CN115173971B - 一种基于频谱数据的宽带信号实时检测方法 - Google Patents
一种基于频谱数据的宽带信号实时检测方法 Download PDFInfo
- Publication number
- CN115173971B CN115173971B CN202210797482.2A CN202210797482A CN115173971B CN 115173971 B CN115173971 B CN 115173971B CN 202210797482 A CN202210797482 A CN 202210797482A CN 115173971 B CN115173971 B CN 115173971B
- Authority
- CN
- China
- Prior art keywords
- signal
- spectrum data
- similarity
- data
- sub
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011897 real-time detection Methods 0.000 title claims abstract description 19
- 239000000758 substrate Substances 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000013139 quantization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于频谱数据的宽带信号实时检测方法,该方法包括:获取宽带信号的频谱数据对应的噪声基底;基于滑动窗口得到宽带信号的频谱数据在滑动窗口内的多个子信号频谱数据;根据多个子信号频谱数据与噪声基底的相似度,完成宽带信号实时检测。本发明通过量化噪声基底和频谱数据之间对应的信号的幅度的差异,以较低的软件复杂度实现了信号的实时检测与识别,实时性强,信号检测识别准确度高,易于实现。
Description
技术领域
本发明涉及信号检测技术领域,特别是一种基于频谱数据的宽带信号实时检测方法。
背景技术
宽带通信信号检测识别技术广泛应用于电子对抗、无线电侦听、干扰辨识、信号确认等领域。随着通信技术的发展,通信信号体制变得多样化,空间电磁环境越来越密集,导致常规的识别方法难以满足实际需要,不能有效实时地对宽带通信信号进行检测识别。
目前宽带通信信号检测识别技术存在的不足:
1)传统的基于参数门限的信号检测方法,原理相对简单,没有考虑信号结构对信号检测识别的重要影响,同时周围电磁环境的变化也会降低信号检测结果的准确度。
2)基于机器学习的方法,需要更多的训练样本来构建信号检测识别的数学模型,使用过程中需要不断对模型进行迭代、修正、调优,工作量大,工作步骤繁琐。
3)结合神经科学的研究,人类观察图像时,对图像结构、亮度、对比度更加敏感。对应到信号频谱图像中,当有信号出现时,信号的强度、结构、对比度使得人们可以快速的分辨出信号频率范围。现有的大多数宽带信号检测方法,都没有从此仿生学角度进行考虑和设计,基于统计或机器直觉,缺乏设计合理性。
综上所述,基于频谱数据的宽带信号实时检测方法充分利用人类视觉感知***能够从频谱图像中识别信号结构信息,快速识别噪声基底部分和信号部分之间差异的特点,检测方法合理简单,是宽带信号检测识别领域迫切需要的关键技术。
发明内容
鉴于此,本发明提供一种基于频谱数据的宽带信号实时检测方法,实时性强,信号检测识别准确度高,易于实现。
本发明公开了一种基于频谱数据的宽带信号实时检测方法,包括以下步骤:
获取宽带信号的频谱数据对应的噪声基底;
基于滑动窗口,得到所述宽带信号的频谱数据对应的多个子信号频谱数据;
根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测。
进一步地,所述获取宽带信号的频谱数据对应的噪声基底,包括:
从频谱仪获取宽带信号的频谱数据,采用高精度噪声基底估值算法得到宽带信号的频谱数据对应的噪声基底。
进一步地,所述基于滑动窗口,得到所述宽带信号的频谱数据对应的多个子信号频谱数据,包括:
根据高斯函数构造滑动窗口,在所述宽带信号的频谱数据上移动高斯函数窗口,从而得到所述宽带信号的频谱数据对应的所述多个子信号频谱数据;其中,移动高斯函数窗口的步长为所述宽带信号的频谱数据上的若干个数据点的数量。进一步地,所述高斯函数为:
其中,a,b,c为实数常数,且a>0,x为信号频谱数据;
高斯函数的长度等于滑动窗口大小,其值被归一化后,所有元素的和等于1。
进一步地,所述根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测,包括:
在所述宽带信号的频谱数据上移动高斯函数窗口后,分别计算所述高斯函数窗口对应的子信号频谱数据与噪声基底数据的相似度;
分别比较所有所述相似度与预设值;
若相似度小于预设值时,则所述高斯函数窗口对应的区域被识别为子信号频谱数据;否则,被识别为噪声。
进一步地,所述根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测,还包括:
对所有所述子信号频谱数据进行统计分析时,如果所述高斯函数窗口对应的子信号频谱数据之间出现区域重叠且在不同数据点位置上的所述滑动窗口存在频谱数据点的重叠,则由不同数据点位置上的所述滑动窗口对应的信号区域被识别为同一个宽带信号,否则被识别为多个独立的信号区域。
