CN115265613A - 一种多频率间隔的布里渊频移提取方法及装置 - Google Patents
一种多频率间隔的布里渊频移提取方法及装置 Download PDFInfo
- Publication number
- CN115265613A CN115265613A CN202210896490.2A CN202210896490A CN115265613A CN 115265613 A CN115265613 A CN 115265613A CN 202210896490 A CN202210896490 A CN 202210896490A CN 115265613 A CN115265613 A CN 115265613A
- Authority
- CN
- China
- Prior art keywords
- frequency
- frequency shift
- data segment
- brillouin
- connected network
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35338—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using other arrangements than interferometer arrangements
- G01D5/35354—Sensor working in reflection
- G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity
- G01D5/35364—Sensor working in reflection using backscattering to detect the measured quantity using inelastic backscattering to detect the measured quantity, e.g. using Brillouin or Raman backscattering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种多频率间隔的布里渊频移提取方法,通过训练后的特征向量表能够使得输入的频率扫描间隔找到对应的特征向量表示,然后将输入的布里渊增益谱的数据段与对应的特征向量表示进行组合,将组合向量输入到训练后的全连接网络中准确得到分段频移和数据段贡献率,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果,该方法避免了对于不同的频率扫描间隔和不同长度的输入数据都需要进行重新训练,或者做相应的数据裁剪,具有较好的应用前景。本发明还公开了一种多频率间隔的布里渊频移提取装置。
Description
技术领域
本发明属于分布式光纤传感技术领域,具体涉及一种多频率间隔的布里渊频移提取方法及装置。
背景技术
分布式光纤传感技术具有同时获取在传感光纤区域内随时间和空间变化的被测量分布信息的能力,而布里渊散射在分布式检测温度和光纤应变中存在着传感距离长,空间分辨率高等优点,从而广泛应用于火灾预警、桥梁安全检测等。
布里渊散射是由于光波与声波在光纤中传播时相互作用产生的结果,布里渊散射产生的布里渊增益谱的峰值称为布里渊频移,布里渊频移与温度和应变之间存在线性变化,因此,可以通过布里渊频移的变化反推出温度或者应变的变化量。布里渊增益谱是洛伦兹曲线形状:
其中,g0为峰值增益系数,vB为布里渊频移,Δv为布里渊增益的全高半宽。因此,布里渊增益谱可以利用这三个参数来表征,v为频率采样序列。
布里渊频移的提取方法包括洛伦兹曲线拟合,神经网络提取的方式等。
公开号为CN113819932A的中国专利公开了布里渊频移的提取则依靠对于离散数据点的曲线拟合,传统的拟合方式主要包括数学分析拟合和深度学习神经网络拟合,其中,数学分析拟合往往过度依赖数据,当信号的信噪比过低时,往往会产生错误的拟合;单纯依赖深度学习神经网络拟合的方式,其拟合精度则主要由训练集数量和模型参数的设置决定,除了拟合正确度难以保证之外,也不能满足实际情况中所有的需求,该专利提出了综合利用数学分析拟合和深度学习拟合两种方式的拟合方法,综合利用两种方法的优点,一方面对两种拟合方式各自提出了优化,另一方面对优化后的两种拟合方法得出的拟合曲线做进一步处理,得到最终的拟合曲线,从而提升了对于布里渊频移提取的准确性。
洛伦兹曲线拟合需要大量的迭代,处理时间长以及受不同的初始值的影响较大,对噪声鲁棒性较差。神经网络提取布里渊频移结果精度高,鲁棒性好,处理时间快,但是需要预先训练网络模型,对于不同的频率扫描间隔和不同长度的输入数据都需要进行重新训练,或者做相应的数据裁剪,对实际的应用***来说限制较大。
发明内容
本发明提供了一种多频率间隔的布里渊频移提取方法,利用该方法能够对不同的频率扫描间隔和布里渊增益谱提取布里渊频移。
一种多频率间隔的布里渊频移提取方法,包括:
(1)获得多个布里渊增益谱和对应的布里渊频移标签,将多个布里渊增益谱构建训练样本集,获得频率扫描间隔序列,对频率扫描间隔序列进行特征向量初始化得到特征向量表;
(2)将训练样本分为多个数据段,将每个数据段与其采样频率扫描间隔一一对应的初始化特征向量进行组合得到组合向量,将组合向量通过全连接网络得到每个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果;
(3)基于布里渊频移结果和布里渊频移标签构建损失函数,基于训练样本集通过损失函数对特征向量表和全连接网络进行训练得到最终特征向量表和最终全连接网络。
对频率扫描间隔序列进行初始化特征向量得到特征向量表,包括:
对长度为m的频率扫描间隔序列[L1,L2,......,Lm]中的每个频率扫描间隔进行维度为W的随机特征向量初始化得到维度为m×K的特征向量表。
将训练样本分为多个数据段,包括:
每个训练样本具有n个幅值[y1,…,yn],将n个幅值分成n-D+1个长度为D的数据段Si=[yi,…,yi-1+D],其中,i=1,…,n-D+1,i为数据段的索引。
组合向量的长度为K+D。
对数据段贡献率进行归一化得到最终贡献率,第i个数据段最终贡献率Pi为:
布里渊频移结果bfs为:
fi=Ni+ri*step*10
Ni=i*step
其中,fi为第i个数据段频移,ri为第i个数据段的分段频移,Ni为第i个数据段的起始频率,step为步长。
全连接网络包括频移提取全连接网络和概率提取全连接网络,通过频移提取全连接网络得到每个数据段的分段频移,通过概率提取全连接网络得到数据段贡献率。
频移提取全连接网络和概率提取全连接网络均包括输入层,多个隐藏层和输出层。
一种多频率间隔的布里渊频移提取装置,包括:
输入模块,输入布里渊增益谱和频率扫描间隔,基于对比最终特征向量表得到频率扫描间隔对应的特征向量;
处理模块,将对应的特征向量分别与布里渊增益谱的每个数据段进行组合得到组合向量,将组合向量输入至最终全连接网络得到个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移;
输出模块,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果。
与现有技术相比,本发明的有益效果为:
通过训练后的特征向量表能够使得输入的频率扫描间隔找到对应的特征向量表示,然后将输入的布里渊增益谱的数据段与对应的特征向量表示进行组合,将组合向量输入到训练后的全连接网络中准确得到分段频移和数据段贡献率,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果,该方法避免了对于不同的频率扫描间隔和不同长度的输入数据都需要进行重新训练,或者做相应的数据裁剪,具有较好的应用前景。
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,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是具体实施方式提供的多频率间隔的布里渊频移提取方法框图;
图2是具体实施方式提供的多频率间隔的布里渊频移提取方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
数据集生成
频率扫描间隔序列为[2,5,10,15,20]MHz,m=5,信噪比为[1,21]dB,间隔2dB,布里渊频移范围为[0,300]MHz,间隔为1MHz,线宽范围为[40,150]MHz,间隔为10MHz。曲线形式为伪Voigt曲线,洛伦兹曲线占比为[0,1]间隔0.2,得到数据长度为[150,60,30,20,15]的数据集。
布里渊频移提取
本发明提供了一种多频率间隔的布里渊频移提取方法,如图1,2所示,具体步骤为:
S1:获得多个布里渊增益谱和对应的布里渊频移标签,将多个布里渊增益谱构建训练样本集,对频率扫描间隔序列进行特征向量初始化得到特征向量表[v1,…,vK],特征向量表的维度为m×K,m=5,K=10。
S2:训练样本的长度为50,即具有n=50个幅值[y1,…,y50],将50个幅值,按照步长为1,分为41个长度为D=10的数据段Si=[yi,…,yi-1+D],其中,i=1,…,n-D+1,i为数据段的索引。将每个数据段与特征向量表对应的特征向量进行组合得到组合向量G。
S3:构建全连接神经网络,全连接神经网络包括频移提取全连接网络和概率提取全连接网络,频移提取全连接网络是由输入大小为20的输入层,神经元数量为16的隐藏层,神经元数量为10的隐藏层以及神经元数量为1的输出层组成,其中隐藏层输出后接入RELU激活函数。而概率提取全连接网络是由输入大小为20的输入层,神经元数量为12的隐藏层,神经元数量为8的隐藏层以及神经元数量为1的输出层组成,其中隐藏层输出后接入RELU激活函数。通过频移提取全连接网络得到每个数据段的分段频移,通过概率提取全连接网络得到数据段贡献率。
S4:通过分段频移和起始频率构建每个数据段频移,其中,第i个数据段频移fi为:
fi=Ni+ri*step*10
其中,ri为第i个数据段的分段频移,Ni为第i个数据段的起始频率,step为步长。
将数据段贡献率通过归一化得到最终贡献率,第i个数据段最终贡献率pi为:
每个数据段频移和数据段贡献率相乘后加和得到预测的布里渊频移结果bfs为:
S5:基于布里渊频移结果和布里渊频移标签label构建损失函数L1Loss,基于训练样本集通过损失函数对特征向量表和全连接网络进行训练得到最终特征向量表和最终全连接网络。
l1loss=||bfs-label||
应用时,输入布里渊增益谱和频率扫描间隔,基于最终特征向量表得到频率扫描间隔对应的特征向量,将对应的特征向量分别与布里渊增益谱的每个数据段进行组合得到组合向量,将组合向量输入至最终全连接网络得到个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果。
一种多频率间隔的布里渊频移提取装置,包括:
输入模块,输入布里渊增益谱和频率扫描间隔,基于对比最终特征向量表得到频率扫描间隔对应的特征向量;
处理模块,将对应的特征向量分别与布里渊增益谱的每个数据段进行组合得到组合向量,将组合向量输入至最终全连接网络得到个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移;
输入模块,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果。
