CN116975528B - 基于德劳内三角剖分的极地声信号特征提取方法和装置 - Google Patents
基于德劳内三角剖分的极地声信号特征提取方法和装置 Download PDFInfo
- Publication number
- CN116975528B CN116975528B CN202310875186.4A CN202310875186A CN116975528B CN 116975528 B CN116975528 B CN 116975528B CN 202310875186 A CN202310875186 A CN 202310875186A CN 116975528 B CN116975528 B CN 116975528B
- Authority
- CN
- China
- Prior art keywords
- triangle
- polar
- frequency
- acoustic signal
- extraction method
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 230000005236 sound signal Effects 0.000 title description 4
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000005484 gravity Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 206010012239 Delusion Diseases 0.000 description 2
- 231100000868 delusion Toxicity 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于德劳内三角剖分的极地声信号特征提取方法和装置,属于极地声信号处理领域。仅使用时频分析方法提取信号特征,无法消除噪声干扰,频域滤波容易导致部分有效信号丢失。本发明对极地声信号的数据进行预处理,得到二维时频图及其能量幅值绝对值;通过巴格曼变换对能量绝对幅值做处理,得到极地信号二维时频图的零点;根据所获零点进行德劳内三角剖分;根据三角形几何构型特性差异设定阈值,通过筛除大于阈值的三角形去除噪声;基于连通性完成对筛选后三角形的基础群组划分;基于划分的群组对极地声信号进行特征提取。不受噪声类型的影响,可以从强干扰背景中提取出有效信号,抗干扰能力强,准确性提高。
Description
技术领域
本发明涉及一种特征提取方法,尤其涉及一种基于德劳内三角剖分的极地声信号特征提取方法和装置,属于极地声信号处理领域。
背景技术
极地海冰的覆盖在使得北冰洋成为全球唯一白色海洋的同时,也严重影响了海洋声学环境特性。极地环境中存在多种背景噪声源,如风程噪声、冰裂噪声、舰船辐射噪声、气枪噪声和生物噪声。这些背景噪声往往不是简单的高斯分布,分布类型多样且复杂。在复杂的极地背景噪声环境下,对生物信号进行特征提取有利于理解极地海洋生态系统;对冰层信号进行特征提取有利于分析极地声传播特性;对噪声分析有利于了解极地环境变化。仅使用时频分析方法提取信号特征,无法消除噪声干扰,导致特征提取并不准确,同时有效信号通常与干扰信号在时频域混叠,频域滤波容易导致部分有效信号丢失。
目前的解决办法有基于深度学习的特征提取,如专利《一种基于特征迁移和多域特征相融合的水下目标识别方法》中所述,但这需要大量的数据集进行训练,极区环境信号的采集回收较为复杂,难以满足数据集需求,因此现有的特征提取方法很难满足极地声信号的特征提取需求。
发明内容
本发明针对极地背景噪声特点提出一种基于德劳内三角形剖分的极地声信号特征提取方法,以解决极地环境下的声传播特性分析需求。
本发明的目的是为了突破现有信号特征提取方法在面对极地复杂背景噪声时实用性受限,无法准确完成有效信号特征提取的问题,而提出一种基于德劳内三角形剖分的极地声信号特征提取方法和装置,在提高抗干扰能力的同时,提高准确性,扩大适用范围。
本发明提出一种基于德劳内三角形剖分的极地声信号特征提取方法,该方法包括以下步骤:
S1、对极地声信号的数据进行预处理,得到二维时频图及其能量幅值绝对值;
S2、通过巴格曼变换对能量绝对幅值做处理,得到极地信号二维时频图的零点;
S3、根据所获零点进行德劳内三角剖分;
S4、根据三角形几何构型特性差异设定阈值,通过筛除大于阈值的三角形去除噪声;
S5、基于连通性完成对筛选后三角形的基础群组划分;
S6、基于划分的群组对极地声信号进行特征提取。
有利地,步骤S1包括以下子步骤:
S1.1、对接收到的极地声信号x进行滤波,消除在低频或高频的明显干扰噪声,得到信号x’;
S1.2、对信号x’进行高斯窗的短时傅里叶变换得到二维时频图,二维时频图的能量幅值为A;
S1.3、对能量幅值A取绝对值,得到能量幅值绝对值B。
有利地,步骤S2中定义二维时频能量幅值的局部极小值为时频能量零点。
有利地,步骤S3包括以下子步骤:
S3.1、根据所获零点确定德劳内三角形顶点,其中零点位置即三角形顶点位置;
S3.2、利用德劳内三角形剖分的空外接圆准则和最小角最大化准则,将三角形顶点进行连接,形成德劳内三角网。
有利地,步骤S4中,所述三角形几何构型特性包括三角形的面积、重心幅值、最大边长的经验累积分布函数。
有利地,在阈值化的基础上选择同时满足三个特征都最大的德劳内三角形来去除噪声,从而识别基本信号域。
有利地,步骤S5包括以下子步骤:
S5.1、如果在非有效信号频率范围内出现纯水平或纯垂直的三角形则删除;
S5.2、基于公共点个数标记三角形;
S5.3、寻找与当前三角形有两个公共点的相邻三角形,通过公共边寻找彼此连通的德劳内三角形群组,并根据三角形连续个数设置阈值,完成基础群组的初步划分。
有利地,步骤S5.1中通过设置横纵坐标阈值进行剔除。
有利地,在初步划分后,根据需要填补有断裂的基础群组,选择第一个群组的两个边界三角形,估计该群组两个边界三角形与其它群组边界三角形的重心距离,选择距离最近的群组三角形进行阈值判断,若重心距离小于阈值两个群组进行合并,直到所有群组合并完成。
本发明还提供一种基于德劳内三角形剖分的极地声信号特征提取装置,该装置包括处理单元,执行如上所述的极地声信号特征提取方法。
有益效果:与现有技术相比,本发明提出了一种基于德劳内三角形剖分的极地声信号特征提取方法:
(1)增强抗干扰能力
基于德劳内三角形对极地声信号进行提取,不受噪声类型的影响,能够通过统计阈值将噪声与有效信号进行分离,可以从强干扰背景中提取出有效信号,抗干扰能力强。
(2)提高准确性
噪声的德劳内三角形经验累积分布函数本质上是有一个最大值限制的,有非常低的概率超过,可以在阈值化的基础上选择特征最大的德劳内三角形来识别信号域,利用三角形的几何特征和连续性提取有效信号,准确性提高。
(3)适用范围广
适用于大部分极地声信号,包括极地冰声信号和极地生物信号。
已经讨论的特征、功能和优点可在各种示例中独立实现,或者可以在其他示例中进行组合。
附图说明
当结合附图阅读时,通过参考以下对本发明示例的详细描述,将最好地理解示例以及优选的使用模式、其他目的机器描述,其中:
图1是本发明的基于德劳内三角形剖分的极地声信号特征提取方法的流程图;
图2是实施例的短时傅里叶变换二维时频图;
图3是实施例的德劳内三角剖分图;
图4是实施例的噪声德劳内三角形面积的经验累积分布函数图;
图5是实施例的噪声德劳内三角形重心幅值的经验累积分布函数图;
图6是实施例的噪声德劳内三角形最大边长的经验累积分布函数图;
图7是实施例中提取的有效信号结果图。
具体实施方式
将参照附图更充分地描述所公开的示例,在附图中示出了所公开示例中的一些(但并非全部)。事实上,可描述许多不同的示例并且这些示例不应被解释为限于本文中阐述的示例。相反,描述这些示例,是为本发明公开彻底且完全,并且将把本发明公开的范围充分传达给本领域技术人员。
本发明的极地声信号特征提取方法利用德劳内三角剖分消除噪声影响,进而提取极地声信号中的有效信号,对有效声信号进行特征提取。结合图1对本发明的方案进行说明,具体包括以下步骤:
步骤一、对极地声信号的数据进行预处理
1.1对接收到的极地声信号x进行滤波,得到滤波后的信号x’,消除接收到的极地声信号x在低频或高频的明显干扰噪声。
1.2对滤波后的信号x’进行高斯窗的短时傅里叶变换(STFT),得到二维时频图,此时二维时频图的能量幅值为A,A是一个关于时间和频率的矩阵。
1.3对能量幅值A取绝对值,得到能量幅值绝对值B。
步骤二、通过巴格曼变换获取二维时频图的零点
定义二维时频能量幅值的局部极小值为时频能量零点,利用高斯窗短时傅立叶变换和巴格曼变换之间的经典等价性,通过巴格曼变换对能量绝对幅值B做处理,得到极地信号二维时频图的零点。
其中,将时间和频率联合考虑,将它们视为复值变量的坐标,通过复平面识别二维时频图。引入z=w+it,使用圆形高斯窗口进行评估,短时傅里叶变换(STFT)可以重写为:
由于圆形高斯窗口被归一化具有单位能量,这导致上限则:
式中,是一个二阶的整体函数,Weierstrass-Hadamard因子分解为:
保证完全由其零点的分布来表征。其中,C0,C1和C2分别是归一化因子、平移/旋转因子和压缩因子,m是平面原点处零点的可能多重性,变量zn=wn+itn代表巴格曼变换的(无限多个)零点,通过构造,巴格曼变换也对应于STFT的零点。
步骤三、根据零点进行德劳内三角剖分
3.1根据所获零点确定德劳内三角形顶点,其中零点位置即三角形顶点位置。
3.2利用德劳内三角形剖分的空外接圆准则和最小角最大化准则,将三角形顶点进行连接,形成德劳内三角网。
步骤四、根据三角形几何构型特性差异设定阈值,通过筛除大于阈值的三角形去除噪声。
其中,统计所有德劳内三角形的面积、重心幅值、最大边长的经验累积分布函数。信号域可以通过观察与噪声行为不同的德劳内三角形来识别,噪声的德劳内三角形的面积、重心幅值、最大边长本质上分别都有一个最大值,有非常低的概率超过,可以在阈值化的基础上选择同时满足三个特征都最大的德劳内三角形来去除噪声,识别基本信号域。
步骤五、基于连通性完成对筛选后三角形的基础群组划分
5.1如果在非有效信号频率范围内出现的纯水平或纯垂直的三角形,通过设置横纵坐标阈值进行剔除。
5.2基于公共点个数标记三角形
若没有顶点与相邻三角形连接,则该三角形被划分为单独存在的三角形,并标记为灰色;若有一个顶点与相邻三角形连接,则该三角形被划分为具有一个公共点的三角形,并标记为黄色;若有两个顶点或三个顶点与相邻三角形连接,则该三角形被划分为具有多个公共点的三角形,并标记为绿色。
5.3寻找与当前三角形有两个公共点的相邻三角形,通过公共边寻找彼此连通的德劳内三角形群组,并根据三角形连续个数设置阈值,完成基础群组的初步划分。
如果德劳内三角性与相邻三角形具有两个公共点,那么它们具有一条公共边,根据公共边找到德劳内三角形群组。
5.4填补有断裂的基础群组,对有效信号进行更完整划分。
其中,设置最小距离阈值,选择第一个群组的首尾两个边界三角形,估计这两个边界三角形与其它群组边界三角形的重心距离,选择重心距离最近的三角形群组进行阈值判断,若重心距离小于所设阈值,则将第一个群组与重心距离最近的群组进行合并,依次进行,直到所有的群组合并完成,出现新的群组划分。
步骤六、基于划分的群组对极地声信号进行特征提取,包括最高频,最低频,持时等特征。
下面结合具体参数给出实施例。
生成100kHz采样1s的chirp信号,选取44kHz的极地海洋噪声,使用干净的chirp信号混合极地海洋噪声形成带噪信号,信噪比为25dB,对带噪信号进行短时傅里叶变换,得到二维时频图如图2所示,此时二维时频图能量幅值为A,获取二维时频图能量幅值的绝对值B,通过巴格曼变换对二维时频图的零点进行德劳内三角剖分,如图3所示。统计噪声德劳内三角形的面积、重心幅值、最大边长的经验累积分布函数,分别如图4-6所示,其本质上都存在最大值限制,三角形面积大于31.5的概率不超过1.1%,三角形重心幅值大于9的概率不超过1.9%,三角形最大边长大于10.2的概率不超过2.4%,在这三个阈值的基础上选择基本信号域。
判断基本信号域内所有三角形三个顶点的共用情况,若没有顶点与相邻三角形连接,则该三角形被划分为单独存在的三角形;若有一个顶点与相邻三角形连接,则该三角形被划分为具有一个公共点的三角形;若有两个顶点或三个顶点与相邻三角形连接,则该三角形被划分为具有多个公共点的三角形。如果与相邻三角形具有两个公共点,那么它们具有一条公共边,根据公共边找到德劳内三角形群组,设置三角形连续个数阈值为30,对基础群组进行划分得到如图7所示结果。之后,根据需求填补有断裂的基础群组。
已出示示例和描述的目的展示了对不同有利布置的描述,但是该描述并不旨在是排他性的或限于所公开形式的示例。许多修改形式和变化形式对于本领域技术人员而言将是显而易见的。另外,不同的有利示例可描述与其他有利示例相比具有不同的有点。选择和描述所选择的一个示例或多个示例,以便最佳地说明示例的原理、实际应用,并且使本领域的普通技术人员能够理解本公开有进行了适于所料想特定使用的各种修改的各种示例。
Claims (8)
1.一种基于德劳内三角形剖分的极地声信号特征提取方法,其特征在于,该方法包括以下步骤:
S1、对极地声信号的数据进行预处理,得到二维时频图及其能量幅值绝对值;
S2、通过巴格曼变换对能量绝对幅值做处理,得到极地信号二维时频图的零点
定义二维时频能量幅值的局部极小值为时频能量零点,将时间和频率联合考虑,将它们视为复值变量的坐标,通过复平面识别二维时频图,引入 ,使用圆形高斯窗口进行评估,短时傅里叶变换(STFT)重写为:
由于圆形高斯窗口被归一化具有单位能量,这导致上限,则:
式中,是二阶的整体函数,Weierstrass-Hadamard因子分解为:
保证完全由其零点的分布来表征,其中,/>,/>和/>分别是归一化因子、平移/旋转因子和压缩因子,/>是平面原点处零点的可能多重性,变量/>代表巴格曼变换的零点,通过构造也对应于短时傅里叶变换(STFT)的零点;
S3、根据所获零点进行德劳内三角剖分;
S4、根据三角形几何构型特性差异设定阈值,通过筛除大于阈值的三角形去除噪声;
S5、基于连通性完成对筛选后三角形的基础群组划分
S5.1 如果在非有效信号频率范围内出现的纯水平或纯垂直的三角形,通过设置横纵坐标阈值进行剔除;
S5.2 基于公共点个数标记三角形;
S5.3 寻找与当前三角形有两个公共点的相邻三角形,通过公共边寻找彼此连通的德劳内三角形群组,并根据三角形连续个数设置阈值,完成基础群组的初步划分;
S5.4 填补有断裂的基础群组,对有效信号进行更完整划分;
S6、基于划分的群组对极地声信号进行特征提取。
2.根据权利要求1所述的极地声信号特征提取方法,其特征在于:步骤S1包括以下子步骤:
S1.1、对接收到的极地声信号x进行滤波,消除在低频或高频的明显干扰噪声,得到信号x’;
S1.2、对信号x’进行高斯窗的短时傅里叶变换得到二维时频图,二维时频图的能量幅值为A;
S1.3、对能量幅值A取绝对值,得到能量幅值绝对值B。
3.根据权利要求1所述的极地声信号特征提取方法,其特征在于:步骤S3包括以下子步骤:
S3.1、根据所获零点确定德劳内三角形顶点,其中零点位置即三角形顶点位置;
S3.2、利用德劳内三角形剖分的空外接圆准则和最小角最大化准则,将三角形顶点进行连接,形成德劳内三角网。
4.根据权利要求1所述的极地声信号特征提取方法,其特征在于:步骤S4中,所述三角形几何构型特性包括三角形的面积和重心幅值和最大边长的经验累积分布函数。
5.根据权利要求4所述的极地声信号特征提取方法,其特征在于:在阈值化的基础上选择同时满足三个特征都最大的德劳内三角形来去除噪声,从而识别基本信号域。
6.根据权利要求1所述的极地声信号特征提取方法,其特征在于:步骤S5.1中通过设置横纵坐标阈值进行剔除。
7.根据权利要求1所述的极地声信号特征提取方法,其特征在于:在初步划分后,根据需要填补有断裂的基础群组,选择第一个群组的两个边界三角形,估计第一个群组的两个边界三角形与其它群组边界三角形的重心距离,选择距离最近的群组三角形进行阈值判断,若重心距离小于阈值两个群组进行合并,直到所有群组合并完成。
8.一种基于德劳内三角形剖分的极地声信号特征提取装置,其特征在于:该装置包括处理单元,执行如权利要求1-7中任一项所述的极地声信号特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875186.4A CN116975528B (zh) | 2023-07-17 | 2023-07-17 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875186.4A CN116975528B (zh) | 2023-07-17 | 2023-07-17 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975528A CN116975528A (zh) | 2023-10-31 |
CN116975528B true CN116975528B (zh) | 2024-03-15 |
Family
ID=88480832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310875186.4A Active CN116975528B (zh) | 2023-07-17 | 2023-07-17 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975528B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017195228A1 (en) * | 2016-05-09 | 2017-11-16 | Uesse S.R.L. | Process and system to analyze deformations in motor vehicles |
CN108376541A (zh) * | 2018-02-07 | 2018-08-07 | 桂林电子科技大学 | 一种基于主动降噪的家居环境声音抑制信号的分布方法 |
CN115166817A (zh) * | 2022-06-30 | 2022-10-11 | 哈尔滨工程大学 | 一种基于冰层模态群慢度差特征的冰声定位方法 |
CN115206334A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工程大学 | 一种极地声信号增强和识别方法 |
CN115753984A (zh) * | 2022-11-04 | 2023-03-07 | 中煤科工集团重庆研究院有限公司 | 一种基于声纹谱分离的托辊异常特征提取方法 |
CN116067359A (zh) * | 2022-12-29 | 2023-05-05 | 武汉中海庭数据技术有限公司 | 基于delaunay三角网的低精度轨迹数据处理方法及系统 |
CN116153329A (zh) * | 2023-01-12 | 2023-05-23 | 桂林电子科技大学 | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10192011B2 (en) * | 2017-01-05 | 2019-01-29 | The United States Of America As Represented By Secretary Of The Navy | Method and apparatus for wave field estimation |
-
2023
- 2023-07-17 CN CN202310875186.4A patent/CN116975528B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017195228A1 (en) * | 2016-05-09 | 2017-11-16 | Uesse S.R.L. | Process and system to analyze deformations in motor vehicles |
CN108376541A (zh) * | 2018-02-07 | 2018-08-07 | 桂林电子科技大学 | 一种基于主动降噪的家居环境声音抑制信号的分布方法 |
CN115166817A (zh) * | 2022-06-30 | 2022-10-11 | 哈尔滨工程大学 | 一种基于冰层模态群慢度差特征的冰声定位方法 |
CN115206334A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工程大学 | 一种极地声信号增强和识别方法 |
CN115753984A (zh) * | 2022-11-04 | 2023-03-07 | 中煤科工集团重庆研究院有限公司 | 一种基于声纹谱分离的托辊异常特征提取方法 |
CN116067359A (zh) * | 2022-12-29 | 2023-05-05 | 武汉中海庭数据技术有限公司 | 基于delaunay三角网的低精度轨迹数据处理方法及系统 |
CN116153329A (zh) * | 2023-01-12 | 2023-05-23 | 桂林电子科技大学 | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 |
Non-Patent Citations (7)
Title |
---|
A PARALLELED DELAUNAY TRIANGULATION ALGORITHM FOR PROCESSING LARGE LIDAR POINTS;Song Y等;《ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20221027;141-146 * |
Delaunay and Regular Triangulations as Lexicographic Optimal Chains;David Cohen-Steiner等;《Discrete & Computational Geometry》;20230516;第70卷;1–50 * |
改进的Delaunay三角剖分算法研究;高莉;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160415(第04期);I138-1364 * |
极地水声信号处理研究;尹力等;《中国科学院院刊》;20190320;第34卷(第03期);306-313 * |
极地海冰声波导建模综述;殷敬伟等;《物理学报》;20220104;162-172 * |
空手道比赛视频战术情报分析系统中关键算法研究;刘俊明;《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》;20210115;H134-965 * |
结合FREAK和Delaunay三角网的图像匹配算法;林永升等;《光电技术应用》;20230415;第38卷(第02期);49-54, 69 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975528A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN110866545A (zh) | 一种探地雷达资料中管线目标的自动识别方法及系统 | |
CN107329137B (zh) | 基于box样条小波框架的探地雷达地下目标定位方法及系统 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
CN108333634A (zh) | 一种基于频谱残余显著性检测方法的探地雷达地下目标定位方法 | |
CN108830140B (zh) | 一种基于电成像测井分形维数的火山岩岩性识别方法 | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
CN110147716A (zh) | 一种基于频域与空域相结合的sar图像内波区域检测方法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN114187516A (zh) | 一种基于bp神经网络的探地雷达地下空洞目标识别方法 | |
CN114782728A (zh) | 一种探地雷达的数据可视化方法 | |
CN116975528B (zh) | 基于德劳内三角剖分的极地声信号特征提取方法和装置 | |
CN116503268B (zh) | 一种用于雷达回波图像的质量改进方法 | |
CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
Kong et al. | Automatic detection technology of sonar image target based on the three-dimensional imaging | |
Yang et al. | A novel ship detection method based on sea state analysis from optical imagery | |
CN114594463A (zh) | 一种基于组合凸包的海面小目标特征检测方法 | |
Wang et al. | Bottom Tracking Method Based on LOG/Canny and the Threshold Method for Side-scan Sonar. | |
Song et al. | Underground diseases identification of airport runway using GPR | |
Zhang et al. | A signal feature extraction method based on Hough transform | |
CN109507291A (zh) | 一种信号预处理方法 | |
CN113933807B (zh) | 一种海杂波背景下基于图像处理的目标检测方法 | |
CN115047523B (zh) | 一种基于密度聚类算法的地震数据动校正方法 |
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 |