CN113030986B - 一种不同鲸类种群间隔离程度的确定方法及*** - Google Patents
一种不同鲸类种群间隔离程度的确定方法及*** Download PDFInfo
- Publication number
- CN113030986B CN113030986B CN202110254829.4A CN202110254829A CN113030986B CN 113030986 B CN113030986 B CN 113030986B CN 202110254829 A CN202110254829 A CN 202110254829A CN 113030986 B CN113030986 B CN 113030986B
- Authority
- CN
- China
- Prior art keywords
- population
- whale
- whale population
- ith
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/96—Sonar systems specially adapted for specific applications for locating fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/006—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
本发明涉及一种不同种群间隔离程度的确定方法及***。所述方法包括:根据第i个鲸类种群的声信号集合得到第i个鲸类种群中每个声信号的频谱;根据频谱得到各声信号的参数集合;以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,构建费希尔判别函数组;分别将第i个鲸类种群中各声信号的参数集合输入费希尔判别函数组得到第i个鲸类种群中心点坐标;根据第i个鲸类种群的中心点坐标和第q个鲸类种群的中心点坐标,计算两中心点之间的距离,并根据距离确定两鲸类种群的隔离程度。本发明在确定种群间的隔离程度时,不会对鲸类造成任何损伤,同时不受天气条件限制。
Description
技术领域
本发明涉及无损伤监测技术领域,特别是涉及一种鲸类种群间隔离程度的确定方法及***。
背景技术
鲸类除了具有重要的生态价值外,还有重要的仿生价值。在我国,所有鲸类的保护等级都至少是国家二级。大多数鲸类都生活在在淡水河流生态***和河口水域中,而这些水域的人类活动强度也是最高的,因此鲸类受到人类活动的干扰也是最严重的。研究清楚不同鲸类种群之间的种***流程度或种群隔离程度是我们对相应的鲸类物种开展有效的保护和制定有针对性的保护对策的前提。
传统的研究鲸类不同群体间的隔离程度的方法主要有照相识别技术、分子生物学技术和卫星追踪技术。通过照相识别的手段,可以识别具有明显特征的个体,然而由于不同研究者的精力是有限的,所获得的影像数据通常局限于某些特定水域,同时照相识别技术通常只能在天气好的条件下开展,受天气、地理位置和人员等因素的限制。遗传学和分子生物学方法可用于分析不同鲸类种群在不同水域间的隔离程度,但是这取决于能否顺利地收集到足够多且足够新鲜的动物样本(而在实际情况中,这是很难做到的)。采用卫星跟踪技术可以研究鲸类的迁移路线,但是捕捉鲸类进行卫星安装过程中存在极大的动物安全隐患,并且捕捉鲸类的数量也不可能很多,造成分析结果精确度低。另外,对于小型鲸类,安装卫星记录仪在动物身上可能会对动物产生一定的负面影响。所以寻找或研发一种对鲸类无损伤的技术来研究不同鲸类种群的隔离程度对鲸类开展保护就变得十分迫切。
发明内容
本发明的目的是提供一种鲸类种群间隔离程度的确定方法及***,在确定种群间的隔离程度时,不会对鲸类造成任何损伤,同时不受天气条件限制,在夜间以及雷雨等恶劣的条件仍然能够照样工作。
为实现上述目的,本发明提供了如下方案:
一种鲸类种群间隔离程度的确定方法,包括:
获取各鲸类种群的声信号集合,所述声信号集合包括多个声信号和所述声信号的获取年份;
根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量;
根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合,所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率;
以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数;
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标;
根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
可选的,所述分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标,具体为:
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第一费希尔判别函数得到所述第i个鲸类种群中各声信号的第一维度坐标;
根据所述第i个鲸类种群中各声信号的第一维度坐标计算所述第i个鲸类种群中所有声信号的第一维度坐标的平均值得到所述第i个鲸类种群中心点的第一维度坐标;
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第二费希尔判别函数得到所述第i个鲸类种群中各声信号的第二维度坐标;
根据所述第i个鲸类种群中各声信号的第二维度坐标计算所述第i个鲸类种群中所有声信号的第二维度坐标的平均值得到所述第i个鲸类种群中心点的第二维度坐标;
根据所述第i个鲸类种群中心点的第一维度坐标和所述第i个鲸类种群中心点的第二维度坐标得到所述第i个鲸类种群中心点坐标。
可选的,所述以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,具体为:
以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群;
根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群;
根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值;
若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组。
可选的,在所述以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,之前还包括:
获取各鲸类种群的参数集合;
根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为:F界值或概率值;
将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
可选的,在所述根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度之后还包括:
根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置和所有下降频带中第一个频谱点的位置;
对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型;
将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型、所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量;
若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著;
根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
可选的,所述根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群,具体为:
对于任意一个声信号,将所述声信号分别输入所有的贝叶斯判别函数得到函数值组;
将所述函数值组中最大函数值对应的贝叶斯判别函数对应的鲸类种群确定为所述声信号所属的归类鲸类种群。
一种不同种群间隔离程度的确定***,包括:
第一获取模块,用于获取各鲸类种群的声信号集合,所述声信号集合包括多个声信号和所述声信号的获取年份;
