CN109782261A - 对水下入侵目标引起接收信号变化的无监督学习检测方法 - Google Patents
对水下入侵目标引起接收信号变化的无监督学习检测方法 Download PDFInfo
- Publication number
- CN109782261A CN109782261A CN201811606471.1A CN201811606471A CN109782261A CN 109782261 A CN109782261 A CN 109782261A CN 201811606471 A CN201811606471 A CN 201811606471A CN 109782261 A CN109782261 A CN 109782261A
- Authority
- CN
- China
- Prior art keywords
- pulse
- data
- signal
- node
- forward scattering
- 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
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种对水下入侵目标引起接收信号变化的无监督学***均经过的节点数,计算测试脉冲数据的异常得分,判断是否存在前向散射信号引起的接收信号异常变化;本发明采用无监督学习算法,实现了对水下入侵目标前向散射导致的微弱接收信号异常进行检测,在减弱时变环境影响的同时充分利用各种已知信息,实现较好的检测性能;相比现有方法,本发明可以实现对前向散射信号的实时检测,且比采用常规iForest方法对目标前向散射引起的声场变化检测的效果更加显著。
Description
技术领域
本发明涉及一种引起接收信号变化的检测方法。
背景技术
水下入侵物体穿过接收器与发射器之间的连线时,将会产生前向散射信号。前向散射信号与直达波干涉,从而导致接收信号产生异常变化,对该变化的检测可以实现对入侵目标的预警。但是在远程时前向散射信号比直达波弱20dB以上,使得接收信号的异常变化极其微弱,难以直接对这种微弱变化进行检测。
目前采用的检测方法主要是通过比较有无目标时声场响应之间的差异,比如主分量分析方法,利用多次接收脉冲信号数据矩阵的主分量提取,实现对直达波的抑制,从而提高声场变化的差异。自适应相消方法利用不同接收脉冲之间的信道自适应相消残差,作为目标引起的声场变化指示。或者利用声场时反聚焦特性的变化,作为目标入侵指示。
该类传统方法的问题在于,在信号和直达波强度相比非常微弱时,为了提高检测效果,往往需要对多个脉冲信号同时进行处理后判断,实时性较差。为了解决这一问题,尽管一些机器学习方法在检测中已经开始使用,但是在直达波强干扰情况下,声场变化指标不甚显著。
鉴于现有方法在前向散射检测中的缺点,有必要研究一种基于无监督的学习的检测方法,用以对目标进行显著的实时检测。
发明内容
为了克服现有技术的不足,本发明提供一种对接收信号实时处理的方法,用于检测由水下入侵目标穿过收发连线时前向散射导致的接收信号变异。本发明为一种用于对前向散射进行检测的方法,由发射端周期性发射单频脉冲信号,在远处布置的接收端上通过对接收信号进行实时处理,实现对目标穿过收发连线时的接收信号变异检测。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:接收数据的预处理;
接收数据矩阵X由多个接收脉冲信号组成,表示如下:
X(t)=[x1(t),x2(t),…,xi(t),…xN(t)]
其中xi(t)为第i个脉冲信号,N为脉冲个数,t为相对时间,预处理具体过程为:
1)对接收数据矩阵X进行希尔伯特变换,得到脉冲包络矩阵H,具体变换过程为:
H(t)=[h1(t),…,hi(t),…hN(t)]
2)将脉冲包络以信号功率归一化,得到归一化脉冲包络矩阵
其中M为相对时间t的点数;
3)对归一化脉冲包络矩阵进行离散傅里叶变换(DFT),得到脉冲包络频谱频谱分辨率不低于1%接收信号带宽:
步骤二:预先准备包含NR个接收脉冲信号的接收数据矩阵XR,按照步骤一中预处理方法进行处理后,得到作为训练数据建立孤立森林;具体过程如下:
使用训练数据建立孤立森林,孤立森林由k棵二叉树组成数,其中每颗二叉树的建立方法如下:
1)从训练数据中随机抽取n个接收脉冲信号作为建立该二叉树的子数据集其中n取NR的10%~100%;
2)建立一个根节点,在该根节点上随机选取第p个频率点,并随机选取一个幅值门限q,该幅值门限q在的最大值与最小值之间;
3)在根节点对训练数据进行划分:子数据集中的各个脉冲数据进行如下判断:如果满足则脉冲数据流向该节点的左子节点;不满足则脉冲数据流向该节点的右子节点;
