,仿真实验共模拟6x6=36种正常状态和6x6=36种故障状态。
断层标号 | 与源面的法向距离/m |
断层1(源面) | 0 |
断层2 | 0.095 |
断层3 | 0.190 |
断层4 | 0.285 |
断层5 | 0.380 |
断层6 | 0.475 |
断层7 | 0.500 |
断层8 | 0.665 |
断层9 | 0.760 |
断层10 | 0.855 |
断层11 | 0.950 |
断层12 | 1.045 |
断层13 | 1.150 |
进一步的:
不同位置处断层声压分布包含的故障信息不同,不同空间断层组合所包含故障信息的冗余程度也是不同的。从13个断层中取出指定个数重新结合称为断层组合,当指定个数为n时(1≤n≤13),从包含源面在内的13处空间断层切片内任意挑选n个进行组合,利用组合的特征进行诊断分析,并把指定数n内所有组合诊断效果最高的识别率作为断层组合个数为n时的识别率。基于穷举法思想,对不同灰度级和断层组合提取Gabor小波特征,进而利用SVM进行分类别,各灰度级下,源面处的识别率为采用二维声像诊断技术得到的结果,在灰度级为32级时得到最高识别率88.9%,采用该方法提出的基于三维声场空间特征进行诊断识别时,在灰度级为128,断层组合数n分别为4、5、6、7、8、9、10时,都能达到最高98.6%的识别率。
本发明的有益效果在于:本发明通过阵列测量和近场声全息技术重构三维声场,把声源表面的幅值和相位信息映射到空间域,然后提取声场的三维空间特征进行诊断识别,法逆向利用医学领域X射线分层构建三维模型的思想,将整个三维辐射声场进行空间断层切片处理,声音是周期信号,仅考虑源面法向一个波长范围的空间声场,等间隔序列拾取13个辐射声场空间断层,得到声场各断层切片的声压幅值分布,构建声场的空间变化序列模型,三维声场空间序列模型从空间维度融合了源面的幅值和相位信息,比二维源面声像蕴含的故障信息更丰富,能够有效提高弱故障工况诊断的识别效果,进一步完善基于声像技术的故障诊断方法。
附图说明
图1为本发明流程框图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
三维声场自动建模区块链分析方法,包括以下步骤:
S1、初步诊断:设定样本和待诊机械状态,采用阵列测量技术采集噪声信息,并利用近场声全息技术获得由序列三维空间断层切片构建的三维声场,序列提取各空间切片的Gabor小波特征,合并构建声场的空间特征模型,通过样本特征量结合支持向量机训练分类得到最佳分类器参数,并用于待诊机械的故障诊断。
S2、近场声全息:通过在包围声源的全息测量面上测量声压,然后借助源表面和全息面之间的空间场变换关系,由全息面声压重建源面的声场,同时采用平面正交共性NAH技术,全息面和测量面均为平面,假设全息面Sh位于z=zh,重建面Sc位于z=zc,声源Ss位于z=zs,Sh和Sc上的声压分别为和f为重建频率,给定满足Dirichlet便捷调节的格林函数GD(x,y,zh-zc,f),可得广义重建式:
式中,F表示二维空间傅里叶变换,上标-1表示逆变换,kx,ky分别是沿着x,y方向上的空间波数。
S3、特征提取:图像特征主要体现在纹理信息和形状信息等方面,机械在弱故障工作状态下,图像形状变化不显著、隐匿性高,而图像的纹理信息可充分反映图像的局部统计特征和局域属性变化。
母小波为Gabor函数的小波变换,可同时在空域、频域和方向上获得最佳分辨率,非常适合于细节纹理的特征提取,假设用f(x,y)表示尺寸为M×N的图像,则图像的二维离散Gabor小波变换为:
尺度为p方向q的能量信息E(p,q)为
E(p,q)虽可有效地表示纹理特征,但使用能量信息易造成分类误差,且采用均值μ(p,q)和标准差σ(p,q)描述图像纹理特征
式中:P和Q分别取常用值5和6,所提取的Gabor小波纹理特征向量表示为:
Gabor=[μ0,0,σ0,0,μ0,1,σ0,1,...,μP-1,Q-1,μP-1,Q-1]
向量机计算:支持向量机是基于结构风险最小化原则和统计学习理论得出,在模式识别领域得到广泛应用,其核心思想是寻求一个满足分类要求的最优分类超平面,若将n个样本表示为为n维的训练样本输入,yi∈Rn为训练样本输出,可把建立线性支持向量机并采用以下公式进行计算:
进一步的:机械在某一转速工况下多个部件会同时向外辐射噪声,且各部件声压幅值不尽相同,易产生相干声场,当某一部件发生故障时,其辐射声压幅值会产生变化,进而引起整个声场的分布变化,仿真采用两个同频声源来模拟相干声场,假设其中一个为重要零部件产生的声源,另一个为干扰源,通过设定重要声源的微弱变化来模拟弱故障工况。
两个声源尺寸均为0.05m×O.05m、声源1中心坐标(-0.125m,0.025m)、声源中心坐标(0.125m,0.025m),其中全息测量面尺寸为0.7m×0.7m,全息测点为15×15,声源重建面尺寸0.5m×0.5m,仿真通过调整声源振速幅值来模拟正常状态和故障状态,设定工作频率为300Hz,弱故障工况下声源振速幅值与正常状态相差不大,正常状态下重要声源1振速幅值在0.012-0.017m/s范围变化,故障状态下振速幅值分别在0.009-0.011m/s和0.018-0.02m/s范围内变化,正常和故障工况各取6个样本,干扰源2振速幅值在0.05-0.1m/s范围内变化,从中选取6个样本,因此,仿真实验共模拟6x6=36种正常状态和6x6=36种故障状态。