频谱确定模块,用于根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量;
参数集合确定模块,用于根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合,所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率;
费希尔判别函数组确定模块,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数;
中心点坐标确定模块,用于分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标;
隔离程度确定模块,用于根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
可选的,所述不同种群间隔离程度的确定***,还包括:
频带参数确定模块,根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置和所有下降频带中第一个频谱点的位置;
线型类型确定模块,用于对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型;
影响水平确定模块,用于将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型、所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量;
差异检验结果确定模块,用于若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著;
影响因素确定模块,用于根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
可选的,所述费希尔判别函数组确定模块包括:
贝叶斯判别函数组确定单元,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群;
鲸类种群确定单元,用于根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群;
Press Q值确定单元,用于根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值;
费希尔判别函数组确定单元,用于若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组。
可选的,所述鲸类种群间隔离程度的确定***,还包括:
第二获取模块,用于获取各鲸类种群的参数集合;
F检验的参数值确定模块,用于根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为F界值或概率值;
构建函数的参数集合确定模块,用于将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过获取鲸类种群的声信号,确定不同鲸类种群间的隔离程度,对相应的鲸类种群开展有效性、针对性的保护对策提供指导,对鲸类不会造成任何损伤,同时不受天气条件限制,在夜间以及雷雨等恶劣的条件仍然能够照样工作。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的不同种群间隔离程度的确定方法的流程图;
图2为本发明实施例提供的确定影响不同种群间隔离程度的因素的流程图;
图3为本发明实施例提供的确定声信号的线型类型流程图;
图4为本发明实施例提供的不同种群间隔离程度的确定***的结构框图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
鲸类在长期的进化过程中逐步完善了自己的声呐***,它们在水体中主要靠声呐信号来进行通讯和交流。相隔较远的鲸类种群通常会逐渐形成他们种群特异性的声音库,而对于那些地理间隔较近的种群,由于有个体之间的交换以及迁移,同时个体间存在声信号的学习和模仿,因此存在种***流的鲸类种群间的通讯信号的差异性相较于那些没用种***流的群体,其通讯信号的差异性较小。采用被动声学监测手段来记录不同鲸类种群的声呐信号,并通过后期的数据分析,研究不同鲸类种群通讯信号的差异性来探讨不同鲸类种群之间的隔离程度就变得可行。被动声学监测手段属于无损伤监测技术,采用被动声学监测手段记录鲸类的声呐信号,对鲸类不会造成任何损伤,同时被动声学监测手段不受天气条件限制,在夜间以及雷雨等恶劣的条件仍然能够工作。获得的有关鲸类不同种群间的隔离程度能够为更好的保护鲸类种群和制定有效的、有针对性的鲸类保护措施提供基础数据支撑。
本发明的目的在于提供一种无损伤的基于鲸类通讯信号的差异性来研究鲸类不同种群间的隔离程度的方法,如图1所示,所述方法,包括:
步骤101:获取各鲸类种群的声信号集合。所述声信号集合包括多个声信号和所述声信号的获取年份。
步骤102:根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量。
步骤103:根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合。所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率。
步骤104:以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数。
步骤105:分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标。
步骤106:根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
在实际应用中,当要求取的中心点在二维坐标系内时,步骤105具体包括。
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第一费希尔判别函数得到所述第i个鲸类种群中各声信号的第一维度坐标。
根据所述第i个鲸类种群中各声信号的第一维度坐标计算所述第i个鲸类种群中所有声信号的第一维度坐标的平均值得到所述第i个鲸类种群中心点的第一维度坐标。
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第二费希尔判别函数得到所述第i个鲸类种群中各声信号的第二维度坐标。
根据所述第i个鲸类种群中各声信号的第二维度坐标计算所述第i个鲸类种群中所有声信号的第二维度坐标的平均值得到所述第i个鲸类种群中心点的第二维度坐标。
根据所述第i个鲸类种群中心点的第一维度坐标和所述第i个鲸类种群中心点的第二维度坐标得到所述第i个鲸类种群中心点坐标。(其中当第一维度坐标为横坐标时,第二维度坐标为纵坐标,当第一维度坐标为纵坐标时,第二维度坐标为横坐标。)
在实际应用中,当要求取的中心点在三维坐标系内时,步骤105具体包括。
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第一费希尔判别函数得到所述第i个鲸类种群中各声信号在x轴的坐标。
根据所述第i个鲸类种群中各声信号在x轴的坐标计算所述第i个鲸类种群中所有声信号在x轴的坐标的平均值得到所述第i个鲸类种群中心点在x轴的坐标。
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第二费希尔判别函数得到所述第i个鲸类种群中各声信号在y轴的坐标。
根据所述第i个鲸类种群中各声信号在y轴的坐标计算所述第i个鲸类种群中所有声信号在y轴的坐标的平均值得到所述第i个鲸类种群中心点在y轴的坐标。
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第三费希尔判别函数得到所述第i个鲸类种群中各声信号在z轴的坐标。
根据所述第i个鲸类种群中各声信号在z轴的坐标计算所述第i个鲸类种群中所有声信号在z轴的坐标的平均值得到所述第i个鲸类种群中心点在z轴的坐标。
根据所述第i个鲸类种群中心点在x轴的坐标、所述第i个鲸类种群中心点在y轴的坐标和所述第i个鲸类种群中心点在z轴的坐标得到所述第i个鲸类种群中心点坐标。
在实际应用中,步骤104具体包括:
以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群。
