CN117941673A - 基于多源发声器的声驱网智能监测驱赶方法 - Google Patents
基于多源发声器的声驱网智能监测驱赶方法 Download PDFInfo
- Publication number
- CN117941673A CN117941673A CN202410345763.3A CN202410345763A CN117941673A CN 117941673 A CN117941673 A CN 117941673A CN 202410345763 A CN202410345763 A CN 202410345763A CN 117941673 A CN117941673 A CN 117941673A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- sound generating
- generating device
- neighborhood
- 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 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 241001465754 Metazoa Species 0.000 claims abstract description 62
- 238000012512 characterization method Methods 0.000 claims abstract description 22
- 230000004931 aggregating effect Effects 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241001482616 Neophocaena phocaenoides Species 0.000 description 3
- 241001481833 Coryphaena hippurus Species 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000816 effect on animals Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006742 locomotor activity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及发声器设备技术领域,具体涉及一种基于多源发声器的声驱网智能监测驱赶方法,包括:获取发声装置和每个动物在每个时刻的位置信息;将发声装置和动物分别作为节点,构建每个时间间隔对应的图结构;对每个图结构中每个节点在不同邻域范围下进行聚合获得聚合数据;分别对每个图结构中每个邻域范围下每个节点的聚合数据进行聚类获得聚类结果;结合发声装置对应的节点在预设的标准邻域范围与其他邻域范围下聚类结果中所在类别的节点相似情况以及距离分布情况对每个图结构中每个发声装置对应的节点的影响力表征值进行量化;根据影响力表征值对对应的发声装置进行调整,确定声驱网监测驱赶方法。本发明能够获得驱赶效果较好的发声装置。
Description
技术领域
本发明涉及发声器设备技术领域,具体涉及一种基于多源发声器的声驱网智能监测驱赶方法。
背景技术
大多数动物对声音非常敏感,尤其是高频声音,例如,在对受伤的江豚进行救护时,需要先对受伤的江豚进行捕捞,在捕捞过程中需要将江豚驱赶到适合捕捞的水域,目前较为常用的驱赶方法是通过安装在船底的发声装置对江豚进行驱赶,这种方法在面对较深的水域产生的效果较差,而且单一的发声装置无法保证江豚在水平方向的驱赶。进而出现了采用多源发声器的声驱网对江豚进行驱赶,声驱网可以根据水深调整发声装置的频率和数量,在立体空间的范围内产生多来源的声音,保证声音驱赶的方向性和无害性。但是这种方法常通过经验随机设置的发声装置,使得驱赶效果较差。
发明内容
为了解决现有方法常通过经验随机设置的发声装置,使得驱赶效果较差的技术问题,本发明的目的在于提供一种基于多源发声器的声驱网智能监测驱赶方法,所采用的技术方案具体如下:
在不同深度下不同频率下获取每个发声装置的位置信息以及每个动物在每个时刻的位置信息;将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构;
对每个图结构中每个节点在不同邻域范围下进行聚合,获得每个图结构中每个节点在每个邻域范围下的聚合数据;分别对每个图结构中每个邻域范围下每个节点的聚合数据进行聚类获得每个图结构中每个节点在每个邻域范围下的聚类结果;
在每个图结构中根据每个发声装置对应的节点在预设的标准邻域范围与其他邻域范围下聚类结果中所在类别的节点相似情况以及距离分布情况、发声装置节点在标准邻域范围下的聚类结果中的类别分布情况,得到每个图结构中每个发声装置对应的节点的影响力表征值;
根据所述影响力表征值对对应的发声装置进行调整,确定声驱网监测驱赶方法。
优选地,所述将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构,具体包括:
将任意一个时刻记为第一时刻,将与第一时刻相邻的时刻记为第二时刻,在第一时刻和第二时刻之间的时间间隔下,将任意一个发声装置对应的节点记为第一节点,将任意一个一个动物对应的节点记为第二节点;
对于第一节点与第二节点,获取第二节点在第一时刻与第二时刻的水平方向的坐标值之间的差值绝对值记为第一系数;将在第一时刻下第一节点与第二节点之间的欧氏距离记为第一距离,将在第二时刻下第一节点与第二节点之间的欧氏距离记为第二距离,计算第一距离与第二距离的均值得到第二系数;将所述第一系数和第二系数的比值作为第一节点与第二节点的水平边值;基于所述水平边值构建当前时间间隔对应的水平方向图结构;
获取第二节点在第一时刻与第二时刻的垂直方向的坐标值之间的差值绝对值记为第三系数;将第三系数与第二系数的比值作为第一节点与第二节点的垂直边值;基于所述垂直边值构建当前时间间隔对应的垂直方向图结构;
图结构包括所述水平方向图结构和垂直方向图结构。
优选地,所述每个图结构中每个发声装置对应的节点的影响力表征值的获取方法具体为:
对于任意一个图结构的任意一个发声装置对应的节点,将最大的邻域范围作为预设的标准邻域范围,将标准邻域范围下的聚类结果中的类别记为标准类别;
根据节点的标准邻域范围下的聚类结果与其他邻域范围下的聚类结果之间类别的重复分布情况,得到每个标准类别的对照类别;
根据每个标准类别中每个节点在对照类别中出现的情况,对每个标准类别中每个节点进行筛选获得每个标准类别中的第一特征节点;