进一步的:
不同位置处断层声压分布包含的故障信息不同,不同空间断层组合所包含故障信息的冗余程度也是不同的。从13个断层中取出指定个数重新结合称为断层组合,当指定个数为n时(1≤n≤13),从包含源面在内的13处空间断层切片内任意挑选n个进行组合,利用组合的特征进行诊断分析,并把指定数n内所有组合诊断效果最高的识别率作为断层组合个数为n时的识别率。基于穷举法思想,对不同灰度级和断层组合提取Gabor小波特征,进而利用SVM进行分类别,各灰度级下,源面处的识别率为采用二维声像诊断技术得到的结果,在灰度级为32级时得到最高识别率88.9%。采用该方法提出的基于三维声场空间特征进行诊断识别时,在灰度级为128,断层组合数n分别为4、5、6、7、8、9、10时,都能达到最高98.6%的识别率。
对比各灰度级和断层组合识别效果可以得出结论:
(1)基于三维声场空间特征的故障诊断方法对弱故障工况诊断非常有效,识别率最高可达98.6%,比二维声像诊断技术最局识别率提高了10%。
(2)各灰度级下,对比源面和断层组合个数为1时的识别率,源面的识别率普遍较低,即在辐射声场中存在一个观测面包含机械弱故障状态信息较完全,能够更好反映机械状态,进行故障诊断。
(3)各灰度级下,识别率随断层指定组合个数的变化整体呈现先增加后降低的趋势,存在识别率最优的断层组合个数,即断层组合个数不是越多越好,亦不是越少越好,过少包含机械状态信息少,过多则有大量信息冗余,均影响识别效果。
(4)度级的选择也对识别率影响较大,低灰度级会弱化图像中的纹理信息,进而损失部分反映机器运行状态的细节特征,降低识别精度,而高灰度级则会增加图像冗余纹理信息,同样会降低识别精度,因此,针对不同故障和声压分布状态,对应着不同的最佳灰度级。
(5)基于二维声像诊断技术得到的最佳灰度级对于本文提出的诊断方法可参考性较差,因为断层组合同样蕴含丰富故障信息,当图像灰度级和断层组合的有效信息和冗余信息达到一定平衡后,就会获得最佳诊断效果。
实施例2
三维声场自动建模区块链分析方法,包括以下步骤:
S1、初步诊断:设定样本和待诊机械状态,采用阵列测量技术采集噪声信息,并利用近场声全息技术获得由序列三维空间断层切片构建的三维声场,序列提取各空间切片的Gabor小波特征,合并构建声场的空间特征模型,通过样本特征量结合支持向量机训练分类得到最佳分类器参数,并用于待诊机械的故障诊断。
S2、近场声全息:通过在包围声源的全息测量面上测量声压,然后借助源表面和全息面之间的空间场变换关系,由全息面声压重建源面的声场,同时采用平面正交共性NAH技术,全息面和测量面均为平面,假设全息面Sh位于z=zh,重建面Sc位于z=zc,声源Ss位于z=zs,Sh和Sc上的声压分别为和f为重建频率,给定满足Dirichlet便捷调节的格林函数GD(x,y,zh-zc,f),可得广义重建式:
式中,F表示二维空间傅里叶变换,上标-1表示逆变换,kx,ky分别是沿着x,y方向上的空间波数。
S3、特征提取:图像特征主要体现在纹理信息和形状信息等方面,机械在弱故障工作状态下,图像形状变化不显著、隐匿性高,而图像的纹理信息可充分反映图像的局部统计特征和局域属性变化。
母小波为Gabor函数的小波变换,可同时在空域、频域和方向上获得最佳分辨率,非常适合于细节纹理的特征提取,假设用f(x,y)表示尺寸为M×N的图像,则图像的二维离散Gabor小波变换为:
尺度为p方向q的能量信息E(p,q)为
E(p,q)虽可有效地表示纹理特征,但使用能量信息易造成分类误差,且采用均值μ(p,q)和标准差σ(p,q)描述图像纹理特征
式中:P和Q分别取常用值5和6,所提取的Gabor小波纹理特征向量表示为:
Gabor=[μ0,0,σ0,0,μ0,1,σ0,1,...,μP-1,Q-1,μP-1,Q-1]
向量机计算:支持向量机是基于结构风险最小化原则和统计学习理论得出,在模式识别领域得到广泛应用,其核心思想是寻求一个满足分类要求的最优分类超平面,若将n个样本表示为为n维的训练样本输入,yi∈Rn为训练样本输出,可把建立线性支持向量机并采用以下公式进行计算:
机械在某一转速工况下多个部件会同时向外辐射噪声,且各部件声压幅值不尽相同,易产生相干声场,当某一部件发生故障时,其辐射声压幅值会产生变化,进而引起整个声场的分布变化,仿真采用两个同频声源来模拟相干声场,假设其中一个为重要零部件产生的声源,另一个为干扰源,通过设定重要声源的微弱变化来模拟弱故障工况。
两个声源尺寸均为0.05m×O.05m、声源1中心坐标(-0.125m,0.025m)、声源中心坐标(0.125m,0.025m),其中全息测量面尺寸为0.7m×0.7m,全息测点为15×15,声源重建面尺寸0.5m×0.5m,仿真通过调整声源振速幅值来模拟正常状态和故障状态,设定工作频率为300Hz,弱故障工况下声源振速幅值与正常状态相差不大,正常状态下重要声源1振速幅值在0.012-0.017m/s范围变化,故障状态下振速幅值分别在0.009-0.011m/s和0.018-0.02m/s范围内变化,正常和故障工况各取6个样本,干扰源2振速幅值在0.05-0.1m/s范围内变化,从中选取6个样本,因此,仿真实验共模拟6x6=36种正常状态和6x6=36种故障状态。
不同位置处断层声压分布包含的故障信息不同,不同空间断层组合所包含故障信息的冗余程度也是不同的。从13个断层中取出指定个数重新结合称为断层组合,当指定个数为n时(1≤n≤13),从包含源面在内的13处空间断层切片内任意挑选n个进行组合,利用组合的特征进行诊断分析,并把指定数n内所有组合诊断效果最高的识别率作为断层组合个数为n时的识别率。基于穷举法思想,对不同灰度级和断层组合提取Gabor小波特征,进而利用SVM进行分类别,各灰度级下,源面处的识别率为采用二维声像诊断技术得到的结果,在灰度级为32级时得到最高识别率88.9%。采用该方法提出的基于三维声场空间特征进行诊断识别时,在灰度级为128,断层组合数n分别为4、5、6、7、8、9、10时,都能达到最高98.6%的识别率。
通过调节距离音箱1和音箱2中心法向距离0.05m处的声压级大小来模拟不同工况:
1)、音箱1作为重要声源,其声压级在77-80dB之间变化时处于正常运行状态,随机选取6个样本,声压级75-76.5dB和80.5-81.5dB均为故障状态,在两个声压级范围内各选取3个样本,共6个故障样本。
2)、音箱2作为干扰声源,其声压级在90-96dB之间变化,实验在声压级范围内选取6种干扰状态,因此,正常和故障状态各为6x6=36种。
从而得出结论:基于三维声场空间特征的故障诊断方法进一步改进了二维声像诊断技术,通过映射声源的幅值和相位信息到三维空间声场,构建机械声场三维全息诊断模型进行诊断分析,仿真和实验结果都表明基于三维声场空间特征的故障诊断方法对声源声压幅值变化不大的弱故障工况诊断效果明显,验证了基于三维声场空间特征故障诊断方法的有效性和可行性。
通过阵列测量和近场声全息技术重构三维声场,把声源表面的幅值和相位信息映射到空间域,然后提取声场的三维空间特征进行诊断识别,法逆向利用医学领域X射线分层构建三维模型的思想,将整个三维辐射声场进行空间断层切片处理,声音是周期信号,仅考虑源面法向一个波长范围的空间声场,等间隔序列拾取13个辐射声场空间断层,得到声场各断层切片的声压幅值分布,构建声场的空间变化序列模型,三维声场空间序列模型从空间维度融合了源面的幅值和相位信息,比二维源面声像蕴含的故障信息更丰富,能够有效提高弱故障工况诊断的识别效果,进一步完善基于声像技术的故障诊断方法。
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.三维声场自动建模区块链分析方法,其特征在于,包括以下步骤:
S1、初步诊断:设定样本和待诊机械状态,采用阵列测量技术采集噪声信息,并利用近场声全息技术获得由序列三维空间断层切片构建的三维声场,序列提取各空间切片的Gabor小波特征,合并构建声场的空间特征模型,通过样本特征量结合支持向量机训练分类得到最佳分类器参数,并用于待诊机械的故障诊断;
S2、近场声全息:通过在包围声源的全息测量面上测量声压,然后借助源表面和全息面之间的空间场变换关系,由全息面声压重建源面的声场,同时采用平面正交共性NAH技术,全息面和测量面均为平面,假设全息面Sh位于z=zh,重建面Sc位于z=zc,声源Ss位于z=zs,Sh和Sc上的声压分别为和f为重建频率,给定满足Dirichlet便捷调节的格林函数GD(x,y,zh-zc,f),可得广义重建式:
式中,F表示二维空间傅里叶变换,上标-1表示逆变换,kx,ky分别是沿着x,y方向上的空间波数;
S3、特征提取:图像特征主要体现在纹理信息和形状信息等方面,机械在弱故障工作状态下,图像形状变化不显著、隐匿性高,而图像的纹理信息可充分反映图像的局部统计特征和局域属性变化;
母小波为Gabor函数的小波变换,可同时在空域、频域和方向上获得最佳分辨率,非常适合于细节纹理的特征提取,假设用f(x,y)表示尺寸为M×N的图像,则图像的二维离散Gabor小波变换为:
尺度为p方向q的能量信息E(p,q)为
E(p,q)虽可有效地表示纹理特征,但使用能量信息易造成分类误差,且采用均值μ(p,q)和标准差σ(p,q)描述图像纹理特征
式中:P和Q分别取常用值5和6,所提取的Gabor小波纹理特征向量表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790841.1A CN115239992A (zh) | 2022-07-06 | 2022-07-06 | 三维声场自动建模区块链分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790841.1A CN115239992A (zh) | 2022-07-06 | 2022-07-06 | 三维声场自动建模区块链分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239992A true CN115239992A (zh) | 2022-10-25 |
Family
ID=83671435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210790841.1A Pending CN115239992A (zh) | 2022-07-06 | 2022-07-06 | 三维声场自动建模区块链分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078836A (zh) * | 2023-07-24 | 2023-11-17 | 中国人民解放军海军工程大学 | 基于浅海环境近场声全息的辐射声场可视化方法及系统 |
-
2022
- 2022-07-06 CN CN202210790841.1A patent/CN115239992A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078836A (zh) * | 2023-07-24 | 2023-11-17 | 中国人民解放军海军工程大学 | 基于浅海环境近场声全息的辐射声场可视化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Refraction corrected transmission ultrasound computed tomography for application in breast imaging | |
CN102779350B (zh) | 一种锥束ct迭代重建算法投影矩阵构建方法 | |
CN111091603A (zh) | 一种超声成像方法、装置、可读存储介质及终端设备 | |
Fan et al. | Fast acoustic scattering using convolutional neural networks | |
Mebatsion et al. | A novel profile based model for virtual representation of quasi-symmetric plant organs | |
CN115239992A (zh) | 三维声场自动建模区块链分析方法 | |
CN103438985A (zh) | 一种用于声场合成的声场信息采集方法 | |
CN115127806A (zh) | 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置 | |
CN111597751A (zh) | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 | |
CN115601572A (zh) | 基于半监督CycleGan网络的超声相控阵图像优化重构方法及系统 | |
Tang et al. | Learning acoustic scattering fields for dynamic interactive sound propagation | |
CN108986909A (zh) | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 | |
CN104318619A (zh) | 面向无损检测的自适应压缩感知的重建方法 | |
Zhu et al. | Geometric deviation modeling with statistical shape analysis in design for additive manufacturing | |
CN107274367A (zh) | 一种基于结构特征描述的三维几何模型去噪方法 | |
CN104655266A (zh) | 一种用于声场合成的声场信息采集方法 | |
CN114252148B (zh) | 一种基于长椭球波叠加的声场重建方法 | |
CN113935906B (zh) | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 | |
CN116385642A (zh) | 基于球面Shearlet的三维标量信息压缩重构方法 | |
Kriesche et al. | Stochastic simulation model for tropical cyclone tracks, with special emphasis on landfall behavior | |
CN107271981B (zh) | 一种目标电磁散射数据模型的建立方法 | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
CN112529080B (zh) | 一种基于频谱特征判别的图像生成方法 | |
Liou et al. | Conformal self-organizing map for a genus-zero manifold | |
Li et al. | A quantitative evaluation method of aero-engine blade defects based on ultrasonic C-scan |
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 |