根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群。
根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值。
若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组(当要求取的中心点在二维坐标系内时,根据声信号的第一维度坐标建立第一费希尔判别函数,根据声信号的第二维度坐标建立第二费希尔判别函数,当要求取的中心点在三维坐标系内时,根据声信号在x轴上的坐标建立第一费希尔判别函数,根据声信号在y轴上的坐标建立第二费希尔判别函数,根据声信号在z轴上的坐标建立第三费希尔判别函数)。
在实际应用中,在所述以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,之前还包括:
获取各鲸类种群的参数集合。
根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为:F界值或概率值。
将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
在实际应用中,在所述根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度之后还包括:
根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置(即首个频率递增频带的坐标)和所有下降频带中第一个频谱点的位置(即首个频率递减频带的坐标)。
对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型。
将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型、所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量。
若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2(Tamhane's T2)检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著。
根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
在实际应用中,所述根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群,具体为:
对于任意一个声信号,将所述声信号分别输入所有的贝叶斯判别函数得到函数值组。
将所述函数值组中最大函数值对应的贝叶斯判别函数对应的鲸类种群确定为所述声信号所属的归类鲸类种群。
如图2所示,本实施例还提供了一种更加具体的不同种群间隔离程度的确定方法:
步骤1:不同种群声信号的采集。通过采用无损伤的被动声学监测手段获得不同种群鲸类的声信号S(i,j,y(i,j)),i∈[1,N],j∈[1,M(i)],y(i,j)∈[K0,K1],其中S(i,j)代表第i个鲸类种群中的第j个声音信号,N代表鲸类群体总数,M(i)代表第i个群体记录到的信号的总数,y(i,j)代表第i个鲸类种群中的第j个声音信号的记录年份信息,K0代表信号记录的最小年份,K1代表信号记录的最大年份。鲸类通讯信号可以采用移动声学监测手段或者定点声学监测手段获得。
步骤2:声信号参数的测量。采用频谱分析软件,获得每个信号S(i,j,y(i,j))的频谱C(i,j),i∈[1,N],j∈[1,M(i)],以及每个频谱中的每个频谱点C(i,j,k),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],其中C(i,j,k)代表第i个鲸类种群中的第j个信号的频谱的第k个频谱点,其中K(i,j)代表第i个鲸类种群中的第j个信号的频谱C(i,j,k)的所有频谱点的总数。基于每个频谱点C(i,j,k),我们可以获得每个频谱点的时间参数和频率参数C(i,j,k,t(i,j,k),f(i,j,k)),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]。其中时间参数为t(i,j,k),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],频率参数为f(i,j,k),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]。基于每个频谱点C(i,j,k),还可以进一步获得每个频谱的开始频率f(i,j,1),i∈[1,N],j∈[1,M(i)],结束频率f(i,j,K(i,j)),i∈[1,N],j∈[1,M(i)]、最小频率min[f(i,j,k)],i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]、最大频率max[f(i,j,k)],i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]、频率变动范围max[f(i,j,k)]-min[f(i,j,k)],i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]、平均频率[max[f(i,j,k)]+min[f(i,j,k)]+f(i,j,1)+f(i,j,K(i,j))]/4i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]、信号0.25持续时间位点的频率f(i,j,0.25K(i,j)),i∈[1,N],j∈[1,M(i)]、信号0.5持续时间位点的频率f(i,j,0.5K(i,j)),i∈[1,N],j∈[1,M(i)]和信号0.75持续时间位点的频率f(i,j,0.75K(i,j)),i∈[1,N],j∈[1,M(i)]、每个频谱的持续时间t(i,j,K(i,j))-t(i,j,1),每个频谱的拐点总数P(i,j),断裂点数L(i,j)和梯级结构数St(i,j),其中p(i,j)代表第i个鲸类种群中的第j个信号的第p个拐点,由于拐点两侧的频谱的频率变化率从正值变为负值或者从负值变为正值,同时该节点两侧的频率变动范围都要大于500Hz。因此需要同时满足:
[f(i,j,kp(i,j)+1)-f(i,j,kp(i,j))]/[f(i,j,kp(i,j))-f(i,j,kp(i,j)-1)]<0
|f(i,j,p(i,j)+1)-f(i,j,p(i,j))|>500 p(i,j)∈[2,P(i,j)-1]
|f(i,j,p(i,j))-f(i,j,p(i,j)-1)|>500 p(i,j)∈[2,P(i,j)-1]
|f(i,j,p(i,j))-f(i,j,k)|>500 p(i,j)=1,k=1
|f(i,j,p(i,j))-f(i,j,k)|>500 p(i,j)=P(i,j),k=K(i,j)
其中kp(i,j)代表第i个鲸类种群中的第j个信号的拐点p(i,j)在频谱中的坐标位置为k。kp(i,j)+1代表频谱中的第k+1个点,f(i,j,kp(i,j))代表第i个鲸类种群中的第j个信号的频谱中坐标位置为k的频率,f(i,j,kp(i,j)+1)代表第i个鲸类种群中的第j个信号的频谱中坐标位置为k+1的频率,f(i,j,p(i,j))代表第i个鲸类种群中的第j个信号在第p个拐点的频率,f(i,j,p(i,j)+1)代表第i个鲸类种群中的第j个信号在第p+1个拐点的频率。l(i,j),l∈[0,L(i,j)]代表第i个鲸类种群中的第j个信号的第l个断裂点,同时满足t(i,j,kl(i,j)+1)-t(i,j,kl(i,j))>1/fs,其中L(i,j)代表第i个鲸类种群中的第j个信号所含有的断裂点的总数。kl(i,j)代表第i个鲸类种群中的第j个信号的断裂点l(i,j)在频谱中的坐标位点为k,kl(i,j)+1代表频谱中的第k+1个点,fs代表信号的采用率。s(i,j),s∈[0,S(i,j)]代表第i个鲸类种群中的第j个信号的第s个梯级结构点,梯级结构为频谱中频率骤变的区域,该处的频率变动范围要大于500Hz,即要同时满足t(i,j,ks(i,j)+1)-t(i,j,ks(i,j))<1/fs和f(i,j,ks(i,j)+1)-f(i,j,ks(i,j))>500其中S(i,j)代表第i个鲸类种群中的第j个信号所含有的梯级结构点的总数,ks(i,j)代表第i个鲸类种群中的第j个信号的梯级结构点s(i,j)坐标位点为k,ks(i,j)+1代表频谱中的第k+1个点,fs代表信号的采用率。