进一步地,所述相似度的计算公式为:
S(x,y)=f(l(x,y),c(x,y),s(x,y))
=l(x,y)c(x,y)s(x,y)
其中,x为信号频谱数据,y为噪声基底,l(x,y)为信号强度相似度,c(x,y)为信号对比度相似度,s(x,y)为信号结构相似度;S(x,y)取值范围[0,1],其值越大,表示信号频谱数据与噪声基底越接近,存在信号的可能性越小。
进一步地,所述信号强度相似度的计算公式为:
信号强度相似度l(x,y)的计算公式对称且始终小于等于1,当x=y时为1;C1=(K1L)2,K1远小于1且为常数,L是信号幅度的动态范围;μx为信号频谱数据的信号平均强度,μy为噪声基底信号平均强度,N为频谱数据的数据点个数,xi为第i个数据点的信号幅度值,ωi为高斯加权值。
进一步地,所述信号对比度相似度的计算公式为:
C2=(K2L)2
信号对比度相似度c(x,y)的计算公式对称且小于等于1,当x=y时等号成立;σx为信号幅度值的标准差,σy为噪声基底幅度值的标准差,K2远小于1且为常数。
进一步地,所述信号结构相似度的计算公式为:
其中,C3=C2/2。
由于采用了上述技术方案,本发明具有如下的优点:本发明通过量化噪声基底和频谱数据之间对应的信号的幅度的差异,以较低的软件复杂度实现了信号的实时检测与识别,与其它方法相比,本发明方法克服了同类方法存在的误检误报问题;本发明实时性强,信号检测识别准确度高,易于实现。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于频谱数据的宽带信号实时检测方法的流程示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
参见图1,本发明提供了一种基于频谱数据的宽带信号实时检测方法的实施例,该方法包括以下步骤:
获取宽带信号的频谱数据对应的噪声基底;
基于滑动窗口,得到宽带信号的频谱数据对应的多个子信号频谱数据;
根据多个子信号频谱数据与噪声基底的相似度,完成宽带信号实时检测。
本实施例中,获取宽带信号的频谱数据对应的噪声基底,包括:
从频谱仪获取宽带信号的频谱数据,采用高精度噪声基底估值算法得到宽带信号的频谱数据对应的噪声基底。
本实施例中,基于滑动窗口得到宽带信号的频谱数据在滑动窗口内的多个子信号频谱数据,包括:
根据高斯函数构造滑动窗口,在宽带信号的频谱数据上移动高斯函数窗口,从而得到宽带信号的频谱数据对应的多个子信号频谱数据;其中,移动高斯函数窗口的步长为宽带信号的频谱数据上的若干个数据点的数量。
本实施例中,高斯函数为:
其中,a,b,c为实数常数,且a>0,x为信号频谱数据;
高斯函数的长度等于滑动窗口大小,其值被归一化后,所有元素的和等于1。
本实施例中,根据多个子信号频谱数据与噪声基底的相似度,完成宽带信号实时检测,包括:
在宽带信号的频谱数据上移动高斯函数窗口后,分别计算高斯函数窗口对应的子信号频谱数据与噪声基底数据的相似度;
分别比较所有相似度与预设值;
若相似度小于预设值时,则高斯函数窗口对应的区域被识别为子信号频谱数据;否则,被识别为噪声。
本实施例中,根据多个子信号频谱数据与噪声基底的相似度,完成宽带信号实时检测,还包括:
对子信号频谱数据进行统计分析时,如果高斯函数窗口对应的子信号频谱数据之间出现区域重叠且在不同数据点位置上的滑动窗口存在频谱数据点的重叠,则由不同数据点位置上的滑动窗口对应的信号区域被识别为同一个宽带信号,否则被识别为多个独立的信号区域。
本实施例中,相似度的计算公式为:
S(x,y)=f(l(x,y),c(x,y),s(x,y))
=l(x,y)c(x,y)s(x,y)
其中,x为信号频谱数据,y为噪声基底,l(x,y)为信号强度相似度,c(x,y)为信号对比度相似度,s(x,y)为信号结构相似度;S(x,y)取值范围[0,1],其值越大,表示信号频谱数据与噪声基底越接近,存在信号的可能性越小。
本实施例中,信号强度相似度的计算公式为:
信号强度相似度l(x,y)的计算公式对称且始终小于等于1,当x=y时为1;C1=(K1L)2,K1远小于1且为常数,L是信号幅度的动态范围;μx为信号频谱数据的信号平均强度,μy为噪声基底信号平均强度,N为频谱数据的数据点个数,xi为第i个数据点的信号幅度值,ωi为高斯加权值。
本实施例中,信号对比度相似度的计算公式为:
C2=(K2L)2
信号对比度相似度c(x,y)的计算公式对称且小于等于1,当x=y时等号成立;σx为信号幅度值的标准差,σy为噪声基底幅度值的标准差,K2远小于1且为常数。
本实施例中,信号结构相似度的计算公式为:
其中,C3=C2/2。
为了便于理解,本发明给出了一个更为具体的实施例:
本发明的一种基于频谱数据的宽带信号实时检测方法的另一个实施例,该方法包括:
S1:从频谱仪获取信号频谱数据,采用高精度噪声基底估值算法得到噪声基底;
S2:根据高斯函数构造一维的滑动窗口,使用一维高斯函数窗口在整个频谱数据上按步进为1(逐数据点)移动;
S3:每次移动后,在局部窗口内计算信号频谱数据与噪声基底数据的相似度,当相似度小于预设的值时,滑动窗口区域则被识别为信号区域,否则被识别为噪声;
S4:重复S3,直到滑动窗口移动到末尾数据点;
S5:进行宽带信号统计分析,连续的信号区域被合并为一个宽带信号,非连续的信号区域被识别为独立的信号。
作为上述实施例的优化方案,在步骤S1中,从频谱仪获取信号频谱数据,采用高精度噪声基底估值算法得到噪声基底。
优选的,S1中高精度噪声基底估值算法一般可选用基于多尺度的形态学滤波噪声基底检测算法。
作为上述实施例的优化方案,在步骤S2中,根据高斯函数构造一维的滑动窗口,使用一维高斯函数窗口在整个频谱数据上按步进为1(逐数据点)移动。高斯函数形如:其中a,b,c为实数常数,且a>0。高斯函数本质上是从一个高斯分布中采样的一个数字列表,长度等于窗口大小(window_size),值被归一化,所有元素的和等于1。
优选的,步骤S2中取高斯函数窗口滑动窗口大小window_size=11,a=1,b=window_size/2=5,c=1.5,生成一维高斯张量或权重列表ω[0.0010,0.0076,0.0360,0.1094,0.2130,0.2660,0.2130,0.1094,0.0360,0.0076,0.0010]。
作为上述实施例的优化方案,在步骤S3中,滑动窗口内信号频谱数据和噪声基底数据的相似度计算公式如下:
S(x,y)=f(l(x,y),c(x,y),s(x,y))
x代表信号频谱数据,y代表噪声基底,两者相似性按信号强度相似度l(x,y),信号对比度相似度c(x,y)和信号结构相似度s(x,y)三个维度进行综合比较。公式的设计遵循三个原则:
1)对称性:S(x,y)=S(y,x)
2)有界性:S(x,y)≤1
3)极限值唯一:S(x,y)=1当且仅当x=y
信号强度相似度l(x,y),信号对比度相似度c(x,y)和信号结构相似度s(x,y)定义如下:
1)信号强度相似度。如果频谱数据有N个数据点,每个数据点的信号幅度值为xi,ωi是高斯加权值,那么频谱数据的信号平均强度为:
信号频谱数据x和噪声基底y的信号强度相似度定义如下:
公式对称且始终小于等于1,当x=y时为1。μy为噪声基底信号平均强度。这里C1是为了防止分母为零的情况,且:
C1=(K1L)2
其中K1<<1是一个常数,L是信号幅度的动态范围。
优选的,K1取值为0.01。
2)信号对比度相似度。信号对比度代表信号强度的变化剧烈程度,本质是信号幅度值的标准差。其计算公式为:
信号对比度相似度定义如下:
公式对称且小于等于1,当x=y时等号成立。σy为噪声基底幅度值的标准差。其中:
C2=(K2L)2
优选的,K2一般在取0.03。
3)结构相似度。需要注意的是,对一帧频谱数据而言,其信号强度和对比度都是标量,而其结构显然无法用一个标量表示,应该使用该频谱数据所有数据点组成的向量来表示。同时,研究结构相似度时,应该排除信号强度和对比度的影响,即排除均值和标准差的影响。归根结底,需要研究两个归一化向量:和/>之间的关系。根据均值与标准差的关系,可知这两个向量的模长均为/>
因此它们的结构相似度为:
上式中第二行括号内的部分为协方差公式:
同样为了防止分母为0,分子分母同时加C3,其中C3=C2/2最终结构相似度公式如下:
结合结构相似度公式、信号强度相似度公式、信号对比度相似度,定义频谱数据和噪声基底的相似度公式为:
S(x,y)取值范围[0,1],值越大,表示频谱数据与噪声基底越接近,存在信号的可能性越小。
作为上述实施例的优化方案,在步骤S5中,进行宽带信号统计分析时,如果多个滑动窗口对应信号出现区域而且滑动窗口间存在频谱数据点的重叠,则由多个滑动窗口组成的信号区域可被识别为同一个宽带信号,否则被识别为多个独立的信号区域。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于频谱数据的宽带信号实时检测方法,其特征在于,包括以下步骤:
获取宽带信号的频谱数据对应的噪声基底;
基于滑动窗口,得到所述宽带信号的频谱数据对应的多个子信号频谱数据;
根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测;
所述相似度的计算公式为:
其中,为信号频谱数据,/>为噪声基底,/>为信号强度相似度,/>为信号对比度相似度,/>为信号结构相似度;/> 取值范围[0,1],其值越大,表示信号频谱数据与噪声基底越接近,存在信号的可能性越小;
所述信号强度相似度的计算公式为:
信号强度相似度的计算公式对称且始终小于等于1,当/>=/>时为1;/>,/>远小于1且为常数,/>是信号幅度的动态范围;/>为信号频谱数据的信号平均强度,/>为噪声基底信号平均强度,/>为频谱数据的数据点个数,/>为第/>个数据点的信号幅度值,为高斯加权值;
所述信号对比度相似度的计算公式为:
信号对比度相似度的计算公式对称且小于等于1,当/>=/>时等号成立;/>为信号幅度值的标准差,/>为噪声基底幅度值的标准差,/>远小于1且为常数;
所述信号结构相似度的计算公式为:
其中,=/>/2。
2.根据权利要求1所述的方法,其特征在于,所述获取宽带信号的频谱数据对应的噪声基底,包括:
从频谱仪获取宽带信号的频谱数据,采用高精度噪声基底估值算法得到宽带信号的频谱数据对应的噪声基底。
3.根据权利要求1所述的方法,其特征在于,所述基于滑动窗口,得到所述宽带信号的频谱数据对应的多个子信号频谱数据,包括:
根据高斯函数构造滑动窗口,在所述宽带信号的频谱数据上移动高斯函数窗口,从而得到所述宽带信号的频谱数据对应的所述多个子信号频谱数据;其中,移动高斯函数窗口的步长为所述宽带信号的频谱数据上的若干个数据点的数量。
4.根据权利要求3所述的方法,其特征在于,所述高斯函数为:
其中,,/>,/>为实数常数,且/>>0,/>为信号频谱数据;
高斯函数的长度等于滑动窗口大小,其值被归一化后,所有元素的和等于1。
5.根据权利要求3所述的方法,其特征在于,所述根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测,包括:
在所述宽带信号的频谱数据上移动高斯函数窗口后,分别计算所述高斯函数窗口对应的子信号频谱数据与噪声基底数据的相似度;
分别比较所有所述相似度与预设值;
若相似度小于预设值时,则所述高斯函数窗口对应的区域被识别为子信号频谱数据;否则,被识别为噪声。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多个子信号频谱数据与所述噪声基底的相似度,完成宽带信号实时检测,还包括:
对所有所述子信号频谱数据进行统计分析时,如果所述高斯函数窗口对应的子信号频谱数据之间出现区域重叠且在不同数据点位置上的所述滑动窗口存在频谱数据点的重叠,则由不同数据点位置上的所述滑动窗口对应的信号区域被识别为同一个宽带信号,否则被识别为多个独立的信号区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797482.2A CN115173971B (zh) | 2022-07-08 | 2022-07-08 | 一种基于频谱数据的宽带信号实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797482.2A CN115173971B (zh) | 2022-07-08 | 2022-07-08 | 一种基于频谱数据的宽带信号实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115173971A CN115173971A (zh) | 2022-10-11 |
CN115173971B true CN115173971B (zh) | 2023-10-03 |
Family
ID=83492080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797482.2A Active CN115173971B (zh) | 2022-07-08 | 2022-07-08 | 一种基于频谱数据的宽带信号实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115173971B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05323994A (ja) * | 1992-05-19 | 1993-12-07 | Fujitsu Ltd | 音声認識装置 |
CN1286788A (zh) * | 1998-09-23 | 2001-03-07 | 三星电子株式会社 | 关于低比特率语音编码器的噪声抑制 |
JP2012168477A (ja) * | 2011-02-16 | 2012-09-06 | Nikon Corp | ノイズ推定装置、信号処理装置、撮像装置、及びプログラム |
CN103856276A (zh) * | 2014-03-20 | 2014-06-11 | 中国人民解放军理工大学 | 频谱非平坦噪声基底实时自动校正方法 |
CN108694346A (zh) * | 2017-04-05 | 2018-10-23 | 中国科学院声学研究所 | 一种基于两级cnn的船舶辐射噪声信号识别方法 |
CN110098882A (zh) * | 2019-05-14 | 2019-08-06 | 大连大学 | 基于压缩感知与熵的多天线宽带频谱检测方法 |
CN112737711A (zh) * | 2020-12-24 | 2021-04-30 | 成都戎星科技有限公司 | 一种自适应噪声基底估计方法及其宽带载波检测方法 |
CN113992299A (zh) * | 2021-09-10 | 2022-01-28 | 中国船舶重工集团公司第七一九研究所 | 舰船噪声频谱调制方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200129526A (ko) * | 2019-05-09 | 2020-11-18 | 주식회사 만도 | 차량용 레이더 장치, 및 차량용 레이더 제어 방법과 시스템 |
-
2022
- 2022-07-08 CN CN202210797482.2A patent/CN115173971B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05323994A (ja) * | 1992-05-19 | 1993-12-07 | Fujitsu Ltd | 音声認識装置 |
CN1286788A (zh) * | 1998-09-23 | 2001-03-07 | 三星电子株式会社 | 关于低比特率语音编码器的噪声抑制 |
JP2012168477A (ja) * | 2011-02-16 | 2012-09-06 | Nikon Corp | ノイズ推定装置、信号処理装置、撮像装置、及びプログラム |