4)子节点的建立方法与根节点一致,当子数据集的每一条脉冲数据都不能再划分,即所有脉冲数据都到达一个只含有自己的节点,或到达一个只含有与自己完全相同的脉冲数据的节点时,二叉树建立完成;
步骤三:将需要进行测试的数据按照步骤一中预处理方法进行处理作为训练数据,训练数据从根节点依次通过步骤二中建立的二叉树,统计测试数据平均经过的节点数计算测试脉冲数据的异常得分si,判断是否存在前向散射信号引起的接收信号异常变化;
第i个脉冲的异常得分si的计算方法如下:
其中H(i)=ln(i)+ξ,ξ≈0.5772156649;
对异常得分si进行修正,用Ai表示接收脉冲信号xi(t)的最大幅值,定义幅度变化量ΔA为:
其中Ei(A)表示第i个接收脉冲信号时刻时的平均最大幅值,由当前时刻之前m个接收脉冲的最大幅值进行估计:
采用幅度变化量ΔA对异常得分si进行修正:
s′i=(|ΔA-1|+1)·si
得到修正后的异常得分s′i,在0.3~0.7之间选取门限值,若的异常得分s′i大于门限值,则第i个脉冲信号中存在前向散射信号引起的接收信号异常,检测完成。
本发明选取训练数据矩阵XR,脉冲个数N≥50,训练数据中应有0%~50%的脉冲存在由前向散射信号引起的接收信号异常。
本发明的有益效果在于由于采用无监督学习算法,实现了对水下入侵目标前向散射导致的微弱接收信号异常进行检测,在减弱时变环境影响的同时充分利用各种已知信息,实现较好的检测性能;相比现有方法,该方法可以实现对前向散射信号的实时检测,且比采用常规iForest方法对目标前向散射引起的声场变化检测的效果更加显著。
附图说明
图1是本发明目标前向散射探测示意图。
图2是本发明接收脉冲信号的包络图。
图3是本发明训练数据。
图4是本发明前向散射信号检测方法处理流程图。
图5是本发明测试数据的异常得分。
图6是本发明一组强度变化微弱的接收脉冲信号的包络图。
图7是本发明一组强度变化微弱的测试数据的异常得分图。
图8是本发明测试数据不同信噪比下常规iForest方法检测结果的曲线下面积示意图。
图9是本发明测试数据不同信噪比下本文提出方法检测结果的曲线下面积示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤一:接收数据的预处理;
接收数据矩阵X由多个接收脉冲信号组成,表示如下:
X(t)=[x1(t),x2(t),…,xi(t),…,xN(t)]
其中xi(t)为第i个脉冲信号,N为脉冲个数,t为相对时间,预处理具体过程为:
1)对接收数据矩阵X进行希尔伯特变换,得到脉冲包络矩阵H,具体变换过程为:
H(t)=[h1(t),…,hi(t),…hN(t)]
2)将脉冲包络以信号功率归一化,得到归一化脉冲包络矩阵
其中M为相对时间t的点数;
3)对归一化脉冲包络矩阵进行离散傅里叶变换(DFT),得到脉冲包络频谱频谱分辨率不低于1%接收信号带宽:
步骤二:预先准备包含NR个接收脉冲信号的接收数据矩阵XR,按照步骤一中预处理方法进行处理后,得到作为训练数据建立孤立森林;具体过程如下:
使用训练数据建立孤立森林,孤立森林由k棵二叉树组成数,其中每颗二叉树的建立方法如下:
1)从训练数据中随机抽取n个接收脉冲信号作为建立该二叉树的子数据集其中n取NR的10%~100%;
2)建立一个根节点,在该根节点上随机选取第p个频率点,并随机选取一个幅值门限q,该幅值门限q在的最大值与最小值之间;
3)在根节点对训练数据进行划分:子数据集中的各个脉冲数据进行如下判断:如果满足则脉冲数据流向该节点的左子节点;不满足则脉冲数据流向该节点的右子节点;
4)子节点的建立方法与根节点一致,当子数据集的每一条脉冲数据都不能再划分,即所有脉冲数据都到达一个只含有自己的节点,或到达一个只含有与自己完全相同的脉冲数据的节点时,二叉树建立完成;
步骤三:将需要进行测试的数据按照步骤一中预处理方法进行处理作为训练数据,训练数据从根节点依次通过步骤二中建立的二叉树,统计测试数据平均经过的节点数计算测试脉冲数据的异常得分si,判断是否存在前向散射信号引起的接收信号异常变化;
第i个脉冲的异常得分si的计算方法如下:
其中H(i)=ln(i)+ξ,ξ≈0.5772156649;
对异常得分si进行修正,用Ai表示接收脉冲信号xi(t)的最大幅值,定义幅度变化量ΔA为:
其中Ei(A)表示第i个接收脉冲信号时刻时的平均最大幅值,由当前时刻之前m个(本发明中m≥50)接收脉冲的最大幅值进行估计:
采用幅度变化量ΔA对异常得分si进行修正:
s′i=(|ΔA-1|+1)·si
得到修正后的异常得分s′i,在0.3~0.7之间选取门限值,若的异常得分s′i大于门限值,则第i个脉冲信号中存在前向散射信号引起的接收信号异常,检测完成。
本发明选取训练数据矩阵XR,脉冲个数N≥50,训练数据中应有0%~50%的脉冲存在由前向散射信号引起的接收信号异常。