总体而言,与之前的布里渊频移提取方法相比,本发明具有以下优点:
(1)可以适用于多个扫描频率步长且满足一定条件的不定长度的布里渊增益谱的布里渊频移提取;
(2)不同布里渊频移的BGS提取结果稳定性较好,适用于不确定扫描初始频率的实际应用场景;
(3)精度与单间隔网络相比可比较。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种多频率间隔的布里渊频移提取方法,其特征在于,包括:
(1)获得多个布里渊增益谱和对应的布里渊频移标签,将多个布里渊增益谱构建训练样本集,获得频率扫描间隔序列,对频率扫描间隔序列进行特征向量初始化得到特征向量表;
(2)将训练样本分为多个数据段,将每个数据段与其采样频率扫描间隔一一对应的初始化特征向量进行组合得到组合向量,将组合向量通过全连接网络得到每个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果;
(3)基于布里渊频移结果和布里渊频移标签构建损失函数,基于训练样本集通过损失函数对特征向量表和全连接网络进行训练得到最终特征向量表和最终全连接网络。
2.根据权利要求1所述的多频率间隔的布里渊频移提取方法,其特征在于,对频率扫描间隔序列进行初始化特征向量得到特征向量表,包括:
对长度为m的频率扫描间隔序列[L1,L2,......,Lm]中的每个频率扫描间隔进行维度为W的随机特征向量初始化得到维度为m×K的特征向量表。
3.根据权利要求2所述的多频率间隔的布里渊频移提取方法,其特征在于,将训练样本分为多个数据段,包括:
每个训练样本具有n个幅值[y1,…,yn],将n个幅值分成n-D+1个长度为D的数据段Si=[yi,…,yi-1+D],其中,i=1,…,n-D+1,i为数据段的索引。
4.根据权利要求3所述的多频率间隔的布里渊频移提取方法,其特征在于,组合向量的长度为K+D。
7.根据权利要求1所述的多频率间隔的布里渊频移提取方法,其特征在于,全连接网络包括频移提取全连接网络和概率提取全连接网络,通过频移提取全连接网络得到每个数据段的分段频移,通过概率提取全连接网络得到数据段贡献率。
8.根据权利要求1所述的多频率间隔的布里渊频移提取方法,其特征在于,频移提取全连接网络和概率提取全连接网络均包括输入层,多个隐藏层和输出层。
9.一种多频率间隔的布里渊频移提取装置,其特征在于,包括:
输入模块,输入布里渊增益谱和频率扫描间隔,基于对比最终特征向量表得到频率扫描间隔对应的特征向量;
处理模块,将对应的特征向量分别与布里渊增益谱的每个数据段进行组合得到组合向量,将组合向量输入至最终全连接网络得到个数据段的分段频移和数据段贡献率,通过分段频移和起始频率构建每个数据段频移;
输出模块,将每个数据段频移和数据段贡献率相乘后加和得到布里渊频移结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210896490.2A CN115265613B (zh) | 2022-07-28 | 2022-07-28 | 一种多频率间隔的布里渊频移提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210896490.2A CN115265613B (zh) | 2022-07-28 | 2022-07-28 | 一种多频率间隔的布里渊频移提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115265613A true CN115265613A (zh) | 2022-11-01 |
CN115265613B CN115265613B (zh) | 2024-07-02 |
Family
ID=83772320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210896490.2A Active CN115265613B (zh) | 2022-07-28 | 2022-07-28 | 一种多频率间隔的布里渊频移提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115265613B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
CN112697179A (zh) * | 2020-11-17 | 2021-04-23 | 浙江工业大学 | 一种基于AdaBoost的布里渊频移提取方法 |
CN112801306A (zh) * | 2021-01-07 | 2021-05-14 | 浙江工业大学 | 一种基于随机扫频和机器学习的布里渊频移提取方法 |
JP2021128131A (ja) * | 2020-02-17 | 2021-09-02 | 国立大学法人東京農工大学 | ブリルアン周波数シフト測定装置及びブリルアン周波数シフト測定方法 |
CN113343173A (zh) * | 2021-06-01 | 2021-09-03 | 浙江大学 | 一种布里渊频移提取方法 |
CN113465676A (zh) * | 2021-07-09 | 2021-10-01 | 浙江大学 | 一种双阶段布里渊频移提取方法 |
CN113639775A (zh) * | 2021-08-11 | 2021-11-12 | 武汉钧恒科技有限公司 | 一种基于布里渊光时域反射仪的频移提取的方法和装置 |
CN113819932A (zh) * | 2021-09-28 | 2021-12-21 | 北京卫星环境工程研究所 | 一种基于深度学习和数学拟合的布里渊频移提取方法 |
-