步骤3:信号类型分类。获得信号的频率参数后,进一步可以获得每个信号频谱的频率上升频带(频率变动的幅值不小于1000Hz)的总数和各个上升频带的开始坐标Nr(i,j,nr),nr∈[1,NR]和频谱的频率下降频带(频率变动的幅值不小于1000Hz)的总数和各个下降频带的开始坐标Nd(i,j,nd),nd∈[1,ND],其中NR代表第i个鲸类种群中的第j个信号的频谱中所有上升的频带的总数,ND代表第i个鲸类种群中的第j个信号的频谱中所有下降的频带的总数。对每个信号频谱,通过以下运算,获得每个信号频谱中上升的频带的数量和各频带的开始坐标,
f(i,j,p(i,j))-f(i,j,k)>1000 p(i,j)=1,k=1 f(i,j,k)(k=1)∈Nr(i,j,nr)
f(i,j,p(i,j)+1)-f(i,j,p(i,j))>1000 p(i,j)∈[1,P(i,j)-1] f(i,j,p(i,j))∈Nr(i,j,nr)
f(i,j,k)-f(i,j,p(i,j))>1000 k=M(i,j),p(i,j)=P(i,j) f(i,j,P(i,j))∈Nr(i,j,nr)
f(i,j,p(i,j))代表第i个鲸类种群中的第j个信号的拐点p(i,j)处的频率,f(i,j,p(i,j)+1)代表第i个鲸类种群中的第j个信号的拐点p(i,j)的下一个拐点处的频率。f(i,j,k)代表第i个鲸类种群中的第j个信号的频谱的第k个频谱点的频率。
对每个信号频谱,通过以下运算,获得每个信号频谱中下降的频段的数量(ND)和各频带的开始坐标,
f(i,j,p(i,j))-f(i,j,k)<-1000 p(i,j)=1,k=1 f(i,j,k)(k=1)∈Nd(i,j,nd)
f(i,j,p(i,j)+1)-f(i,j,p(i,j))<-1000 p(i,j)∈[1,P(i,j)-1] f(i,j,p(i,j))∈Nd(i,j,n)d
f(i,j,k)-f(i,j,p(i,j))<-1000 k=M(i,j),p(i,j)=P(i,j) f(i,j,Pi(,j))∈Nd(i,j,nd)
根据每个信号的声学参数测量结果,如图3所示,可以将每个声信号划分为不同的声音类型:S(i,j,st),st∈[flat,rise,down,concave,convex,sine]),其中flat代表平滑型(在整个通讯信号的持续时间中频率的变动幅度小于1kHz),即满足max[f(i,j,k)]-min[f(i,j,k)]<1000,i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时ND=0,NR=0;rise代表上扫型(通讯信号的频率变动趋势主要为上升,即使有频率下降的部分,其频率变动范围也小于1kHz),即满足max[f(i,j,k)]-min[f(i,j,k)]≥1000,i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时ND=0,NR≤1。down代表下扫型(通讯信号的频率变动趋势主要为下降,即使有频率上升的部分,其频率变动范围也小于1kHz),即满足max[f(i,j,k)]-min[f(i,j,k)]≥1000,i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时NR=0,ND≤1。convex代表凸面型(通讯信号至少有一个拐点P(i,j)≥1,同时频谱的频率变动情况为开始主要是上升之后主要为下降,同时各有且只有一个上升和下降枝的频率跨度超过1kHz,即满足max[f(i,j,k)]-min[f(i,j,k)]≥1000,i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时ND=1,NR=1,Nr(i,j,1)<Nd(i,j,1)。concave代表凹面型(通讯信号至少有一个拐点,P(i,j)≥1,同时信号的频谱的频率变动情况中开始主要是下降,之后主要为上升,同时各有且只有一个上升和下降枝的频率跨度超过1kHz,即满足max[f(i,j,k)]-min[f(i,j,k)]≥1000i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时ND=1,NR=1,Nr(i,j,1)>Nd(i,j,1)。sine代表弦型(通讯信号至少有两个拐点P(i,j)≥2,同时频谱的频率变动趋势为首先上升然后下降(或者刚好倒过来)然后循环往复,即满足max[f(i,j,k)]-min[f(i,j,k)]≥1000i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],同时ND≥1,NR≥1,ND+NR≥3。
步骤4:基于普通线性模型方差分析和事后多重比较获得不同种群隔离程度的定性描述。通过将声音信号的年度信息y(i,j),声音类型参数S(i,j,st),i∈[1,N],j∈[1,M(i)],st∈[flat,rise,down,concave,convex,sine]),和信号的种群来源信息i,i∈[1,N]作为固定变量Fix(i,y,st),i∈[1,N],y∈[1,Y],st∈[flag,rise,down,concave,convex,sine]导入统计分析软件,例如SPSS统计分析软件,同时将每个信号的时间参数t(i,j,k),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)],频率参数f(i,j,k),i∈[1,N],j∈[1,M(i)],k∈[1,K(i,j)]:包括开始频率f(i,j,1),结束频率f(i,j,K(i,j))、最小频率min[f(i,j,k)]、最大频率max[f(i,j,k)]、频率变动范围max[f(i,j,k)]-min[f(i,j,k)]、平均频率[max[f(i,j,k)]+min[f(i,j,k)]+f(i,j,1)+f(i,j,K(i,j))]/4、信号0.25持续时间位点的频率f(i,j,0.25K(i,j))]、信号0.5持续时间位点的频率f(i,j,0.5K(i,j))和信号0.75持续时间位点的频率f(i,j,0.75K(i,j))、每个频谱的拐点总数P(i,j),断裂点数L(i,j)和梯级结构数St(i,j)作为因变量导入软件中,进行普通线性模型方差分析并获得每个固定变量i∈[1,N],y∈[1,Y],st∈[flag,rise,down,concave,convex,sine]的主效应的统计检验结果F(i),F(y)和F(st)以及不同固定变量之间的交互作用的统计检验结果F(i*y),F(i*st),F(y*st)和F(i*y*st)。其中F(i)代表变量为不同种群的主效应对因变量的影响的统计检验结果,其中F(y)代表变量为不同年度的主效应对因变量的影响的统计检验结果,其中F(st)代表变量为不同声音类型的主效应对因变量的影响的统计检验结果,F(i*y)代表变量为不同种群和不同年度的交互作用对因变量的影响的统计检验结果,F(i*st)代表变量为不同种群和不同声音类型的交互作用对因变量的影响的统计检验结果,F(y*st)代表变量为不同年度和不同声音类型的交互作用对因变量的影响的统计检验结果,F(i*y*st)代表变量为不同种群、不同年度和不同声音类型的交互作用对因变量的影响的统计检验结果。当统计检验结果F(i)、F(y)、F(st)、F(i*y)、F(i*st)、F(y*st)和F(i*y*st)中的任何一个结果<F(0.05)时,表明相应的变量在不同的变量水平之间的信号参数具有显著性的差异。
如果F(i)具有显著性差异,表明不同地理种群间的信号具有显著性差异,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同的种群之间的统计检验差异性F2(i,i'),i∈[1,N],i'∈[1,N],如果F2(i,i')<F(0.05)时,表明种群i和种群i'之间具有显著性差异,即种群i和种群i'之间的差异性较大。如果F2(i,i')>F(0.05)时,表明种群i和种群i'之间没有显著性差异,即种群i和种群i'之间的差异性不显著。