假设在浅海环境中,水深40m,入侵物为两面覆盖铝板的泡沫塑料板,尺寸大小为6m×2m×0.05m。声源和接受点距离为1100m,声源深度为10m。接收阵列为13个0.25m等间距水听器垂直布放组成的阵列,阵列中心深度为10m,实验示意图如图1所示。发射信号频率为10kHz,信号长度为0.5ms,发射间隔为0.5s的脉冲信号。接收数据为指向水平方向的波束输出,脉冲个数N=414个,数据长度M=351,信号采样率为223kHz,如图2所示。信号检测流程如图4所示:首先对脉冲信号X进行预处理,xi(t)为第i个脉冲信号,t为相对时间,表示为:
X(t)=[x1(t) x2(t) ... x441(t)]
(1)先对脉冲信号X做希尔伯特变换得到脉冲包络矩阵H:
H(t)=[h1(t) h2(t) ... h441(t)]
(2)再对脉冲包络进行归一化处理得到归一化脉冲包络矩阵
(3)再对归一化脉冲包络做离散傅里叶变换(DFT),得到脉冲包络频谱
经过预处理的数据如图3所示。
(4)处理过的脉冲信号X作为训练数据建立孤立森林机器学习方法,设置二叉树数量为100,二叉树的采样数256,二叉树的选取的特征数n=1。使用训练数据对孤立森林方法进行训练。对训练数据进行二叉划分,建立200颗二叉树。
(5)对该实验接收数据叠加噪声高斯白噪声(相对于前向散射信号,信噪比为10dB,且白噪声带宽和接收脉冲信号的带宽一致)经过上述预处理作为测试数据,根据已训练的孤立森林机器学习方法对数据空间的划分情况,对测试数据进行异常评分得到评分S:
S=[s1 s2 ... s441]
(6)对异常得分进行修正:
si′=1+(|ΔA-1|)·si
S′=[s1′ s2′ ... s441′]
以0.55为检测门限,得分si'>0.55的第i个脉冲即包含前向散射信号,从而实现对前向散射信号的检测。
(7)实验结果:图2所示的实验接收数据中运行时间110s~135s可以看到由前向散射信号引起的微弱畸变,强度变化小于3dB。叠加了噪声的测试数据进行500次重复实验,得到的平均异常得分如图5所示,可以看到前向散射信号引起的微弱畸变时脉冲的异常得分和其他时刻脉冲的异常得分有明显的差距。
进一步对于另一组强度变化更为微弱的实验接收信号(图6所示),强度变化约1dB,同样叠加噪声高斯白噪声(相对于前向散射信号,信噪比为10dB,且白噪声带宽和接收脉冲信号的带宽一致)经过预处理作为测试数据进行500次重复实验,得到的平均异常得分如图7所示。尽管前向散射信号引起的微弱畸变时脉冲的异常得分和其他时刻脉冲的异常得分差距相对图5有所缩小,但适当的选取门限,依然能够实现对前向散射信号的检测。
两种情况下都可以看到在本文提出的方法中由前向散射信号引起畸变的脉冲信号所取得的异常得分与其他时刻脉冲所取得的异常得分有更加显著的差距,效果要好于常规iForest方法。采用受试者工作特征曲线的曲线下面积(AUC)对图2和图6两种信号的检测性能进行分析,对于测试数据在不同信噪比(SNR)下采用常规iForest方法得到的检测结果的AUC如图8所示,采用本文提出方法的检测结果的AUC如图9所示。AUC越接近1表明检测性能越好,可以看到本文提出方法的检测性能相对常规iForest方法有较大的提升。
本发明在实践应用中取得了明显的效果,与现有方法相比较优越性体现在:
1)本方法在克服时变环境的影响同时充分利用接收端获取的信息,取得了较高的检测性能。
2)本方法借助训练数据实现对数据空间的划分,划分一旦完成即可根据新数据在数据空间的位置来进行判断,因此该方法在经过训练后可以实现对水下入侵目标引起接收信号变化进行实时检测。
3)检测数据可以再作为训练数据完善对数据空间的划分,提高方法的稳健性。
4)与常规的iForest方法相比,本发明提出的方法对水下入侵目标引起接收信号变化的检测性能有较大的提高。
Claims (2)
1.一种对水下入侵目标引起接收信号变化的无监督学习检测方法,其特征在于包括下述步骤:
步骤一:接收数据的预处理;
接收数据矩阵X由多个接收脉冲信号组成,表示如下:
X(t)=[x1(t),x2(t),…,xi(t),…xN(t)]
其中xi(t)为第i个脉冲信号,N为脉冲个数,t为相对时间,预处理具体过程为:
1)对接收数据矩阵X进行希尔伯特变换,得到脉冲包络矩阵H,具体变换过程为:
H(t)=[h1(t),…,hi(t),…hN(t)]
2)将脉冲包络以信号功率归一化,得到归一化脉冲包络矩阵
其中M为相对时间t的点数;
3)对归一化脉冲包络矩阵进行离散傅里叶变换(DFT),得到脉冲包络频谱频谱分辨率不低于1%接收信号带宽:
步骤二:预先准备包含NR个接收脉冲信号的接收数据矩阵XR,按照步骤一中预处理方法进行处理后,得到作为训练数据建立孤立森林;具体过程如下:
使用训练数据建立孤立森林,孤立森林由k棵二叉树组成数,其中每颗二叉树的建立方法如下:
1)从训练数据中随机抽取n个接收脉冲信号作为建立该二叉树的子数据集其中n取NR的10%~100%;
2)建立一个根节点,在该根节点上随机选取第p个频率点,并随机选取一个幅值门限q,该幅值门限q在的最大值与最小值之间;
3)在根节点对训练数据进行划分:子数据集中的各个脉冲数据进行如下判断:如果满足则脉冲数据流向该节点的左子节点;不满足则脉冲数据流向该节点的右子节点;
4)子节点的建立方法与根节点一致,当子数据集的每一条脉冲数据都不能再划分,即所有脉冲数据都到达一个只含有自己的节点,或到达一个只含有与自己完全相同的脉冲数据的节点时,二叉树建立完成;
步骤三:将需要进行测试的数据按照步骤一中预处理方法进行处理作为训练数据,训练数据从根节点依次通过步骤二中建立的二叉树,统计测试数据平均经过的节点数计算测试脉冲数据的异常得分si,判断是否存在前向散射信号引起的接收信号异常变化;
第i个脉冲的异常得分si的计算方法如下:
其中H(i)=ln(i)+ξ,ξ≈0.5772156649;
对异常得分si进行修正,用Ai表示接收脉冲信号xi(t)的最大幅值,定义幅度变化量ΔA为:
其中Ei(A)表示第i个接收脉冲信号时刻时的平均最大幅值,由当前时刻之前m个接收脉冲的最大幅值进行估计:
采用幅度变化量ΔA对异常得分si进行修正:
s′i=(|ΔA-1|+1)·si
得到修正后的异常得分s′i,在0.3~0.7之间选取门限值,若的异常得分s′i大于门限值,则第i个脉冲信号中存在前向散射信号引起的接收信号异常,检测完成。
2.根据权利要求1所述的一种对水下入侵目标引起接收信号变化的无监督学习检测方法,其特征在于:
本发明选取训练数据矩阵XR,脉冲个数N≥50,训练数据中应有0%~50%的脉冲存在由前向散射信号引起的接收信号异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606471.1A CN109782261A (zh) | 2018-12-27 | 2018-12-27 | 对水下入侵目标引起接收信号变化的无监督学习检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606471.1A CN109782261A (zh) | 2018-12-27 | 2018-12-27 | 对水下入侵目标引起接收信号变化的无监督学习检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109782261A true CN109782261A (zh) | 2019-05-21 |
Family
ID=66497756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811606471.1A Pending CN109782261A (zh) | 2018-12-27 | 2018-12-27 | 对水下入侵目标引起接收信号变化的无监督学习检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782261A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243599A (zh) * | 2019-07-02 | 2019-09-17 | 西南交通大学 | 多维离群列车动车组轴箱轴承温度异常状态监测方法 |
CN110705635A (zh) * | 2019-09-29 | 2020-01-17 | 京东城市(北京)数字科技有限公司 | 用于生成隔离森林的方法和装置 |
CN111273303A (zh) * | 2020-03-16 | 2020-06-12 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN111983619A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于迁移学习的水声目标前向散射声扰动定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557925A (zh) * | 2013-10-17 | 2014-02-05 | 西北工业大学 | 水下目标gammatone离散小波系数听觉特征提取方法 |
CN104977579A (zh) * | 2015-07-03 | 2015-10-14 | 中国科学院声学研究所 | 一种基于随机协方差矩阵的多亮点目标空时检测方法 |
CN105277934A (zh) * | 2015-09-24 | 2016-01-27 | 哈尔滨工程大学 | 一种基于阵列的弱线谱目标被动检测方法 |