根据每个标准类别中每两个第一特征节点在对照类别中出现的情况之间的相似性,对第一特征节点进行筛选,获得每个标准类别中的第二特征节点;
根据发声装置对应的节点在每个标准类别中的第二特征节点之间的分布相似情况和数量、发声装置对应的节点与每个标准类别中的第二特征节点之间的距离,得到发声装置对应的节点的影响力表征值。
优选地,所述根据节点的标准邻域范围下的聚类结果与其他邻域范围下的聚类结果之间类别的重复分布情况,得到每个标准类别的对照类别,具体包括:
将除了节点的标准邻域范围之外的其他邻域范围记为参考邻域范围,将节点的标准邻域范围下聚类结果中任意一个标准类别记为目标标准类别;
对于任意一个参考邻域范围,计算目标标准类别与参考邻域范围内每个类别之间相同节点的数量的归一化值得到参考邻域范围内每个类别的交并比,将所有类别的交并比的最大值对应的类别作为目标标准类别在参考邻域范围内的对照类别。
优选地,所述根据每个标准类别中每个节点在对照类别中出现的情况,对每个标准类别中每个节点进行筛选获得每个标准类别中的第一特征节点,具体包括:
将目标标准类别中任意一个节点记为选定节点,计算选定节点在目标标准节点类别的每个对照类别中出现的次数的归一化值得到选定节点的类别归属度;
若选定节点的类别归属度大于预设的归属阈值,则将选定节点记为目标标准类别的第一特征节点。
优选地,所述根据每个标准类别中每两个第一特征节点在对照类别中出现的情况之间的相似性,对第一特征节点进行筛选,获得每个标准类别中的第二特征节点,具体包括:
对于任意一个第一特征节点,获取第一特征节点在目标标准类别的所有对照类别中出现过的类别对应的邻域范围构成第一特征节点的出现邻域序列;
计算每两个第一特征节点的出现邻域序列之间的DTW距离的负相关归一化值得到每两个第一特征节点的关联程度;将关联程度大于预设的关联阈值对应的第一特征节点记为第二特征节点。
优选地,所述根据发声装置对应的节点在每个标准类别中的第二特征节点之间的分布相似情况和数量、发声装置对应的节点与每个标准类别中的第二特征节点之间的距离,得到发声装置对应的节点的影响力表征值,具体包括:
对于任意一个第二特征节点,计算发声装置对应的节点在目标标准类别中的第二特征节点与其他第二特征节点之间的关联程度的均值得到第一特征系数;
将发声装置对应的节点在目标标准类别中的第二特征节点的数量作为第二特征系数,将发声装置对应的节点与目标标准类别中的第二特征节点之间的欧氏距离的均值作为第三特征系数;计算第一特征系数、第二特征系数和第三特征系数的乘积作为目标标准类别中第二特征节点的受影响参数;
计算发声装置对应的节点在所有标准类别中第二特征点的受影响参数的累加和得到发声装置对应的节点的影响力表征值。
优选地,所述根据所述影响力表征值对对应的发声装置进行调整,具体包括:
对于任意一个时间间隔,将水平方向图结构中发声装置对应的节点的影响力表征值与垂直方向图结构中相同发声装置对应的节点的影响力表征值之间的比值作为发声装置对应的节点的全局影响值;
计算发声装置在所有时间间隔下的图结构中对应的节点的全局影响值的均值的归一化值得到发声装置的影响系数;
当发声装置的影响系数大于预设的影响阈值时,增加该发声装置的数量。
优选地,所述对每个图结构中每个节点在不同邻域范围下进行聚合,获得每个图结构中每个节点在每个邻域范围下的聚合数据,具体包括:
对于任意一个图结构中任意一个节点,将节点的预设数量个邻域范围记为节点的邻域范围集合,对每个图结构中的每个节点采用图嵌入的方法获取每个节点在邻域范围集合中不同邻域范围下的聚合数据。
优选地,所述图结构中发声装置对应的节点与发声装置对应的节点之间不存在边的连接。
本发明实施例至少具有如下有益效果:
本发明首先获取设置好的发声装置的位置信息,并对在发声装置的影响下每个动物的位置信息进行实时监测,为后续相对移动行为特征分析提供数据基础。然后将发声装置和动物分别作为节点,通过引入图结构,对发声装置与动物之间的距离分布以及相对移动距离进行量化,图结构能够反映两者之间的特征分布情况。同时考虑到在每个时间间隔下受发声装置的影响动物可能产生移动行为,故针对每个时间间隔进行移动行为的特征分析,使得最终的评价效果更具说服力。进一步的,将图结构中的节点在不同邻域范围下的特征信息进行聚合,能够反映每个节点的在不同范围下的关系节点和特征节点,进而聚类处理获得的聚类结果中特征关系较为相似的为一个类别。再者,以每个发声装置对应的节点为分析对象,通过分析这些节点在不同邻域范围下的节点分布相似度、距离分布等特征,量化发声装置的驱赶过程中对动物的影响程度,即影响力表征值反映了发声装置在驱赶过程中的影响力大小,能够较为准确的反映出发声装置的影响效果,能够获得驱赶效果较好的发声装置,使得最终基于影响力表征值对对应的发声装置进行调整,进一步增强监测驱赶方法的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种基于多源发声器的声驱网智能监测驱赶方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于多源发声器的声驱网智能监测驱赶方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于多源发声器的声驱网智能监测驱赶方法的具体方案。
本发明所针对的具体实施场景为:由于现有常通过经验获取固定数量的发声装置,这对不同区域不同深度的场景下较难适用,本发明在利用发声装置对江豚进行驱赶的过程中,如果某些动物的运动过程相较于某个发声装置来说,变化一致性较强,说明该发声装置对这些动物的影响程度较为一致,如果被影响的这些动物的数量较多,且朝着水平方向的运动相较于竖直方向的运动幅度较大,则该发声装置的驱赶效果较好,进而增加该频率的装置数量或者调高音量来提高驱赶效果。
本发明的主要目的是:通过对不同的发声装置对动物的驱赶表现情况进行分析,获得每个深度下不同频率的发声装置对动物的影响情况,从而确定对动物影响效果较好的发声装置,对该发声装置的频率和数量进行调整。
请参阅图1,其示出了本发明一个实施例提供的一种基于多源发声器的声驱网智能监测驱赶方法的步骤流程图,该方法包括以下步骤:
步骤一,在不同深度下不同频率下获取每个发声装置的位置信息以及每个动物在每个时刻的位置信息;将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构。
首先,需要采集每个深度下不同频率的发声装置的位置分布以及每个动物的位置分布,同时在发声装置的影响下实时获取每个动物的位置信息,便于后续分析每个动物的移动情况。在本实施例中,以江豚为例进行分析。每个发声装置的位置信息可以直接获取,同时可以利用雷达监测实时获得每个江豚的位置信息。
需要说明的是,本实施例在目标水域构建平面直角坐标系,以水平方向为横轴方向,以竖直方向为纵轴方向,选择一个目标物作为坐标原点,需要保证发声装置和动物均在平面直角坐标系的第一象限,进而可以分别获取每个发声装置和每个动物在平面直角坐标系中的坐标值作为位置信息。
同时,需要实时地分别获取每个动物在设定时间段内每个时刻的位置信息,本实施例将设定时间段的时间长度设置为30分钟,将相邻两个时刻之间的时间间隔设置为10秒,实施者可根据具体实施场景进行设置。
进一步的,由于每经过一个时间间隔,在不同的发声装置的影响下,每个动物均出现一定的移动行为,为了能够通过移动行为分析每个发声装置对每个动物的移动情况产生的影响,可以将发声装置和动物分别作为节点,通过移动行为信息构建节点之间的联系,利用图结构对发声装置和动物之间的关联关系进行量化。
基于此特征,将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构。
具体地,考虑到发声装置是静止不动,且不同的发声装置之间的关联关系意义不大,故本实施例中,不同的发声装置对应的节点之间不存在边的连接关系。进而对发声装置对应的节点与动物对应的节点之间的边的连接关系进行分析。
将任意一个时刻记为第一时刻,将与第一时刻相邻的时刻记为第二时刻,在第一时刻和第二时刻之间的时间间隔下,将任意一个发声装置对应的节点记为第一节点,将任意一个一个动物对应的节点记为第二节点。
对于第一节点与第二节点,获取第二节点在第一时刻与第二时刻的水平方向的坐标值之间的差值绝对值记为第一系数;将在第一时刻下第一节点与第二节点之间的欧氏距离记为第一距离,将在第二时刻下第一节点与第二节点之间的欧氏距离记为第二距离,计算第一距离与第二距离的均值得到第二系数;将所述第一系数和第二系数的比值作为第一节点与第二节点的水平边值。
在本实施例中,将发声装置u对应的节点作为第一节点,将动物r对应的节点作为第二节点,则第一节点与第二节点/>的水平边值的计算公式可以表示为:
其中,表示第一节点/>与第二节点/>的水平边值,/>表示第二节点在第一时刻的水平方向的坐标值,/>表示第二节点/>在第二时刻的水平方向的坐标值,/>表示第一时刻下第一节点与第二节点之间的欧氏距离,/>表示第二时刻下第一节点与第二节点之间的欧氏距离,/>为第一系数,/>为第二系数。
反映了在当前时间间隔下,动物在水平方向的移动情况,反映了在当前时间间隔下,动物与发声装置之间的相对位置的变化情况。进而发声装置节点与动物节点之间的水平边值也就体现了动物自身在水平方向的位置变化情况以及两者之间的相对距离变化情况。
按照与水平边值相同的方法可以获得第一节点与第二节点的垂直边值,具体地,获取第二节点在第一时刻与第二时刻的垂直方向的坐标值之间的差值绝对值记为第三系数;将第三系数与第二系数的比值作为第一节点与第二节点的垂直边值。其中,第三系数也即反映了在当前时间间隔下动物在垂直方向的移动情况,进而该垂直边值也就体现了动物自身在垂直方向的位置变化情况以及动物和发声装置两者之间的相对距离变化情况。
需要说明的是,动物节点与动物节点之间的水平边值、垂直边值的计算方法与第一节点和第二节点的水平边值、垂直边值的计算方法是相同。例如,对于任意一个动物节点1和动物节点2,将动物节点1类比第一节点,将动物节点2类别第二节点,计算对应的边值。
进一步的,基于所述水平边值构建当前时间间隔对应的水平方向图结构,基于所述垂直边值构建当前时间间隔对应的垂直方向图结构;图结构包括所述水平方向图结构和垂直方向图结构。
可以理解的是,每一个时间间隔下对应了一组图结构,图结构中水平方向图结构能够体现在发声装置的影响下动物节点在水平方向上的移动行为特征,垂直方向图结构能够体现在发声装置的影响下动物节点在垂直方向上的移动行为特征。
步骤二,对每个图结构中每个节点在不同邻域范围下进行聚合,获得每个图结构中每个节点在每个邻域范围下的聚合数据;分别对每个图结构中每个邻域范围下每个节点的聚合数据进行聚类获得每个图结构中每个节点在每个邻域范围下的聚类结果。
对每个发声装置来说,对不同的区域范围内的动物行为的影响效果不同,距离越近可能产生的影响效果较佳,距离越远,可能存在较为复杂的影响情况,基于此,通过分析每个发声装置节点在不同邻域范围下的节点数据分布情况,进行逐渐聚类。
首先,需要对每个图结构中每个节点在不同邻域范围下进行聚合,基于此,为了分析每个发声装置对其他动物的行为影响程度,即对于任意一个图结构中任意一个节点,将节点的预设数量个邻域范围记为节点的邻域范围集合,对每个图结构中的每个节点采用图嵌入的方法获取每个节点在邻域范围集合中不同邻域范围下的聚合数据。
在本实施例中,共选择9个邻域范围进行数据分析,分别包括1邻域、2邻域、3邻域、4邻域、5邻域、6邻域、7邻域、8邻域、9邻域。其中,对于任意一个节点,节点的1邻域范围是指与该节点直接相连接的所有节点构成的邻域范围,1邻域范围内的节点可以称为1邻域节点。2邻域范围是指与所述任意一个节点的1邻域节点直接相连接的所有节点构成的邻域范围,2邻域范围内的节点可以称为2邻域节点。以此类推,9邻域范围是指与所述任意一个节点的8邻域节点直接相连接的所有节点构成的邻域范围,9邻域范围内的节点可以称为9邻域节点。
需要说明的是,利用图嵌入的方法进行不同邻域下的节点聚合操作为公知技术,在此不再过多介绍。至此,每个时间间隔对应的每个图结构中的每个节点均可以获得多个嵌入表示,也即是每个节点在每个邻域范围下的聚合数据。聚合数据也就表示了每个节点与每个邻域范围内节点之间的关系和特征。分别在每个图结构中,以每个发声装置节点的每个邻域范围为基础,依次获取其他节点在对应邻域范围内的聚合数据。
例如,基于发声装置节点可以获得9个不同的邻域范围,也即发声装置节点/>在9个邻域范围下分别对应存在一个聚合数据,进而图结构中其他节点在这9个邻域范围下也可以分别获取对应的聚合数据,其他节点在发声装置节点/>对应的不同邻域范围下的聚合数据,也就反映了其他节点与发声装置节点/>之间的关系和特征。
进一步的,分别对每个图结构中每个邻域范围下每个节点的聚合数据进行聚类获得每个图结构中每个节点在每个邻域范围下的聚类结果,本实施例采用DBSCAN聚类算法,利用节点对应的聚合数据之间的欧氏距离作为聚类时的差异距离衡量。例如,对于任意一个图结构中的发声装置节点,在该节点的1邻域中基于节点的聚合数据对所有节点进行聚类,获得图结构中发声装置在1邻域下的聚类结果。
步骤三,在每个图结构中根据每个发声装置对应的节点在预设的标准邻域范围与其他邻域范围下聚类结果中所在类别的节点相似情况以及距离分布情况、发声装置节点在标准邻域范围下的聚类结果中的类别分布情况,得到每个图结构中每个发声装置对应的节点的影响力表征值。
从1邻域到9邻域中不同的邻域范围也即表示了邻域范围逐渐扩大的过程,当在某个发声装置节点的邻域范围集中邻域范围逐渐扩大的过程下,对应的聚类结果中始终位于同一个类别中的节点表示受所述某个发声装置节点的影响程度较为一致,且距离一致性较强,受影响程度越大。
为了量化每个发声装置对不同动物的移动行为影响程度,需要进行多个方面的特征分析,在本实施例中,以任意一个图结构中水平方向图结构或者垂直方向图结构为例进行说明。首先,需要设置一个邻域范围作为基准,分别分析其他邻域范围下的聚类结果与基准之间的重复程度,可以反映出在邻域范围逐渐扩大的过程中,节点数据的分布相似情况。
具体地,对于任意一个图结构的任意一个发声装置对应的节点,将最大的邻域范围作为预设的标准邻域范围,将标准邻域范围下的聚类结果中的类别记为标准类别。在本实施例中,最大的邻域范围表示了最远范围的节点特征,为了方便特征分析,将9邻域作为标准邻域范围。需要说明的是,针对不同的发声装置节点进行影响力分析时标准邻域范围应当保持一致,且计算方法均相同。
对于图结构的任意一个发声装置对应的节点,根据节点/>的标准邻域范围下的聚类结果与其他邻域范围下的聚类结果之间类别的重复分布情况,得到每个标准类别的对照类别。具体地,将除了节点的标准邻域范围之外的其他邻域范围记为参考邻域范围,即从1邻域至8邻域均为参考邻域范围,将节点的标准邻域范围下聚类结果中任意一个标准类别记为目标标准类别。
需要说明的是,在确定发声装置节点的标准邻域范围以及标准类别后,均值在此基础上,对所有的邻域范围内分析该发声装置节点与每个动物节点之间的分布关系,该发声装置节点与其他发声装置节点之间的分布关系不具有实际意义,因此,作为优选地,可以将发声装置节点对应的邻域范围集中所有聚类结果除了该发声装置节点之外的其他发声装置节点剔除。
对于任意一个参考邻域范围,计算目标标准类别与参考邻域范围内每个类别之间相同节点的数量的归一化值得到参考邻域范围内每个类别的交并比,将所有类别的交并比的最大值对应的类别作为目标标准类别在参考邻域范围内的对照类别。
例如,目标标准类别中包含的节点包括,其中,字母表示不同的节点,下标9表示在9邻域范围下的聚类结果,也即是标准聚类范围下的聚类结果。在任意一个参考邻域范围即5邻域范围下,任意一个类别中包含节点包括/>,其中,字母表示不同的节点,下标5表示在5邻域范围下的聚类结果。进一步的,这两个节点集合中相同的节点为节点a,节点g,节点b,和节点c,即这两个节点集合中相同的节点数量为4,利用4与这两个节点集合中节点数量的最大值之间的比值,作为归一化的结果,也就可以得到目标标准类别与5邻域范围内该类别的交并比,也即是/>。
交并比反映了两个不同类别之间节点的重复程度,将所有类别的交并比的最大值对应的类别作为目标标准类别在参考邻域范围内的对照类别。目标标准类别在5邻域范围下的对照类别表征了在特定邻域范围下,与目标标准类别中节点分布情况重复程度最大的类别。
进一步的,在邻域范围逐渐扩大的过程中,对聚类结果中始终位于同一个类别中的节点进行筛选,即根据每个标准类别中每个节点在对照类别中出现的情况,对每个标准类别中每个节点进行筛选获得每个标准类别中的第一特征节点。
具体地,将目标标准类别中任意一个节点记为选定节点,计算选定节点在目标标准节点类别的每个对照类别中出现的次数的归一化值得到选定节点的类别归属度。选定节点在越多的邻域范围中属于重复程度最大的对照类别,则说明选定节点与目标标准类别的联系越紧密,进而类别归属度越大,说明在邻域范围逐渐扩大的过程中,选定节点始终位于同一个类别中,进而说明选定节点受发声装置节点的影响程度越大。
若选定节点的类别归属度大于预设的归属阈值,则将选定节点记为目标标准类别的第一特征节点。在本实施例中,归属阈值的取值为。当选定节点的类别归属度大于归属阈值,说明选定节点受到的影响力较大,并且选定节点与其所在的类别的归属程度较大,故将选定节点记为目标标准类别的第一特征节点。
然后,第一特征节点表征了受发声装置影响较大的特征的节点,但是这些节点中可能存在是其他发声装置的影响,故需要在第一特征节点的基础上进一步筛选在当前发声装置节点的邻域范围集的特征分布中,变化一致性较强的节点。
基于此,根据每个标准类别中每两个第一特征节点在对照类别中出现的情况之间的相似性,对第一特征节点进行筛选,获得每个标准类别中的第二特征节点。
具体地,对于任意一个第一特征节点,获取第一特征节点在目标标准类别的所有对照类别中出现过的类别对应的邻域范围构成第一特征节点的出现邻域序列,例如,第一特征节点在目标标准类别的所有对照类别中出现过的类别对应的邻域范围依次为1邻域、3邻域、4邻域、7邻域、8邻域,则该第一特征节点的出现邻域序列可以表示为{1,3,4,7,8}。
计算每两个第一特征节点的出现邻域序列之间的DTW距离的负相关归一化值得到每两个第一特征节点的关联程度;关联程度反映了两个第一特征节点出现的邻域范围的相似情况,关联程度的取值越大,说明两个第一特征节点出现过的邻域范围越相似,重复度越大,进而两个节点受影响情况的变化一致性越强。
将关联程度大于预设的关联阈值对应的第一特征节点记为第二特征节点。在本实施例中,将关联阈值的取值设置为0.7,由于关联程度为归一化的数值,则关联阈值的取值范围为(0,1)。当两个第一特征节点之间的关联程度大于关联阈值时,说明这两个第一特征节点之间的变化一致性较强,进而将这两个第一特征节点均记为第二特征节点,第二特征节点也即是目标标准类别中的节点。
第一特征节点保证了这些节点受发声装置的影响力较大,且节点所在标准类别的归属度较大,第二特征节点保证了节点受影响程度的变化一致性。
最后,根据发声装置对应的节点在每个标准类别中的第二特征节点之间的分布相似情况和数量、发声装置对应的节点与每个标准类别中的第二特征节点之间的距离,得到发声装置对应的节点的影响力表征值。
具体地,对于任意一个第二特征节点,计算发声装置对应的节点在目标标准类别中的第二特征节点与其他第二特征节点之间的关联程度的均值得到第一特征系数;将发声装置对应的节点在目标标准类别中的第二特征节点的数量作为第二特征系数,将发声装置对应的节点与目标标准类别中的第二特征节点之间的欧氏距离的均值作为第三特征系数;计算第一特征系数、第二特征系数和第三特征系数的乘积作为目标标准类别中第二特征节点的受影响参数;计算发声装置对应的节点在所有标准类别中第二特征点的受影响参数的累加和得到发声装置对应的节点的影响力表征值。
在本实施例中,以任意一个图结构中发声装置对应的节点为例进行说明,即节点/>的9邻域为标准邻域范围,则发声装置对应的节点/>的影响力表征值的计算公式可以表示为:
其中,P表示发声装置对应的节点的影响力表征值,/>表示节点/>的标准邻域范围中包含的标准类别的总数量;/>维度第一特征系数,表示第i个标准类别中每两各第二特征节点之间的关联程度的均值;/>为第二特征系数,表示第i个标准类别中第二特征节点的数量;/>为第三特征系数,表示节点/>与第i个标准类别中每个第二特征节点之间的欧式距离的均值。
第一特征系数反映了节点的影响下,受影响程度较大,且受影响变化一致性较强的节点数量,也即节点/>对应的发声装置影响范围内产生效果的动物的多少。第二特征系数反映了节点/>的影响下,一致性较强的节点之间的关联一致性程度。第三特征系数反映了节点/>与所有受影响程度较强的节点之间的距离均衡分布情况。
第一特征系数的取值越大、第二特征系数的取值越大和第三特征系数的取值越大,说明受节点影响的节点越多,且影响效果越好,进而对应的影响力表征值的取值越大,说明节点/>对应的发声装置的影响力越大。
步骤四,根据所述影响力表征值对对应的发声装置进行调整,确定声驱网监测驱赶方法。
按照与影响力表征值相同的计算方法,可以获得每个图结构中每个发声装置对应的节点的影响力表征值,其中由于每个图结构中包含了两个不同方向的图结构,即水平方向图结构和垂直方向图结构,进而需要结合同一个发声装置在两个方向的图结构中的影响力表征值,对综合影响力情况进行量化,考虑到发声装置在水平方向的影响情况越强,对应的发声装置设置的效果越好,对动物的驱赶效果越好。
基于此特征,对于任意一个时间间隔,将水平方向图结构中发声装置对应的节点的影响力表征值与垂直方向图结构中相同发声装置对应的节点的影响力表征值之间的比值作为发声装置对应的节点的全局影响值;计算发声装置在所有时间间隔下的图结构中对应的节点的全局影响值的均值的归一化值得到发声装置的影响系数。
其中,全局影响值表征了在一个时间间隔下两个不同方向下的图结构中发声装置的影响力强度,进而结合一定时间段内多个时间间隔的影响力强度获得影响系数,当发声装置在水平方向的影响力强度越大,对应的全局影响值的取值越大,进而影响系数的取值越大。
当发声装置的影响系数大于预设的影响阈值时,增加该发声装置的数量。在本实施例中,影响阈值的取值为0.8,由于发声装置的影响系数的取值为归一化的数值,故影响阈值的取值范围为(0,1),当影响阈值的取值越接近于0时,说明对发声装置的影响强度进行判断的标准越宽松,当影响阈值的取值越接近于1时,说明对发声装置的影响强度进行判断的标准越严格。
当发声装置的影响系数大于影响阈值时,说明发声装置影响动物的强度越大,进而利用该发声装置对江豚进行驱赶的效果越好,因此可以增加该发声装置的数量。同时,也可以将其他该发声装置的频率设置为与所述该发声装置的频率相等的数值,来增强驱赶效果。
综上所述,通过在发声装置进行驱赶的过程中,如果某些动物的运动过程相较于某个发声装置而言,变化一致性较大,说明该发声装置对这些动物的影响较为一致,如果被影响的这些动物的数量较多,且朝着水平方向的运动相较于竖直方向的运动幅度较大,则该发声装置的驱赶效果较好,进而可以通过增加该频率的装置数量或者调高音量来提高对动物的驱赶效果。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,该方法包括以下步骤:
在不同深度下不同频率下获取每个发声装置的位置信息以及每个动物在每个时刻的位置信息;将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构;
对每个图结构中每个节点在不同邻域范围下进行聚合,获得每个图结构中每个节点在每个邻域范围下的聚合数据;分别对每个图结构中每个邻域范围下每个节点的聚合数据进行聚类获得每个图结构中每个节点在每个邻域范围下的聚类结果;
在每个图结构中根据每个发声装置对应的节点在预设的标准邻域范围与其他邻域范围下聚类结果中所在类别的节点相似情况以及距离分布情况、发声装置节点在标准邻域范围下的聚类结果中的类别分布情况,得到每个图结构中每个发声装置对应的节点的影响力表征值;
根据所述影响力表征值对对应的发声装置进行调整,确定声驱网监测驱赶方法。
2.根据权利要求1所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述将发声装置和动物分别作为节点,根据两个节点在相邻两个时刻的时间间隔内之间的距离分布以及相对移动距离确定节点之间的边值,构建每个时间间隔对应的图结构,具体包括:
将任意一个时刻记为第一时刻,将与第一时刻相邻的时刻记为第二时刻,在第一时刻和第二时刻之间的时间间隔下,将任意一个发声装置对应的节点记为第一节点,将任意一个一个动物对应的节点记为第二节点;
对于第一节点与第二节点,获取第二节点在第一时刻与第二时刻的水平方向的坐标值之间的差值绝对值记为第一系数;将在第一时刻下第一节点与第二节点之间的欧氏距离记为第一距离,将在第二时刻下第一节点与第二节点之间的欧氏距离记为第二距离,计算第一距离与第二距离的均值得到第二系数;将所述第一系数和第二系数的比值作为第一节点与第二节点的水平边值;基于所述水平边值构建当前时间间隔对应的水平方向图结构;
获取第二节点在第一时刻与第二时刻的垂直方向的坐标值之间的差值绝对值记为第三系数;将第三系数与第二系数的比值作为第一节点与第二节点的垂直边值;基于所述垂直边值构建当前时间间隔对应的垂直方向图结构;
图结构包括所述水平方向图结构和垂直方向图结构。
3.根据权利要求1所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述每个图结构中每个发声装置对应的节点的影响力表征值的获取方法具体为:
对于任意一个图结构的任意一个发声装置对应的节点,将最大的邻域范围作为预设的标准邻域范围,将标准邻域范围下的聚类结果中的类别记为标准类别;
根据节点的标准邻域范围下的聚类结果与其他邻域范围下的聚类结果之间类别的重复分布情况,得到每个标准类别的对照类别;
根据每个标准类别中每个节点在对照类别中出现的情况,对每个标准类别中每个节点进行筛选获得每个标准类别中的第一特征节点;
根据每个标准类别中每两个第一特征节点在对照类别中出现的情况之间的相似性,对第一特征节点进行筛选,获得每个标准类别中的第二特征节点;
根据发声装置对应的节点在每个标准类别中的第二特征节点之间的分布相似情况和数量、发声装置对应的节点与每个标准类别中的第二特征节点之间的距离,得到发声装置对应的节点的影响力表征值。
4.根据权利要求3所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述根据节点的标准邻域范围下的聚类结果与其他邻域范围下的聚类结果之间类别的重复分布情况,得到每个标准类别的对照类别,具体包括:
将除了节点的标准邻域范围之外的其他邻域范围记为参考邻域范围,将节点的标准邻域范围下聚类结果中任意一个标准类别记为目标标准类别;
对于任意一个参考邻域范围,计算目标标准类别与参考邻域范围内每个类别之间相同节点的数量的归一化值得到参考邻域范围内每个类别的交并比,将所有类别的交并比的最大值对应的类别作为目标标准类别在参考邻域范围内的对照类别。
5.根据权利要求4所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述根据每个标准类别中每个节点在对照类别中出现的情况,对每个标准类别中每个节点进行筛选获得每个标准类别中的第一特征节点,具体包括:
将目标标准类别中任意一个节点记为选定节点,计算选定节点在目标标准节点类别的每个对照类别中出现的次数的归一化值得到选定节点的类别归属度;
若选定节点的类别归属度大于预设的归属阈值,则将选定节点记为目标标准类别的第一特征节点。
6.根据权利要求5所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述根据每个标准类别中每两个第一特征节点在对照类别中出现的情况之间的相似性,对第一特征节点进行筛选,获得每个标准类别中的第二特征节点,具体包括:
对于任意一个第一特征节点,获取第一特征节点在目标标准类别的所有对照类别中出现过的类别对应的邻域范围构成第一特征节点的出现邻域序列;
计算每两个第一特征节点的出现邻域序列之间的DTW距离的负相关归一化值得到每两个第一特征节点的关联程度;将关联程度大于预设的关联阈值对应的第一特征节点记为第二特征节点。
7.根据权利要求6所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述根据发声装置对应的节点在每个标准类别中的第二特征节点之间的分布相似情况和数量、发声装置对应的节点与每个标准类别中的第二特征节点之间的距离,得到发声装置对应的节点的影响力表征值,具体包括:
对于任意一个第二特征节点,计算发声装置对应的节点在目标标准类别中的第二特征节点与其他第二特征节点之间的关联程度的均值得到第一特征系数;
将发声装置对应的节点在目标标准类别中的第二特征节点的数量作为第二特征系数,将发声装置对应的节点与目标标准类别中的第二特征节点之间的欧氏距离的均值作为第三特征系数;计算第一特征系数、第二特征系数和第三特征系数的乘积作为目标标准类别中第二特征节点的受影响参数;
计算发声装置对应的节点在所有标准类别中第二特征点的受影响参数的累加和得到发声装置对应的节点的影响力表征值。
8.根据权利要求2所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述根据所述影响力表征值对对应的发声装置进行调整,具体包括:
对于任意一个时间间隔,将水平方向图结构中发声装置对应的节点的影响力表征值与垂直方向图结构中相同发声装置对应的节点的影响力表征值之间的比值作为发声装置对应的节点的全局影响值;
计算发声装置在所有时间间隔下的图结构中对应的节点的全局影响值的均值的归一化值得到发声装置的影响系数;
当发声装置的影响系数大于预设的影响阈值时,增加该发声装置的数量。
9.根据权利要求1所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述对每个图结构中每个节点在不同邻域范围下进行聚合,获得每个图结构中每个节点在每个邻域范围下的聚合数据,具体包括:
对于任意一个图结构中任意一个节点,将节点的预设数量个邻域范围记为节点的邻域范围集合,对每个图结构中的每个节点采用图嵌入的方法获取每个节点在邻域范围集合中不同邻域范围下的聚合数据。
10.根据权利要求1所述的一种基于多源发声器的声驱网智能监测驱赶方法,其特征在于,所述图结构中发声装置对应的节点与发声装置对应的节点之间不存在边的连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410345763.3A CN117941673B (zh) | 2024-03-26 | 2024-03-26 | 基于多源发声器的声驱网智能监测驱赶方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410345763.3A CN117941673B (zh) | 2024-03-26 | 2024-03-26 | 基于多源发声器的声驱网智能监测驱赶方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117941673A true CN117941673A (zh) | 2024-04-30 |
CN117941673B CN117941673B (zh) | 2024-06-14 |
Family
ID=90798198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410345763.3A Active CN117941673B (zh) | 2024-03-26 | 2024-03-26 | 基于多源发声器的声驱网智能监测驱赶方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117941673B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4955005A (en) * | 1988-10-05 | 1990-09-04 | Loeffelman Paul H | Underwater acoustic animal guidance system |
US5610876A (en) * | 1993-06-22 | 1997-03-11 | Airmar Technology Corporation | Acoustic deterrent system and method |
CN101874482A (zh) * | 2009-11-13 | 2010-11-03 | 清华大学 | 一种农作物危害动物的声防系统结构 |
KR101041169B1 (ko) * | 2011-02-11 | 2011-06-15 | (주)대지이엔지 | 해저지형정보에 대한 지리정보데이터 수집시스템 |
DE102011109955A1 (de) * | 2011-08-11 | 2013-02-14 | Boris Culik | Vorrichtung zum Schutz von Zahnwalen vor lebensbedrohlichen, gesundheitsschädlichen und/oder -beeinträchtigenden Gegenständen |
CN103719070A (zh) * | 2012-10-13 | 2014-04-16 | 陕西杰创科技有限公司 | 一种麦田中驱赶麻雀智能系统 |
CN105263149A (zh) * | 2015-09-29 | 2016-01-20 | 上海交通大学 | 移动无线传感器网络中节点自适应分布式重聚类方法 |
CN205321006U (zh) * | 2016-01-29 | 2016-06-22 | 王剑 | 海洋生物生态引导系统 |
KR20180001429A (ko) * | 2016-06-24 | 2018-01-04 | 한국산업기술대학교산학협력단 | 음원 탐지 및 IoT 기술을 적용한 유해 조수 퇴치 시스템 |
KR20180029636A (ko) * | 2016-09-13 | 2018-03-21 | 유한회사 엠지유 | 감지된 소리의 방향으로 회전되는 초지향성 스피커를 구비한 유해동물 퇴치기 및 방법 |
CN109392890A (zh) * | 2018-10-08 | 2019-03-01 | 中国科学院水生生物研究所 | 一种施工水域长江江豚声驱赶保护装置及方法 |
CN111245920A (zh) * | 2020-01-08 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种海洋牧场监测系统 |
WO2021082792A1 (zh) * | 2019-10-28 | 2021-05-06 | 西北工业大学宁波研究院 | 一种海洋声学牧场养殖方法 |
KR20210129493A (ko) * | 2020-04-20 | 2021-10-28 | (주)아이티 | 농작물의 피해 방지를 위한 추적형 야생동물 퇴치장치 |
CN113678797A (zh) * | 2021-08-26 | 2021-11-23 | 厦门大学 | 一种渔业作业海域宽频声信号海豚声学驱离方法及其系统 |
US20220041255A1 (en) * | 2020-06-01 | 2022-02-10 | Chuan Qin | Layered data acquisition system applied to marine information network and method thereof |
KR102552817B1 (ko) * | 2022-05-19 | 2023-07-10 | 미소에이스 주식회사 | 인공지능 기술을 적용한 친환경 조류접근 제어시스템 |
CN116491493A (zh) * | 2023-03-09 | 2023-07-28 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路的驱鸟装置、驱鸟方法、系统及服务器 |
CN116567867A (zh) * | 2023-05-23 | 2023-08-08 | 北京交通大学 | 基于位置和速度预测信息的fanet组网方法及系统 |
CN117434537A (zh) * | 2023-12-20 | 2024-01-23 | 江苏河海环境科学研究院有限公司 | 鱼群分层捕捞用声呐分层探测驱赶装置 |
CN117496999A (zh) * | 2023-11-01 | 2024-02-02 | 中国水产科学研究院东海水产研究所 | 一种全海区海洋哺乳动物驱离方法 |
WO2024026519A1 (de) * | 2022-08-03 | 2024-02-08 | Jk Sus Gmbh | Ultraschallemissionsgerät zur abschreckung von lebewesen |
-
2024
- 2024-03-26 CN CN202410345763.3A patent/CN117941673B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4955005A (en) * | 1988-10-05 | 1990-09-04 | Loeffelman Paul H | Underwater acoustic animal guidance system |
US5610876A (en) * | 1993-06-22 | 1997-03-11 | Airmar Technology Corporation | Acoustic deterrent system and method |
CN101874482A (zh) * | 2009-11-13 | 2010-11-03 | 清华大学 | 一种农作物危害动物的声防系统结构 |
KR101041169B1 (ko) * | 2011-02-11 | 2011-06-15 | (주)대지이엔지 | 해저지형정보에 대한 지리정보데이터 수집시스템 |
DE102011109955A1 (de) * | 2011-08-11 | 2013-02-14 | Boris Culik | Vorrichtung zum Schutz von Zahnwalen vor lebensbedrohlichen, gesundheitsschädlichen und/oder -beeinträchtigenden Gegenständen |
CN103719070A (zh) * | 2012-10-13 | 2014-04-16 | 陕西杰创科技有限公司 | 一种麦田中驱赶麻雀智能系统 |
CN105263149A (zh) * | 2015-09-29 | 2016-01-20 | 上海交通大学 | 移动无线传感器网络中节点自适应分布式重聚类方法 |
CN205321006U (zh) * | 2016-01-29 | 2016-06-22 | 王剑 | 海洋生物生态引导系统 |
KR20180001429A (ko) * | 2016-06-24 | 2018-01-04 | 한국산업기술대학교산학협력단 | 음원 탐지 및 IoT 기술을 적용한 유해 조수 퇴치 시스템 |
KR20180029636A (ko) * | 2016-09-13 | 2018-03-21 | 유한회사 엠지유 | 감지된 소리의 방향으로 회전되는 초지향성 스피커를 구비한 유해동물 퇴치기 및 방법 |
CN109392890A (zh) * | 2018-10-08 | 2019-03-01 | 中国科学院水生生物研究所 | 一种施工水域长江江豚声驱赶保护装置及方法 |
WO2021082792A1 (zh) * | 2019-10-28 | 2021-05-06 | 西北工业大学宁波研究院 | 一种海洋声学牧场养殖方法 |
CN111245920A (zh) * | 2020-01-08 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种海洋牧场监测系统 |
KR20210129493A (ko) * | 2020-04-20 | 2021-10-28 | (주)아이티 | 농작물의 피해 방지를 위한 추적형 야생동물 퇴치장치 |
US20220041255A1 (en) * | 2020-06-01 | 2022-02-10 | Chuan Qin | Layered data acquisition system applied to marine information network and method thereof |
CN113678797A (zh) * | 2021-08-26 | 2021-11-23 | 厦门大学 | 一种渔业作业海域宽频声信号海豚声学驱离方法及其系统 |
KR102552817B1 (ko) * | 2022-05-19 | 2023-07-10 | 미소에이스 주식회사 | 인공지능 기술을 적용한 친환경 조류접근 제어시스템 |
WO2024026519A1 (de) * | 2022-08-03 | 2024-02-08 | Jk Sus Gmbh | Ultraschallemissionsgerät zur abschreckung von lebewesen |
CN116491493A (zh) * | 2023-03-09 | 2023-07-28 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路的驱鸟装置、驱鸟方法、系统及服务器 |
CN116567867A (zh) * | 2023-05-23 | 2023-08-08 | 北京交通大学 | 基于位置和速度预测信息的fanet组网方法及系统 |
CN117496999A (zh) * | 2023-11-01 | 2024-02-02 | 中国水产科学研究院东海水产研究所 | 一种全海区海洋哺乳动物驱离方法 |
CN117434537A (zh) * | 2023-12-20 | 2024-01-23 | 江苏河海环境科学研究院有限公司 | 鱼群分层捕捞用声呐分层探测驱赶装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117941673B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
RU2393544C2 (ru) | Способ и устройство для обнаружения пламени | |
CN106658590A (zh) | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 | |
Ngatchou et al. | Distributed sensor placement with sequential particle swarm optimization | |
CN111709299B (zh) | 一种基于加权支持向量机的水声目标识别方法 | |
Da Silva et al. | Image complexity measure based on visual attention | |
CN110458038A (zh) | 基于双链深度双流网络的小数据跨域动作识别方法 | |
Mottier et al. | Deinterleaving and clustering unknown radar pulses | |
CN112507621A (zh) | 一种基于标签传播的雷达干扰半监督识别方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN117941673B (zh) | 基于多源发声器的声驱网智能监测驱赶方法 | |
Panchanathan et al. | Smart stadium for smarter living: Enriching the fan experience | |
CN113518425A (zh) | 设备定位方法及系统 | |
Baniani et al. | Hybrid PSO and genetic algorithm for multilevel maximum entropy criterion threshold selection | |
Mousavirad et al. | Entropy based optimal multilevel thresholding using cuckoo optimization algorithm | |
CN108828524B (zh) | 基于Delaunay三角剖分的粒子滤波声源跟踪定位方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
CN110515065A (zh) | 一种辐射噪声线谱源深度辨识方法 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
CN111639595B (zh) | 基于权重不可知神经网络的无人机微动特征信号检测方法 | |
RU2450356C2 (ru) | Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам | |
CN113341379A (zh) | 基于自适应阈值和迭代控制的雷达信号分选方法 | |
CN117853875B (zh) | 一种细粒度图像识别方法及系统 | |
Chen et al. | Multilevel thresholding selection based on the fireworks algorithm for image segmentation | |
Mahajan et al. | Image contrast enhancement using Gaussian Mixture model and genetic algorithm |
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 |