如果F(y)具有显著性差异,表明不同年度之间获得的信号具有显著性差异,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同年度之间的统计检验差异性F2(y,y'),y∈[Y0,Y1],y'∈[Y0,Y1],如果F2(y,y')<F(0.05)时,表明年度y和年度y'之间具有显著性差异,如果F2(y,y')>F(0.05)时,表明年度y和年度y'之间的差异性不显著。
如果F(st)具有显著性差异,表明不同声音类型之间获得的信号具有显著性差异,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同声音类型之间的统计检验差异性F2(st,st'),st∈[flag,rise,down,concave,convex,sine],st'∈[flag,rise,down,concave,convex,sine],如果F2(st,st')<F(0.05)时,表明声音类型st和声音类型st'之间具有显著性差异,如果F2(st,st')>F(0.05)时,声音类型st和声音类型st'之间的差异性不显著。
如果F(i*y)具有显著性差异,表明不同种群和不同年度之间的交互作用下获得的信号之间具有显著性的影响,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同种群和不同年度之间的交互作用的统计检验差异性F2(i*y,i'*y'),i∈[1,N],i'∈[1,N],y∈[Y0,Y1],y'∈[Y0,Y1],如果F2(i*y,i'*y')<F(0.05)时,表明不同种群和不同年度之间的交互作用下获得的信号之间具有显著性差异,如果F2(i*y,i'*y')>F(0.05)时,表明不同种群和不同年度之间的交互作用下获得的信号之间的差异性不显著。
如果F(i*st)具有显著性差异,表明不同种群和不同声音类型之间的交互作用下获得的信号之间具有显著性的影响,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同种群和不同声音类型之间的交互作用的统计检验差异性F2(i*st,i'*st'),i∈[1,N],i'∈[1,N],st∈[flag,rise,down,concave,convex,sine],st'∈[flag,rise,down,concave,convex,sine],如果F2(i*st,i'*st')<F(0.05)时,表明不同种群和不同声音类型之间的交互作用下获得的信号之间具有显著性差异,如果F2(i*st,i'*st')>F(0.05)时,表明不同种群和不同声音类型之间的交互作用下获得的信号之间的差异性不显著。
如果F(y*st)具有显著性差异,表明不同年份和不同声音类型之间的交互作用下获得的信号之间具有显著性的影响,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同年份和不同声音类型之间的交互作用的统计检验差异性F2(y*st,y'*st'),y∈[Y0,Y1],y'∈[Y0,Y1],Y0表示年份取值的最小值,Y1表示年份取值的最大值,st∈[flag,rise,down,concave,convex,sine],st'∈[flag,rise,down,concave,convex,sine],如果F2(y*st,y'*st')<F(0.05)时,表明不同年份和不同声音类型之间的交互作用下获得的信号之间具有显著性差异,如果F2(y*st,y'*st')>F(0.05)时,表明不同年份和不同声音类型之间的交互作用下获得的信号之间的差异性不显著。
如果F(i*y*st)具有显著性差异,表明不同种群、不同年份和不同声音类型之间的交互作用下获得的信号之间具有显著性的影响,通过在统计分析软件中进行Tamhane's T2事后两两比较,并获得不同种群、不同年份和不同声音类型之间的交互作用的统计检验差异性F2(i*y*st,i'*y'*st'),i∈[1,N],i'∈[1,N],y∈[Y0,Y1],y'∈[Y0,Y1],st∈[flag,rise,down,concave,convex,sine],st'∈[flag,rise,down,concave,convex,sine],如果F2(i*y*st,i'*y'*st')<F(0.05)时,表明不同种群、不同年份和不同声音类型之间的交互作用下获得的信号之间具有显著性差异,如果F2(i*y*st,i'*y'*st')>F(0.05)时,表明不同种群、不同年份和不同声音类型之间的交互作用下获得的信号之间的差异性不显著。
综合所有的主效应和交互作用对因变量的影响,获得不同种群、不同年度以及不同声音类型之间的差异性是否显著的定性描述(定性描述结果为差异显著或差异不显著)。
步骤5:建立Bayes判别函数
通过将总体样本中的每个信号的频谱测量结果:包括开始频率f(i,j,1)],结束频率f(i,j,K(i,j))、最小频率min[f(i,j,k)]]、最大频率max[f(i,j,k)]]、频率变动范围max[f(i,j,k)]-min[f(i,j,k)]、平均频率[max[f(i,j,k)]+min[f(i,j,k)]+f(i,j,1)+f(i,j,K(i,j))]/4、信号0.25持续时间位点的频率f(i,j,0.25K(i,j))]、信号0.5持续时间位点的频率f(i,j,0.5K(i,j))]和信号0.75持续时间位点的频率f(i,j,0.75K(i,j))、每个频谱的持续时间t(i,j,K(i,j))-t(i,j,1),每个频谱的拐点总数P(i,j),断裂点数L(i,j)和梯级结构数St(i,j)等变量作为独立变量ID(i,j,nid),nid∈[1,Nid](Nid为独立变量的总数),同时将信号的种群来源i,i∈[1,N]作为分组变量,来构建判别函数:Yi,j,k=Ak+ak,1X1+ak,2X2+...+ak,nXn,k∈[1,NY],n∈[1,NP],其中X1,…,Xn为反映研究对象的特征变量,即最终被选定进入判别函数模型的独立变量,ak,1,ak,2...ak,n为各特征变量在第i个判别函数的判别系数,Ak代表建立的第k个判别函数的常量,NY代表建立的判别函数的总数,当判别变量(这里为不同种群的总数)较多时,判别函数也往往有多个,并且通常满足,NM≥NY,其中NM为判别变量的总数,NP代表特征变量的总数。在判别函数的建立过程中,可以将所有的独立变量都作为特征变量放进判别函数模型中,即构建出来的判断函数中独立变量总数Nid等于特征变量总数NP,也可以通过逐步法对独立变量进行筛选,即通过计算变量的Wilks’λ值,当某一独立变量的Wilks’λ值满足一定的标准时,才将该独立变量作为特征变量放进判别函数模型中。决定某一独立变量是否进入判别函数模型中的标准为该独立变量在判别函数的构建过程中的Wilks’λ值的F检验的F界值或概率值是否满足一定的条件,例如当某一独立变量的Wilks’λ值的F检验的取值大于3.84的时候,可以将该独立变量作为特征变量放进判别函数模型中,当某一独立变量的Wilks’λ值的F检验的取值小于2.71的时候,需要将该独立变量从判别函数模型中移出。类似的,当某一独立变量的Wilks’λ值的F检验的概率值小于0.05的时候,可以将该独立变量作为特征变量放进判别函数模型中,当某一独立变量的Wilks’λ值的F检验的概率值大于0.1的时候,需要将该独立变量从判别函数模型中移出。此时构建出来的判断函数中独立变量总数和特征变量总数满足Nid≥NP。
在构建判别函数的过程中,通过Bayes判别(一种根据先验概率(用概率来描述事先对所研究的对象的认识的程度)求出后验概率(根据具体资料、先验概率、特定的判别规则所计算出来的概率),并依据后验概率的分布作出统计推断),获得的判别系数ak,1,ak,2...ak,n为Bayes判别函数系数sak,1,sak,2...sak,n。获得的Bayes判别函数表达式为:YBi,j,k=sAk+sak,1X1+sak,2X2+...+usk,nXn,k∈[1,NYs],n∈[1,NP],其中sAk代表建立的第k个Bayes判别函数的常量,NYs代表建立的Bayes判别函数的总数,同时满足NYus=NM,其中NM为判别变量的总数。
Bayes判别函数的建立可以在统计分析软件中完成,例如SPSS软件,通过将总体样本中的每个信号的频谱测量结果作为独立变量ID(i,j,nid),nid∈[1,Nid](Nid为独立变量的总数),同时将信号的种群来源i,i∈[1,N]作为分组变量,选择Bayes判别获得相应的判别函数系数和判别函数表达式。
步骤6:Bayes判别函数的判别效果的检验
将所有的通讯信号S(i,j),i∈[1,N],j∈[1,M(i)](总样本)中每个信号频谱对应的声学测量参数(特征变量)带入建立的所有Bayes判别函数中。判别函数的表达式为:YBi,j,k=SAk+sak,1X1+sak,2X2+...+usk,nXn,k∈[1,NYs],n∈[1,NP],其中YBi,j,k,i∈[1,N],j∈[1,M(i)]代表第i个种群的第j个声音信号在第k个判别函数的判别评分。NYs代表经Bayes判别函数所建立的判别函数的总数,同时满足NYs=N。根据这些判别评分,可以将每个通讯信号S(i,j)进行归类得到S(i,j,k'),i∈[1,N],k'∈[1,N],即将第i种群的第j个声音信号评判给判别评分最高的类别k'中,满足S(i,j,k'),YBi,j,k'=max(YBi,j,k),i∈[1,N],k'∈[1,N]。进一步计算正确被归类的信号的数量,即对于任何一个S(i,j,k'),i∈[1,N],k'∈[1,N],当i=k'时,就认为该信号被正确的归类。进一步计算得到各个种群中正确被归类的信号的数量PC(i),i∈[1,N],和各个种群的预测分类概率(P(i),i∈[1,N]),其中Pi代表第i个种群的预测分类概率,同时假定每个信号来源于不同的种群的可能性是一样的,即满足P(i)=1/N。通过Press'Q检验来比较被正确分类到各种群的信号的百分数(C(i),i∈[1,N])和各种群的预测分类概率(P(i))。其中C(i)=PC(i)/M(i),Press'Q=[M(i)-(PC(i)×N)]2/[M(i)×(N-1)],M(i)为声信号总个数,N为种群个数,如果Press'Q值比自由度为N-1的卡方检验临界值(查统计表获得)要大,表明Bayes判别函数判别式分类效果显著性高于各种群的预测分类概率。当Bayes判别函数的判别式分类效果显著性高于各种群的预测分类概率时,表明我们构建的Bayes判别函数的是可靠的,同时判别函数选取的特征变量是合理的。
此外,还可以采用留一交互验证的方法来验证判别函数的判别效果,即依次去掉一例样本,然后用去掉样本的数据集进行步骤5的操作,进而获得的Bayes判别函数:YBi,j,k'=sAk+sak,1X1+sak,2X2+...+usk,nXn,k∈[1,NYs],n∈[1,NP],然后进行步骤6的操作,获得交互验证后的各个种群中正确被归类的信号的数量(PC(i)',i∈[1,N]和相应的Press'Q'=[M(i)-(PC(i)'×N)]2/[M(i)×(N-1)]值,以及相应的统计检验结果。
步骤7:Fisher判别函数的建立
当Bayes判别函数判别式分类效果显著性高于各种群的预测分类概率时,进一步通过Fisher判别方法(一种先投影,再用距离远近的方法来得到判别准则的方法),获得Fisher判别函数。所获得的判别系数ak,1,ak,2...ak,n为Fisher判别函数系数usak,1,usak,2...usak,n,所获得的Fisher判别函数表达式为:YFi,j,k=usAk+usak,1X1+usak,2X2+...+ausk,nXn,k∈[1,NYus],n∈[1,NP],其中usAk代表代表建立的第k个Fisher判别函数的常量,NYus代表建立的Fisher判别函数的总数,同时满足NYus=NM-1,其中NM为判别变量的总数。Fisher判别函数的建立可以在统计分析软件中完成,例如SPSS软件,通过将总体样本中的每个信号的频谱测量结果作为独立变量ID(i,j,nid),nid∈[1,Nid](Nid为独立变量的总数),同时将信号的种群来源i,i∈[1,N]作为分组变量,选择Fisher判别获得相应的判别函数系数和判别函数表达式。
步骤8:基于二维图谱的种群距离的定量描述
将所有的通讯信号S(i,j),i∈[1,N],j∈[1,M(i)](总样本)中每个信号频谱在对应的特征变量下的声学测量结果带入所有的Fisher判别函数中进行计算,并获得YFi,j,k,i∈[1,N],即第i个种群的第j个声音信号在第k个判别函数上的坐标,以及每个鲸类种群的中心坐标YFCi,k=[YFi,1,k+YFi,2,k+…+YFi,M(j),k]/M(j),i∈[1,N],k∈[1,NYus]。其中YFCi,k代表第i个种群在第k个判别函数中的中心坐标,NYus代表经Fisher判别函数所建立的判别函数的总数,同时满足NYus=N-1。
将第一判别函数作为第一维度坐标,第二判别函数作为第二维度坐标绘制二维图谱,同时将每个信号的第一判别函数坐标值YFi,j,1和第二判别函数坐标值YFi,j,2绘制在该二维图谱中,每个信号会在二维图谱中有个位点。不同坐标位点的距离关系代表他们之间的差异性大小。同时每个鲸类种群的中心坐标在第一判别函数的坐标值YFCi,1和第二判别函数的坐标值YFCi,2也在该二维图谱中标识出来,不同鲸类种群的中心坐标位点的距离和他们之间的种群隔离程度成正比,当不同鲸类种群的中心坐标位点的距离越远,他们之间的种群隔离程度也就越大。
步骤9:综合步骤4获得的不同种群之间信号差异性的显著性关系的定性描述和步骤8获得的不同种群间中心坐标位点距离的定量描述结果获得影响不同鲸类种群间的隔离程度的因素。
本实施例还提供了一种与上述实施例对应的不同种群间隔离程度的确定***,如图4所示,所述***包括:
第一获取模块A1,用于获取各鲸类种群的声信号集合,所述声信号集合包括多个声信号和所述声信号的获取年份。
频谱确定模块A2,用于根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量。
参数集合确定模块A3,用于根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合,所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率。
费希尔判别函数组确定模块A4,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数。
中心点坐标确定模块A5,用于分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标。
隔离程度确定模块A6,用于根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
作为一种可选的实施方式,所述不同种群间隔离程度的确定***,还包括:
频带参数确定模块,根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置(即首个频率递增频带的坐标)和所有下降频带中第一个频谱点的位置(即首个频率递减频带的坐标)。
线型类型确定模块,用于对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型。
影响水平确定模块,用于将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型,所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量。
差异检验结果确定模块,用于若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著。
影响因素确定模块,用于根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
作为一种可选的实施方式,所述费希尔判别函数组确定模块包括:
贝叶斯判别函数组确定单元,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群。
鲸类种群确定单元,用于根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群。
Press Q值确定单元,用于根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值。
费希尔判别函数组确定单元,用于若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组。
作为一种可选的实施方式,所述鲸类种群间隔离程度的确定***,还包括:
第二获取模块,用于获取各鲸类种群的参数集合。
F检验的参数值确定模块,用于根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为F界值或概率值。
构建函数的参数集合确定模块,用于将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过获取鲸类种群的声信号,确定不同鲸类种群间的隔离程度,对相应的鲸类种群开展有效性、针对性的保护对策提供指导,对鲸类不会造成任何损伤,同时不受天气条件限制,在夜间以及雷雨等恶劣的条件仍然能够照样工作。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种不同种群间隔离程度的确定方法,其特征在于,包括:
获取各鲸类种群的声信号集合,所述声信号集合包括多个声信号和所述声信号的获取年份;
根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量;根据第q个鲸类种群的声信号集合得到所述第q个鲸类种群中每个声信号的频谱;q=1,2,…,N,i≠q;
根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合,所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率;
以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数;
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标;
根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
2.根据权利要求1所述的不同种群间隔离程度的确定方法,其特征在于,所述分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标,具体为:
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第一费希尔判别函数得到所述第i个鲸类种群中各声信号的第一维度坐标;
根据所述第i个鲸类种群中各声信号的第一维度坐标计算所述第i个鲸类种群中所有声信号的第一维度坐标的平均值得到所述第i个鲸类种群中心点的第一维度坐标;
分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组中的第二费希尔判别函数得到所述第i个鲸类种群中各声信号的第二维度坐标;
根据所述第i个鲸类种群中各声信号的第二维度坐标计算所述第i个鲸类种群中所有声信号的第二维度坐标的平均值得到所述第i个鲸类种群中心点的第二维度坐标;
根据所述第i个鲸类种群中心点的第一维度坐标和所述第i个鲸类种群中心点的第二维度坐标得到所述第i个鲸类种群中心点坐标。
3.根据权利要求1所述的不同种群间隔离程度的确定方法,其特征在于,所述以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,具体为:
以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群;
根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群;
根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值;
若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组。
4.根据权利要求3所述的不同种群间隔离程度的确定方法,其特征在于,所述以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,之前还包括:
获取各鲸类种群的参数集合;
根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为:F界值或概率值;
将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
5.根据权利要求1所述的不同种群间隔离程度的确定方法,其特征在于,在所述根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度之后还包括:
根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置和所有下降频带中第一个频谱点的位置;
对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型;
将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型、所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量;
若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著;
根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
6.根据权利要求3所述的不同种群间隔离程度的确定方法,其特征在于,所述根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群,具体为:
对于任意一个声信号,将所述声信号分别输入所有的贝叶斯判别函数得到函数值组;
将所述函数值组中最大函数值对应的贝叶斯判别函数对应的鲸类种群确定为所述声信号所属的归类鲸类种群。
7.一种不同种群间隔离程度的确定***,其特征在于,包括:
第一获取模块,用于获取各鲸类种群的声信号集合,所述声信号集合包括多个声信号和所述声信号的获取年份;
频谱确定模块,用于根据第i个鲸类种群的声信号集合得到所述第i个鲸类种群中每个声信号的频谱;i=1,2,…,N,N表示鲸类种群的总数量;根据第q个鲸类种群的声信号集合得到所述第q个鲸类种群中每个声信号的频谱;q=1,2,…,N,i≠q;
参数集合确定模块,用于根据所述第i个鲸类种群中每个声信号的频谱得到所述第i个鲸类种群中各声信号的参数集合,所述参数集合包括频率参数、持续时间、拐点总数、断裂点总数和梯级结构点总数,所述频率参数包括开始时刻的频率、结束时刻的频率、最大频率、最小频率、频率范围、平均频率、在第一时间位点的频率、在第二时间位点的频率、在第三时间位点的频率;
费希尔判别函数组确定模块,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组,所述费希尔判别函数组包括多个费希尔判别函数;
中心点坐标确定模块,用于分别将所述第i个鲸类种群中各声信号的参数集合输入所述费希尔判别函数组得到所述第i个鲸类种群中心点坐标;
隔离程度确定模块,用于根据所述第i个鲸类种群的中心点坐标和所述第q个鲸类种群的中心点坐标,计算所述第i个鲸类种群的中心点与所述第q个鲸类种群的中心点之间的距离,并根据所述距离确定所述第i个鲸类种群和所述第q个鲸类种群的隔离程度,q=1,2,…,N,i≠q。
8.根据权利要求7所述的不同种群间隔离程度的确定***,其特征在于,还包括:
频带参数确定模块,根据所述第i个鲸类种群和所述第q个鲸类种群的声信号的频谱确定所述第i个鲸类种群和所述第q个鲸类种群的中各声信号的频带参数,所述频带参数包括上升频带个数、下降频带个数、所有上升频带中第一个频谱点的位置和所有下降频带中第一个频谱点的位置;
线型类型确定模块,用于对于任意一个声信号,根据所述声信号的所述频带参数、所述最大频率和所述最小频率确定所述声信号的线型类型,所述线型类型包括平滑型、上扫型、下扫型、凸面型、凹面型和弦型;
影响水平确定模块,用于将所述第i个鲸类种群中所有声信号的获取年份、所述第q个鲸类种群中所有声信号的获取年份、所述第i个鲸类种群中所有声信号的线型类型、所述第q个鲸类种群中所有声信号的线型类型、所述第i个鲸类种群的种群类别和所述第q个鲸类种群的种群类别作为固定变量,将每个所述声信号的参数集合作为因变量导入统计分析软件,进行普通线性模型方差分析,得到各影响变量对所述因变量的显著性影响水平;所述影响变量包括一个或多个固定变量;
差异检验结果确定模块,用于若所述影响变量对所述因变量的显著性影响水平小于第二设定阈值,则在所述统计分析软件中对所述显著性影响水平对应的所述影响变量进行塔海尼T2检验得到所述显著性影响水平对应的所述影响变量的差异检验结果,所述差异检验结果为差异性显著和差异性不显著;
影响因素确定模块,用于根据所述第i个鲸类种群和所述第q个鲸类种群的隔离程度和所述差异检验结果确定影响所述第i个鲸类种群和所述第q个鲸类种群间隔离程度的因素。
9.根据权利要求7所述的不同种群间隔离程度的确定***,其特征在于,所述费希尔判别函数组确定模块包括:
贝叶斯判别函数组确定单元,用于以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建贝叶斯判别函数组,所述贝叶斯判别函数组包括多个贝叶斯判别函数,一个所述贝叶斯判别函数对应一个鲸类种群;
鲸类种群确定单元,用于根据所述贝叶斯函数组和各声信号确定所述声信号所属的鲸类种群,作为所述声信号的归类鲸类种群;
Press Q值确定单元,用于根据每个所述声信号的归类鲸类种群和每个所述声信号实际所属的鲸类种群确定所有归类正确的声信号的数量,并基于所有归类正确的声信号的数量计算所述贝叶斯判别函数组的Press Q值;
费希尔判别函数组确定单元,用于若所述Press Q值大于设定自由度的卡方检验临界值,则以各鲸类种群中每个声信号的参数集合作为自变量,以各鲸类种群的种群类别作为分组变量,在统计分析软件中构建费希尔判别函数组。
10.根据权利要求9所述的不同种群间隔离程度的确定***,其特征在于,还包括:
第二获取模块,用于获取各鲸类种群的参数集合;
F检验的参数值确定模块,用于根据所述鲸类种群的参数集合确定各参数的Wilks’λ值的F检验的参数值,所述参数值为F界值或概率值;
构建函数的参数集合确定模块,用于将所述鲸类种群的参数集合中Wilks’λ值的F检验的参数值处于第一设定阈值范围的参数确定为用于构建函数的参数集合的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254829.4A CN113030986B (zh) | 2021-03-09 | 2021-03-09 | 一种不同鲸类种群间隔离程度的确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254829.4A CN113030986B (zh) | 2021-03-09 | 2021-03-09 | 一种不同鲸类种群间隔离程度的确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030986A CN113030986A (zh) | 2021-06-25 |
CN113030986B true CN113030986B (zh) | 2021-09-28 |
Family
ID=76467164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254829.4A Active CN113030986B (zh) | 2021-03-09 | 2021-03-09 | 一种不同鲸类种群间隔离程度的确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030986B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN110850420A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于弹球损失的FisherSVM声纳信号判别方法 |
CN112182868A (zh) * | 2020-09-21 | 2021-01-05 | 天津大学 | 一种基于鲸/海豚click叫声的浅海主动声呐探测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6996527B2 (en) * | 2001-07-26 | 2006-02-07 | Matsushita Electric Industrial Co., Ltd. | Linear discriminant based sound class similarities with unit value normalization |
US7961956B1 (en) * | 2009-09-03 | 2011-06-14 | Thomas Cecil Minter | Adaptive fisher's linear discriminant |
CN105740918A (zh) * | 2014-12-12 | 2016-07-06 | 上海海洋大学 | 一种基于极角坐标的耳石测量和鱼类种群鉴别方法 |
CN108304875A (zh) * | 2018-01-31 | 2018-07-20 | 中国科学院武汉岩土力学研究所 | 一种基于统计判别分类的***块度预测方法 |
CN111414832B (zh) * | 2020-03-16 | 2021-06-25 | 中国科学院水生生物研究所 | 一种基于鲸豚类低频水声信号的实时在线识别分类*** |
-
2021
- 2021-03-09 CN CN202110254829.4A patent/CN113030986B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN110850420A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于弹球损失的FisherSVM声纳信号判别方法 |
CN112182868A (zh) * | 2020-09-21 | 2021-01-05 | 天津大学 | 一种基于鲸/海豚click叫声的浅海主动声呐探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113030986A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Knight et al. | Recommendations for acoustic recognizer performance assessment with application to five common automated signal recognition programs | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN111784084B (zh) | 基于梯度提升决策树的出行生成预测方法、***及装置 | |
CN110197332A (zh) | 一种社会治安综合治理评价方法 | |
CN112529234A (zh) | 基于深度学习的地表水质预测方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114049134A (zh) | 一种污染源在线监测数据造假识别方法 | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN115953666A (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN115457966A (zh) | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
Kumar et al. | An audio classification approach using feature extraction neural network classification approach | |
CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
CN117933531A (zh) | 一种分布式光伏发电功率预测***及方法 | |
CN113030986B (zh) | 一种不同鲸类种群间隔离程度的确定方法及*** | |
CN117219127A (zh) | 认知状态识别方法以及相关设备 | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
Jeong et al. | Constructing an Audio Dataset of Construction Equipment from Online Sources for Audio-Based Recognition | |
CN115240145A (zh) | 基于场景识别的违章作业行为检测方法及*** | |
CN112235727B (zh) | 一种基于mac数据的人员流动监测分析方法和*** | |
CN114611399A (zh) | 一种基于NGBoost算法的PM2.5浓度长时间序列预测方法 |
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 |