CN108107436A (zh) * | 2017-12-25 | 2018-06-01 | 西北工业大学 | 一种基于可靠声路径的水下目标主动分类与定位方法 |
US20180217257A1 (en) * | 2014-09-02 | 2018-08-02 | FLIR Belgium BVBA | Casting guidance systems and methods |
CN108387887A (zh) * | 2018-05-22 | 2018-08-10 | 西安邮电大学 | 一种水声信号的混合降噪方法 |
US20180329046A1 (en) * | 2017-05-09 | 2018-11-15 | Thornton Tomasetti, Inc. | System, device and method for in-water inspection of maritime vessel acoustic treatments |
-
2018
- 2018-12-27 CN CN201811606471.1A patent/CN109782261A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557925A (zh) * | 2013-10-17 | 2014-02-05 | 西北工业大学 | 水下目标gammatone离散小波系数听觉特征提取方法 |
US20180217257A1 (en) * | 2014-09-02 | 2018-08-02 | FLIR Belgium BVBA | Casting guidance systems and methods |
CN104977579A (zh) * | 2015-07-03 | 2015-10-14 | 中国科学院声学研究所 | 一种基于随机协方差矩阵的多亮点目标空时检测方法 |
CN105277934A (zh) * | 2015-09-24 | 2016-01-27 | 哈尔滨工程大学 | 一种基于阵列的弱线谱目标被动检测方法 |
US20180329046A1 (en) * | 2017-05-09 | 2018-11-15 | Thornton Tomasetti, Inc. | System, device and method for in-water inspection of maritime vessel acoustic treatments |
CN108107436A (zh) * | 2017-12-25 | 2018-06-01 | 西北工业大学 | 一种基于可靠声路径的水下目标主动分类与定位方法 |
CN108387887A (zh) * | 2018-05-22 | 2018-08-10 | 西安邮电大学 | 一种水声信号的混合降噪方法 |
Non-Patent Citations (2)
Title |
---|
LEI, BO: "《Forward scattering detection of a submerged moving target based on adaptive filtering technique 》", 《OURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA 》 * |
张遥: "《基于无监督机器学习的前向散射信号检测方法》", 《2018年全国声学大会论文集C水声工程和水声信号处理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243599A (zh) * | 2019-07-02 | 2019-09-17 | 西南交通大学 | 多维离群列车动车组轴箱轴承温度异常状态监测方法 |
CN110705635A (zh) * | 2019-09-29 | 2020-01-17 | 京东城市(北京)数字科技有限公司 | 用于生成隔离森林的方法和装置 |
CN110705635B (zh) * | 2019-09-29 | 2020-11-03 | 京东城市(北京)数字科技有限公司 | 用于生成隔离森林的方法和装置 |
CN111273303A (zh) * | 2020-03-16 | 2020-06-12 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN111273303B (zh) * | 2020-03-16 | 2022-08-05 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN111983619A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于迁移学习的水声目标前向散射声扰动定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782261A (zh) | 对水下入侵目标引起接收信号变化的无监督学习检测方法 | |