CN103856276A (zh) * | 2014-03-20 | 2014-06-11 | 中国人民解放军理工大学 | 频谱非平坦噪声基底实时自动校正方法 |
CN108694346A (zh) * | 2017-04-05 | 2018-10-23 | 中国科学院声学研究所 | 一种基于两级cnn的船舶辐射噪声信号识别方法 |
CN110098882A (zh) * | 2019-05-14 | 2019-08-06 | 大连大学 | 基于压缩感知与熵的多天线宽带频谱检测方法 |
CN112737711A (zh) * | 2020-12-24 | 2021-04-30 | 成都戎星科技有限公司 | 一种自适应噪声基底估计方法及其宽带载波检测方法 |
CN113992299A (zh) * | 2021-09-10 | 2022-01-28 | 中国船舶重工集团公司第七一九研究所 | 舰船噪声频谱调制方法及装置 |
Non-Patent Citations (3)
Title |
---|
Yuan ZHENG ; Zhizhong LI ; Bin JIANG.Similarity Evaluation of Ship Radiated Noise’s Continuous Spectrum.《2018 14th IEEE International Conference on Signal Processing》.2019,1024-1027. * |
基于时频谱相似度全并联AT牵引网行波测距方法;舒新星、陈剑云、华敏、傅钦翠;《铁道学报》;37-45 * |
基于频谱相似度的ICA不确定性快速消除;莫崇相、陆森林;《噪声与振动控制》;102-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN115173971A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN108629365B (zh) | 分析数据解析装置以及分析数据解析方法 | |
Saragiotis et al. | Automatic P phase picking using maximum kurtosis and/spl kappa/-statistics criteria | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN117633554B (zh) | 医用箱式物流传输监测及预警*** | |
CN111089856A (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN115459868A (zh) | 一种复杂环境下的毫米波通信性能评估方法及*** | |
Kosarevych et al. | Detection of pixels corrupted by impulse noise using random point patterns | |
CN115173971B (zh) | 一种基于频谱数据的宽带信号实时检测方法 | |
CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和*** | |
CN117315886B (zh) | 一种基于uwb雷达的人员即将跌倒检测方法及装置 | |
EP2265965B1 (en) | Relative noise of a measured signal | |
Diao et al. | Image sequence measures for automatic target tracking | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN115700595B (zh) | 基于射频指纹深度学习的身份识别方法及装置 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN112633320B (zh) | 基于相像系数和dbscan的雷达辐射源数据清洗方法 | |
Achim et al. | Statistical modelling for wavelet-domain image fusion | |
CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
CN112907860B (zh) | 一种光纤周界安防***入侵点检测的方法、***及其装置 | |
CN116720067B (zh) | 基于振荡信号的质谱图全局峰信息特征描述方法和装置 | |
Limpiti et al. | Time-frequency analysis for cancer detection using proteomic MS-spectra | |
Han et al. | Radio signal detection based on spectrogram | |
Latifi et al. | Maximum Distance Band Selection of Hyperspectral Images |
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 |