2022
- 2022-07-28 CN CN202210896490.2A patent/CN115265613B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
JP2021128131A (ja) * | 2020-02-17 | 2021-09-02 | 国立大学法人東京農工大学 | ブリルアン周波数シフト測定装置及びブリルアン周波数シフト測定方法 |
CN112697179A (zh) * | 2020-11-17 | 2021-04-23 | 浙江工业大学 | 一种基于AdaBoost的布里渊频移提取方法 |
CN112801306A (zh) * | 2021-01-07 | 2021-05-14 | 浙江工业大学 | 一种基于随机扫频和机器学习的布里渊频移提取方法 |
CN113343173A (zh) * | 2021-06-01 | 2021-09-03 | 浙江大学 | 一种布里渊频移提取方法 |
CN113465676A (zh) * | 2021-07-09 | 2021-10-01 | 浙江大学 | 一种双阶段布里渊频移提取方法 |
CN113639775A (zh) * | 2021-08-11 | 2021-11-12 | 武汉钧恒科技有限公司 | 一种基于布里渊光时域反射仪的频移提取的方法和装置 |
CN113819932A (zh) * | 2021-09-28 | 2021-12-21 | 北京卫星环境工程研究所 | 一种基于深度学习和数学拟合的布里渊频移提取方法 |
Non-Patent Citations (1)
Title |
---|
李治龙 等: "基于机器学习的布里渊光时域分析传感***温度提取研究进展", 激光与光电子学进展, vol. 58, no. 13, 31 July 2021 (2021-07-31), pages 1306022 - 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN115265613B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343173B (zh) | 一种布里渊频移提取方法 | |
US8718803B2 (en) | Method for calculating measures of similarity between time signals | |
CN108896274B (zh) | 一种基于子集窗长度优化算法的分布式光纤应变解调方法 | |
CN112132256B (zh) | 一种基于神经网络的拉曼分布式温度传感方法和*** | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及*** | |
CN113465676B (zh) | 一种双阶段布里渊频移提取方法 | |
CN107966687B (zh) | 基于部分自相关谱的mimo雷达信号调制类型识别方法 | |
CN110501092B (zh) | 一种布里渊光纤传感***温度提取方法 | |
Palmer et al. | Complexity in the atmosphere | |
CN114861737A (zh) | 分布式光纤传感***的远端扰动特征提取方法及*** | |
CN113819932B (zh) | 一种基于深度学习和数学拟合的布里渊频移提取方法 | |
CN115265613A (zh) | 一种多频率间隔的布里渊频移提取方法及装置 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN115310304A (zh) | 一种基于改进svd的干式空心电抗器光纤传感降噪方法 | |
CN115265614A (zh) | 一种基于互相关谱和曲线拟合的距离域错位校正方法 | |
Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
CN113155267A (zh) | 一种基于二次相关的ofdr***振动检测方法、***、存储介质和终端 | |
Perďoch et al. | An improved radar clutter suppression by simple neural network | |
CN114353844A (zh) | 一种光纤光栅信号解调方法 | |
CN112986940A (zh) | 一种用于水平距离上的雷达海杂波功率的预测方法 | |
Qiao et al. | Recognition and parameter estimation of spaceborne synthetic aperture radar pulse repetition interval modulation based on short time modified pulse repetition interval transform | |
CN114584432B (zh) | 基于改进平滑周期图算法的信号检测方法 | |
CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 | |
CN118050740B (zh) | 一种调频连续波激光雷达信号分析方法及*** | |
Zhou et al. | CAU-Net: A Convolutional Attention U-Network For Radar Signal Deinterleaving |
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 |