Frasier et al. | Automated classification of dolphin echolocation click types from the Gulf of Mexico | |
EP1938126B1 (en) | Sonar system and method providing low probability of impact on marine mammals | |
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN110658514B (zh) | 一种水下静态目标的分类识别方法 | |
CN109506767B (zh) | 一种对水下入侵目标引起声场异常的实时检测方法 | |
Garcia et al. | Temporal–spatial, spectral, and source level distributions of fin whale vocalizations in the Norwegian Sea observed with a coherent hydrophone array | |
CN112083393B (zh) | 基于谱图平均时间特征的间歇采样转发干扰识别方法 | |
Roch et al. | Compensating for the effects of site and equipment variation on delphinid species identification from their echolocation clicks | |
RU2711406C1 (ru) | Способ классификации гидроакустических сигналов шумоизлучения морских объектов | |
von Benda-Beckmann et al. | Detection of Blainville’s beaked whales with towed arrays | |
CN105574529A (zh) | 一种侧扫声纳目标检测方法 | |
CN111046025B (zh) | 无人机信号探测方法及装置 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
Houégnigan et al. | A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning | |
Jones et al. | Broadband classification and statistics of echoes from aggregations of fish measured by long-range, mid-frequency sonar | |
Murphy et al. | Classifying continuous active sonar echoes for target recognition | |
CN105708471B (zh) | 基于短时傅里叶变换的隔墙人体运动检测方法 | |
CN113687321A (zh) | 雷达目标探测距离评估方法和装置 | |
Rideout | A review of passive acoustic marine mammal call detection techniques | |
Bougher et al. | Generalized marine mammal detection based on improved band-limited processing | |
Sciacca et al. | Measuring Fin Whale Songs in a Noisy Environment | |
Sánchez-García et al. | An efficient statistics-based method for the automated detection of sperm whale clicks | |
CN105629227B (zh) | 基于连续小波变换的隔墙人体运动检测方法 | |
Shkury et al. | Robust automatic detector and feature extractor for dolphin whistles |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |