CN117147966A - 一种电磁频谱信号能量异常检测方法 - Google Patents
一种电磁频谱信号能量异常检测方法 Download PDFInfo
- Publication number
- CN117147966A CN117147966A CN202311110359.XA CN202311110359A CN117147966A CN 117147966 A CN117147966 A CN 117147966A CN 202311110359 A CN202311110359 A CN 202311110359A CN 117147966 A CN117147966 A CN 117147966A
- Authority
- CN
- China
- Prior art keywords
- energy
- variance
- signal
- processing
- image
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 77
- 230000005856 abnormality Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computer Networks & Wireless Communication (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电磁频谱信号能量异常检测方法,该方法包括:在执行重要监测任务前,获取电磁频谱信号;对电磁频谱信号进行处理,得到k个典型频率的频谱,对k个典型频率的频谱进行处理,得到信号能量波动门限;在执行重要监测任务时,实时计算电磁频谱信号的能量波动方差;将能量波动方差与信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果;在信号能量异常时,对能量波动方差进行处理,得到能量异常程度信息;根据能量异常程度信息进行告警处理。本发明实现了对电磁频谱信号数据的客观分析,以及信号能量异常的自动检测,提高了导致信号变化的重要事件发现效率,增加了目标意图分析的维度。
Description
技术领域
本发明涉及电磁频谱空间异常检测技术领域,尤其涉及一种电磁频谱信号能量异常检测方法。
背景技术
掌握电磁频谱信号活动情况是电磁频谱空间领域的一项重要活动,其途径和方式的优势决定了分析的效率和准确性。目前,电磁频谱信号活动情况的掌握,针对电子目标主要依赖于电子侦察,针对小范围辐射源主要依赖于频谱监测等设备,但随着频谱监测设备能力的提升,也能发现更远的信号,包括电子目标的信号。频谱监测设备的优势是能从时、空、频、能、谱等多维度对电磁频谱信号进行分析和处理,并且能域是频谱信号的重要要素,能够弥补传统电子侦察方式在能域分析处理上的薄弱之处。通过频谱监测设备观测到的电磁频谱信号剧烈变化,最直接的表现就是信号能量大幅度波动,比如:信号出现、消失,信号功率增强、降低等,对这类信号能量大幅度波动统一定义为信号能量异常,这些异常往往预示着重要事件的发生。现有技术对电磁频谱信号能量异常的发现,往往依赖于人的经验,具体体现在以下两方面:
人工分析电磁频谱信号能量幅值变化剧烈程度判断异常。该类方法主要是利用频谱监测设备测量的频率、带宽、调制方式、方向、信号电平等参数,与历史数据进行比对,并观察信号变化幅度和持续时间,继而人工判断出信号是否发生异常。这种方式判断信号能量异常的正确性取决于人的经验,并需要人工长时值守才能发现频谱能量异常。
设置电磁频谱信号能量门限判断超标异常。该类方法是基于频谱监测设备获取的信号频谱,依据经验设置能量幅度门限,或者依据统计信号历史平均变化情况设置门限,超过该门限则表示发生异常。这种方式较前面的人工分析方式有所进步,但仍然需要根据人的经验或者数据平均统计情况设置信号门限,无法保证门限的准确性;并且电磁环境发生变化,或者监测设备发生搬动,均需要重新设置门限,无法自动适应性调整门限。
发明内容
本发明所要解决的技术问题在于,提供一种电磁频谱信号能量异常检测方法,应用于对电磁频谱信号变化的检测处理,能够基于频谱监测设备获取的电磁频谱信号谱变化的特点,进行电磁频谱信号能量异常的客观自动检测与发现。
为了解决上述技术问题,本发明实施例公开了电磁频谱信号能量异常检测方法,所述方法包括:
S1,在执行重要监测任务前,获取电磁频谱信号;
S2,对所述电磁频谱信号进行处理,得到k个典型频率的频谱,k为整数;
S3,对所述k个典型频率的频谱进行处理,得到信号能量波动门限;
S4,在执行重要监测任务时,实时计算电磁频谱信号的能量波动方差;
S5,将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果;
S6,在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息;
S7,根据所述能量异常程度信息进行告警处理。
作为一种可选的实施方式,本发明实施例中,所述对所述k个典型频率的频谱进行处理,得到信号能量波动门限,包括:
S31,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
S32,对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息;
S33,对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵;
S34,对所述图像总的模糊熵进行处理,得到信号能量波动门限。
作为一种可选的实施方式,本发明实施例中,所述对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵,包括:
利用方差计算模型,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
所述方差计算模型为:
其中,i=1,2,…,k,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,Smi(E)为第i个典型频率的第mi帧频谱,/>为k个典型频率的频谱均值。
作为一种可选的实施方式,本发明实施例中,所述对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息,包括:
对所述频谱能量方差矩阵进行处理,得到图像灰度值;
所述图像灰度值为:
其中,mi=1,2,…,M,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,L=256,*表示相乘,ximi为第i个典型频率第mi帧的图像灰度值;
k个典型频率图像灰度值构成频谱能量方差图像信息;
所述频谱能量方差图像信息为:
{xi1,xi2,…,xiM}
其中i=1,2,…,k。
作为一种可选的实施方式,本发明实施例中,所述对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵,包括:
S331,对所述频谱能量方差图像信息进行处理,得到模糊集矩阵;
S332,对所述频谱能量方差图像信息进行处理,得到图像直方图;
S333,预设阈值,根据所述阈值对图像直方图进行划分,得到目标图像和背景图像;
S334,根据所述模糊集矩阵,对所述目标图像和背景图像进行处理,得到像素属于目标图像的条件概率和像素属于背景图像的条件概率;
S335,对所述像素属于目标图像的条件概率和像素属于背景图像的条件概率进行处理,得到图像总的模糊熵。
作为一种可选的实施方式,本发明实施例中,所述对所述图像总的模糊熵进行处理,得到信号能量波动门限,包括:
S341,对所述图像总的模糊熵进行处理,得到最大模糊熵和平均模糊熵;
S342,对所述最大模糊熵和平均模糊熵进行处理,得到启发函数;
S343,对所述启发函数进行处理,得到最优模糊熵;
S344,对所述最优模糊熵进行处理,得到图像分割阈值;
S345,对所述图像分割阈值进行处理,得到信号能量波动门限。
作为一种可选的实施方式,本发明实施例中,所述实时计算电磁频谱信号的能量波动方差,包括:
利用实时滑窗模型,计算电磁频谱信号的能量波动方差;
所述实时滑窗模型为:
其中,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,步长表示为1,表示第i个典型频率t0窗内电磁频谱信号的能量波动方差,Sni(E)为第i个典型频率t0窗内的频谱,/>为k个典型频率的频谱均值。
作为一种可选的实施方式,本发明实施例中,所述将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息,包括:
S51,记录当前窗口内的能量波动方差和当前窗口1个步长前窗口内的能量波动方差,得到第一能量波动方差和第二能量波动方差;
S52,将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息。
作为一种可选的实施方式,本发明实施例中,所述将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果,包括:
S521,如果所述信号能量波动门限大于等于第一能量波动方差,且小于第二能量波动方差,则当前时间窗口信号能量大幅度增加,信号能量异常检测结果为信号能量异常;
S522,如果所述信号能量波动门限大于等于第二能量波动方差,且小于第一能量波动方差,则当前时间窗口信号能量大幅度下降,信号能量异常检测结果为信号能量异常。
作为一种可选的实施方式,本发明实施例中,所述在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息,包括:
对所述能量波动方差进行处理,得到第一能量波动方差和第二能量波动方差;
利用能量异常程度计算模型,对所述第一能量波动方差和第二能量波动方差进行处理,得到能量异常程度信息;
所述能量异常程度计算模型为:
其中,E1为能量异常程度信息,为第二能量波动方差,/>为第一能量波动方差,i=1,2,…,k,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,t0为窗的位置,k为典型频率的个数。
与现有技术相比,本发明实施例具有以下有益效果:
(1)本发明提出了一种电磁频谱信号能量异常检测方法,实现了对电磁频谱信号数据的客观分析,以及信号能量异常的自动检测,提高了导致信号变化的重要事件发现效率;
(2)为目标异常行为分析从能域维度提供了新的佐证手段,增加了目标意图分析的维度;
(3)使得目标用频变化检测从频点切换或者工作模式变化扩展到用频能量的变化。
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他的附图。
图1是本发明实施例公开的一种电磁频谱信号能量异常检测方法的流程示意图;
图2是本发明实施例公开的另一种电磁频谱信号能量异常检测方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种电磁频谱信号能量异常检测方法,在执行重要监测任务前,获取电磁频谱信号;对电磁频谱信号进行处理,得到k个典型频率的频谱,对k个典型频率的频谱进行处理,得到信号能量波动门限;在执行重要监测任务时,实时计算电磁频谱信号的能量波动方差;将能量波动方差与信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果;在信号能量异常时,对能量波动方差进行处理,得到能量异常程度信息;根据能量异常程度信息进行告警处理。本发明实现了对电磁频谱信号数据的客观分析,以及信号能量异常的自动检测,提高了导致信号变化的重要事件发现效率,增加了目标意图分析的维度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种电磁频谱信号能量异常检测方法的流程示意图。其中,图1所描述的电磁频谱信号能量异常检测方法应用于频谱态势***,完成实时电磁频谱信号能量异常自动检测,为电磁频谱信号事件关联分析、目标用频行为和意图分析提供有力支持,本发明实施例不做限定。如图1所示,该出电磁频谱信号能量异常检测方法可以包括以下操作:
S1,在执行重要监测任务前,获取电磁频谱信号;
S2,对所述电磁频谱信号进行处理,得到k个典型频率的频谱,k为整数;
S3,对所述k个典型频率的频谱进行处理,得到信号能量波动门限;
S4,在执行重要监测任务时,实时计算电磁频谱信号的能量波动方差;
S5,将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果;
S6,在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息;
S7,根据所述能量异常程度信息进行告警处理。
可选的,所述对所述k个典型频率的频谱进行处理,得到信号能量波动门限,包括:
S31,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
S32,对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息;
S33,对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵;
S34,对所述图像总的模糊熵进行处理,得到信号能量波动门限。
可选的,所述对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵,包括:
利用方差计算模型,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
所述方差计算模型为:
其中,i=1,2,…,k,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,Smi(E)为第i个典型频率的第mi帧频谱,/>为k个典型频率的频谱均值。
可选的,所述对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息,包括:
对所述频谱能量方差矩阵进行处理,得到图像灰度值;
所述图像灰度值为:
其中,mi=1,2,…,M,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,L=256,*表示相乘,ximi为第i个典型频率第mi帧的图像灰度值;
k个典型频率图像灰度值构成频谱能量方差图像信息;
所述频谱能量方差图像信息为:
{xi1,xi2,…,xiM}
其中i=1,2,…,k。
可选的,所述对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵,包括:
S331,对所述频谱能量方差图像信息进行处理,得到模糊集矩阵;
S332,对所述频谱能量方差图像信息进行处理,得到图像直方图;
S333,预设阈值,根据所述阈值对图像直方图进行划分,得到目标图像和背景图像;
可以,以直方图双峰之间的谷底处灰度值作为阈值,对图像直方图进行划分,得到目标图像和背景图像;
S334,根据所述模糊集矩阵,对所述目标图像和背景图像进行处理,得到像素属于目标图像的条件概率和像素属于背景图像的条件概率;
S335,对所述像素属于目标图像的条件概率和像素属于背景图像的条件概率进行处理,得到图像总的模糊熵。
可选的,目标图像和背景图像可以通过利用脉冲耦合神经网络模型和飞蛾扑火算法实现,步骤如下:
步骤一:飞蛾扑火算法初始化。
设定飞蛾种群搜索规模,初始火焰数量,最大迭代次数,当前迭代次数,对数螺旋常数,待求变量个数的初始值。
步骤二:生成初始种群。
脉冲耦合神经网络模型图像分割需要确定的三个参数为连接系数、幅度系数、衰减系数,连接系数的取值范围为[0.0001,1],衰减系数的取值范围为[0.1,1],幅度系数的取值范围设定为被分割图像灰度值的上下限。设定种群规模为20。
随机生成初始化种群其中M为初始时飞蛾数目,设M=20。
每个个体的空间位置用向量为:
其中,i=1,2,…,M,t为迭代的代数,d为待求变量的个数,即待求的问题的解的维度,d=3,三个变量分别代表连接系数、幅度系数、衰减系数。
步骤三:初始化火焰空间位置。
在搜索空间中随机生成飞蛾的位置,将得到的每只飞蛾对应的参数代入脉冲耦合神经网络模型对图像进行分割。对飞蛾所处的空间位置对应的适应度值排序,作为第1代火焰的空间位置。
步骤四:更新飞蛾位置。
飞蛾空间位置的更新依赖于其所环绕的火焰,更新当前代飞蛾的空间位置:
Mi=S(Mi,Fj)
其中,S代表螺旋函数,Mi代表第i只飞蛾,Fj代表第j个火焰。
步骤五:分别计算每个个体的适应度值。
将得到的每只飞蛾对应的参数带入PCNN模型对图像进行分割,求出种群所有飞蛾相应的交叉熵,把它记为适应度值。交叉熵函数定义如下:
其中,D是交叉熵值,z表示的是图像像素的灰度值,Z是灰度值的最大值,S表示分割图的区域,S1表示目标区域,S2表示背景区域,μ1和μ2分别表示目标区域和背景区域的像素灰度值的平均值。th表示取得最小值时的像素的最小灰度,h(z)表示图像被分割后像素灰度值为z的个数。
步骤六:更新火焰位置。
将更新后的飞蛾位置对应的代入参数脉冲耦合神经网络模型对图像进行分割,得到适应度值后,按照适应度值从大到小排序排列,然后与上一代火焰的适应度值进行比较,选取更优的适应度值更新火焰的位置。
步骤七:自适应减少火焰的数量。
把当前火焰的数量依据种群最大个体数数和最大迭代次数按照自适应减少规则逐渐减少,火焰数量的减少既可以加快飞蛾对最优解的搜索,也可以让因为火焰数目减少未与火焰匹配的飞蛾参与全局范围的最优解的搜索。火焰数量自适应减少的公式如下:
其中,N表示种群中飞蛾的数量,T表示最大迭代次数,w代表当前的迭代次数,round表示四舍五入。
步骤八:判断算法是否达到初始时设定的最大迭代次数,若达到最大迭代次数,则结束算法,输出分割图像;若未达到最大迭代次数,则返回步骤四,进入下一次迭代。
可选的,所述对所述图像总的模糊熵进行处理,得到信号能量波动门限,包括:
S341,对所述图像总的模糊熵进行处理,得到最大模糊熵和平均模糊熵;
S342,对所述最大模糊熵和平均模糊熵进行处理,得到启发函数;
S343,对所述启发函数进行处理,得到最优模糊熵;
S344,对所述最优模糊熵进行处理,得到图像分割阈值;
S345,对所述图像分割阈值进行处理,得到信号能量波动门限。
可选的,所述实时计算电磁频谱信号的能量波动方差,包括:
利用实时滑窗模型,计算电磁频谱信号的能量波动方差;
所述实时滑窗模型为:
其中,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,步长表示为1,表示第i个典型频率t0窗内电磁频谱信号的能量波动方差,Sni(E)为第i个典型频率t0窗内的频谱,/>为k个典型频率的频谱均值。
可选的,所述将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息,包括:
S51,记录当前窗口内的能量波动方差和当前窗口1个步长前窗口内的能量波动方差,得到第一能量波动方差和第二能量波动方差;
S52,将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息。
可选的,所述将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果,包括:
S521,如果所述信号能量波动门限大于等于第一能量波动方差,且小于第二能量波动方差,则当前时间窗口信号能量大幅度增加,信号能量异常检测结果为信号能量异常;
S522,如果所述信号能量波动门限大于等于第二能量波动方差,且小于第一能量波动方差,则当前时间窗口信号能量大幅度下降,信号能量异常检测结果为信号能量异常。
可选的,所述在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息,包括:
对所述能量波动方差进行处理,得到第一能量波动方差和第二能量波动方差;
利用能量异常程度计算模型,对所述第一能量波动方差和第二能量波动方差进行处理,得到能量异常程度信息;
所述能量异常程度计算模型为:
其中,E1为能量异常程度信息,为第二能量波动方差,/>为第一能量波动方差,i=1,2,…,k,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,t0为窗的位置,k为典型频率的个数。
实施例二
请参阅图2,图2是本发明实施例公开的另一种电磁频谱信号能量异常检测方法的流程示意图。其中,图2所描述的电磁频谱信号能量异常检测方法应用于频谱态势***,完成实时电磁频谱信号能量异常自动检测,为电磁频谱信号事件关联分析、目标用频行为和意图分析提供有力支持,本发明实施例不做限定。如图2所示,该出电磁频谱信号能量异常检测方法可以包括以下操作(以f1为例):
步骤1:计算各频率信号能量波动门限
根据监测设备周围复杂的电磁环境,针对不同频率选取合理的能量波动门限是信号能量异常自动检测的先决条件。具体方法是在一定时间内持续监测电磁频谱信号并记录各典型频率(f1,f2,…,fk)的频谱,k为典型频率个数,并利用蚁群算法从中推断计算出的方差作为信号能量波动门限。
步骤1.1:计算频谱能量方差矩阵并映射成图像
以f1为例,先采集M帧的频谱信号Sm1(E),计算出每帧频谱信号方差得到方差矩阵:
E为能量,为信号强度均值。
接着将方差矩阵映射到L为256级的图像灰度空间:
{x11,x12,…,x1m} (2)
式中,
步骤1.2:构建模糊集及隶属度函数
根据形成的图像,构建出模糊集矩阵,公式如下所示:
X=[μ1m1(x1m1)]1×M,m1=1,2,3,…,M (3)
其中,μ1m1(x1m1)表示矩阵中第(1,m1)个像素的灰度模糊集的隶属度为μ1m1,或图像第(1,m1)个像素x1m1具有某种特征的程度为μ1m1,且μ1m1∈[0,1]。
模糊隶属度函数采用S函数和Z函数(Z=1-S),如下所示:
式中,μa(k)和μb(k)分别表示灰度值为k的像素属于目标和背景的模糊隶属度函数值,a,b,c是隶属度函数的可变参量,μ0(k)为隶属度函数。
设H={p0,p1,…,pL-1}为图像的直方图,其中nk为图像X中灰度值为k的像素个数,M×N表示灰度图像矩阵的大小。设阈值T将图像分为目标Ea和背景Eb两类,则其概率分布分别为:
pa=p(Ea) (4)
pb=p(Eb) (5)
用pa/k和pb/k分别表示灰度值为k的像素属于目标和背景的条件概率,则目标和背景的概率分布为:
pka=pk×pa/k (6)
pkb=pk×pb/k (7)
将灰度值为k的pa/k和pb/k与其属于目标和背景的隶属函数值相关联,则有:
pa/k=μa(k) (8)
pb/7=μb(k) (9)
因此,各类的类内模糊熵为:
图像总的模糊熵为:
H(a,b,c)=Ha+Hb
可见,图像总的模糊熵是参数a,b,c的函数,根据最大熵准则确定参数a,b,c的值,在最佳阀值T处,目标和背景的模糊隶属度函数值相等,即应满足如下条件:
μa(T)=μb(T)=0.5 (15)
由此可见,寻找最佳分割阀值相当于寻找a,b,c的最优组合。
步骤1.3:蚁群算法求解方差门限
设置蚁群目标函数L(H)如下所示:
L(H)=H(a,b,c) (16)
令Lmax(H)和Lavg(H)分别表示最大模糊熵和平均模糊熵,则启发函数η可表示为:
经过迭代求解获取(a,b,c)的最优组合值,并利用该结果推导出图像分割阀值x10,即T,接着根据式(18)求得频率为f1时能量谱的方差阀值
步骤2:频谱能量波动门限异常检测
在对重点频率信号的频谱能量进行实时监测的过程中,通过滑动窗口的方式计算积累形成的频谱能量波动方差,并与对应信号能量波动门限比较,实现即时电磁频谱信号能量异常检测,其原理框图如图2所示。
步骤2.1:实时滑窗计算信号能量波动方差
以典型频率f1为例,采用滑动窗口的形式对收集的频谱信号能量数据Sn1(E)进行分块,窗宽表示为N,步长表示为t,并实时计算t0窗内数据的方差:
/>
步骤2.2:频谱能量波动变化对比检测
记录当前窗口内数据的方差为1个步长前窗口内数据的方差为/>将两个方差与方差门限进行大小对比,如满足以下任意一个公式,并保持到下一个窗口步长,则判断当前时间窗口里发生了能量异常变化:
σn1 2’≤σ01 2<σn1 2 (20)
σn1 2<σ01 2≤σn1 2’ (21)
其中的计算公式如下所示:
满足式(20)说明在当前时间窗口出现信号能量大幅度增加,而满足式(21)说明在当前时间窗口出现信号能量大幅度下降。
步骤3:能量异常严重程度分析与告警
当发现信号能量异常后,通过计算偏离正常门限的程度E1划分异常严重程度,并向频谱监测人员提示告警,为辐射源信号的用频行为和意图分析提供支持。
为了保证告警等级划分方法的规范性,避免重点频率间特有属性差异对等级划分的影响,衡量偏离正常门限程度E1的计算方法采用与当前频率对应波动门限的比值形式,如下所示:
其中,E1的幅值范围为[0,∞),而能量异常变化的严重程度和E1的值具有正相关性,具体异常严重程度等级划分方式见表1。
表1异常严重程度划分表
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种电磁频谱信号能量异常检测方法所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种电磁频谱信号能量异常检测方法,其特征在于,所述方法包括:
S1,在执行重要监测任务前,获取电磁频谱信号;
S2,对所述电磁频谱信号进行处理,得到k个典型频率的频谱,k为整数;
S3,对所述k个典型频率的频谱进行处理,得到信号能量波动门限;
S4,在执行重要监测任务时,实时计算电磁频谱信号的能量波动方差;
S5,将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果;
S6,在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息;
S7,根据所述能量异常程度信息进行告警处理。
2.根据权利要求1所述的电磁频谱信号能量异常检测方法,其特征在于,所述对所述k个典型频率的频谱进行处理,得到信号能量波动门限,包括:
S31,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
S32,对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息;
S33,对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵;
S34,对所述图像总的模糊熵进行处理,得到信号能量波动门限。
3.根据权利要求2所述的电磁频谱信号能量异常检测方法,其特征在于,所述对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵,包括:
利用方差计算模型,对所述k个典型频率的频谱进行处理,得到频谱能量方差矩阵;
所述方差计算模型为:
其中,i=1,2,…,k,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,Smi(E)为第i个典型频率的第mi帧频谱,/>为k个典型频率的频谱均值。
4.根据权利要求2所述的电磁频谱信号能量异常检测方法,其特征在于,所述对所述频谱能量方差矩阵进行映射,得到频谱能量方差图像信息,包括:
对所述频谱能量方差矩阵进行处理,得到图像灰度值;
所述图像灰度值为:
其中,mi=1,2,…,M,M为采集的电磁频谱信号的帧数,为第mi帧频谱能量方差矩阵,L=256,*表示相乘,ximi为第i个典型频率第mi帧的图像灰度值;
k个典型频率图像灰度值构成频谱能量方差图像信息;
所述频谱能量方差图像信息为:
{xi1,xi2,…,xiM}
其中i=1,2,…,k。
5.根据权利要求2所述的电磁频谱信号能量异常检测方法,其特征在于,所述对所述频谱能量方差图像信息进行处理,得到图像总的模糊熵,包括:
S331,对所述频谱能量方差图像信息进行处理,得到模糊集矩阵;
S332,对所述频谱能量方差图像信息进行处理,得到图像直方图;
S333,预设阈值,根据所述阈值对图像直方图进行划分,得到目标图像和背景图像;
S334,根据所述模糊集矩阵,对所述目标图像和背景图像进行处理,得到像素属于目标图像的条件概率和像素属于背景图像的条件概率;
S335,对所述像素属于目标图像的条件概率和像素属于背景图像的条件概率进行处理,得到图像总的模糊熵。
6.根据权利要求2所述的电磁频谱信号能量异常检测方法,其特征在于,所述对所述图像总的模糊熵进行处理,得到信号能量波动门限,包括:
S341,对所述图像总的模糊熵进行处理,得到最大模糊熵和平均模糊熵;
S342,对所述最大模糊熵和平均模糊熵进行处理,得到启发函数;
S343,对所述启发函数进行处理,得到最优模糊熵;
S344,对所述最优模糊熵进行处理,得到图像分割阈值;
S345,对所述图像分割阈值进行处理,得到信号能量波动门限。
7.根据权利要求1所述的电磁频谱信号能量异常检测方法,其特征在于,所述实时计算电磁频谱信号的能量波动方差,包括:
利用实时滑窗模型,计算电磁频谱信号的能量波动方差;
所述实时滑窗模型为:
其中,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,步长表示为1,表示第i个典型频率t0窗内电磁频谱信号的能量波动方差,Sni(E)为第i个典型频率t0窗内的频谱,/>为k个典型频率的频谱均值。
8.根据权利要求1所述的电磁频谱信号能量异常检测方法,其特征在于,所述将所述能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息,包括:
S51,记录当前窗口内的能量波动方差和当前窗口1个步长前窗口内的能量波动方差,得到第一能量波动方差和第二能量波动方差;
S52,将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测信息。
9.根据权利要求8所述的电磁频谱信号能量异常检测方法,其特征在于,所述将所述第一能量波动方差和第二能量波动方差与所述信号能量波动门限进行频谱能量波动变化对比检测,得到信号能量异常检测结果,包括:
S521,如果所述信号能量波动门限大于等于第一能量波动方差,且小于第二能量波动方差,则当前时间窗口信号能量大幅度增加,信号能量异常检测结果为信号能量异常;
S522,如果所述信号能量波动门限大于等于第二能量波动方差,且小于第一能量波动方差,则当前时间窗口信号能量大幅度下降,信号能量异常检测结果为信号能量异常。
10.根据权利要求1所述的电磁频谱信号能量异常检测方法,其特征在于,所述在信号能量异常时,对所述能量波动方差进行处理,得到能量异常程度信息,包括:
对所述能量波动方差进行处理,得到第一能量波动方差和第二能量波动方差;
利用能量异常程度计算模型,对所述第一能量波动方差和第二能量波动方差进行处理,得到能量异常程度信息;
所述能量异常程度计算模型为:
其中,E1为能量异常程度信息,为第二能量波动方差,/>为第一能量波动方差,i=1,2,…,k,ni=t0,t0+1,t0+2,…,N+t0-1,窗的宽度为N,t0为窗的位置,k为典型频率的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311110359.XA CN117147966B (zh) | 2023-08-30 | 2023-08-30 | 一种电磁频谱信号能量异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311110359.XA CN117147966B (zh) | 2023-08-30 | 2023-08-30 | 一种电磁频谱信号能量异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117147966A true CN117147966A (zh) | 2023-12-01 |
CN117147966B CN117147966B (zh) | 2024-05-07 |
Family
ID=88900154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311110359.XA Active CN117147966B (zh) | 2023-08-30 | 2023-08-30 | 一种电磁频谱信号能量异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117147966B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080828A1 (en) * | 2003-10-08 | 2005-04-14 | Johnson Mark W. | Method for displaying spectral trends in complex signals |
US20110093260A1 (en) * | 2009-10-15 | 2011-04-21 | Yuanyuan Liu | Signal classifying method and apparatus |
CN103414527A (zh) * | 2013-08-08 | 2013-11-27 | 西安电子科技大学 | 一种基于能量检测的信号检测方法 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别***及其方法 |
CN105025583A (zh) * | 2015-07-02 | 2015-11-04 | 哈尔滨工业大学 | 基于能量与协方差检测的分步频谱感知方法 |
CN105467428A (zh) * | 2015-11-17 | 2016-04-06 | 南京航空航天大学 | 一种基于短时能量检测和频谱特征分析的地震波预警方法 |
CN105741262A (zh) * | 2015-11-01 | 2016-07-06 | 西安电子科技大学 | 基于能量聚集度测度的海陆杂波场景分割方法 |
CN106409310A (zh) * | 2013-08-06 | 2017-02-15 | 华为技术有限公司 | 一种音频信号分类方法和装置 |
US20170353975A1 (en) * | 2016-06-03 | 2017-12-07 | Alcatel-Lucent | Adaptive energy detection threshold for clear channel assessment |
CN111465023A (zh) * | 2020-03-25 | 2020-07-28 | 山东大学 | 一种基于历史能量信息的自适应双门限频谱感知方法 |
CN111598039A (zh) * | 2020-05-24 | 2020-08-28 | 绍兴声科科技有限公司 | 用于石油管道监控的异常声音监测方法及监测装置 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及*** |
CN112967357A (zh) * | 2021-02-19 | 2021-06-15 | 中国人民解放军国防科技大学 | 一种基于卷积神经网络的频谱地图构建方法 |
US20220019788A1 (en) * | 2020-06-26 | 2022-01-20 | Orange | Determination of noise in a signal |
CN115776724A (zh) * | 2023-02-10 | 2023-03-10 | 南京航空航天大学 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
CN115964670A (zh) * | 2022-12-17 | 2023-04-14 | 中国人民解放军32802部队 | 一种频谱异常检测方法 |
-
2023
- 2023-08-30 CN CN202311110359.XA patent/CN117147966B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080828A1 (en) * | 2003-10-08 | 2005-04-14 | Johnson Mark W. | Method for displaying spectral trends in complex signals |
US20110093260A1 (en) * | 2009-10-15 | 2011-04-21 | Yuanyuan Liu | Signal classifying method and apparatus |
CN102044244A (zh) * | 2009-10-15 | 2011-05-04 | 华为技术有限公司 | 信号分类方法和装置 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别***及其方法 |
CN106409310A (zh) * | 2013-08-06 | 2017-02-15 | 华为技术有限公司 | 一种音频信号分类方法和装置 |
CN103414527A (zh) * | 2013-08-08 | 2013-11-27 | 西安电子科技大学 | 一种基于能量检测的信号检测方法 |
CN105025583A (zh) * | 2015-07-02 | 2015-11-04 | 哈尔滨工业大学 | 基于能量与协方差检测的分步频谱感知方法 |
CN105741262A (zh) * | 2015-11-01 | 2016-07-06 | 西安电子科技大学 | 基于能量聚集度测度的海陆杂波场景分割方法 |
CN105467428A (zh) * | 2015-11-17 | 2016-04-06 | 南京航空航天大学 | 一种基于短时能量检测和频谱特征分析的地震波预警方法 |
US20170353975A1 (en) * | 2016-06-03 | 2017-12-07 | Alcatel-Lucent | Adaptive energy detection threshold for clear channel assessment |
CN111465023A (zh) * | 2020-03-25 | 2020-07-28 | 山东大学 | 一种基于历史能量信息的自适应双门限频谱感知方法 |
CN111598039A (zh) * | 2020-05-24 | 2020-08-28 | 绍兴声科科技有限公司 | 用于石油管道监控的异常声音监测方法及监测装置 |
US20220019788A1 (en) * | 2020-06-26 | 2022-01-20 | Orange | Determination of noise in a signal |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及*** |
CN112967357A (zh) * | 2021-02-19 | 2021-06-15 | 中国人民解放军国防科技大学 | 一种基于卷积神经网络的频谱地图构建方法 |
CN115964670A (zh) * | 2022-12-17 | 2023-04-14 | 中国人民解放军32802部队 | 一种频谱异常检测方法 |
CN115776724A (zh) * | 2023-02-10 | 2023-03-10 | 南京航空航天大学 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
Non-Patent Citations (6)
Title |
---|
周金 等: "小样本图像处理方法赋能的宽带频谱感知", 《电子与信息学报》, vol. 45, no. 3, 31 March 2023 (2023-03-31), pages 1102 * |
宋永健;朱晓梅;包亚萍;朱楹栋;: "非高斯噪声中基于分数低阶矩协方差MME检测的频谱感知算法", 信号处理, no. 02, 25 February 2018 (2018-02-25) * |
李艳玮;郑伟勇;: "改进对比度和空间频率的图像融合算法", 计算机工程与设计, no. 09, 16 September 2017 (2017-09-16) * |
汪毅;: "未知雷达辐射源分选的一种新方法", 微计算机信息, no. 04, 5 February 2010 (2010-02-05) * |
王蒙;陈德章;杨晶晶;王鲁嘉;黄铭;: "基于蒙特卡洛方法的频谱能量检测研究", 无线电工程, no. 01, 5 January 2013 (2013-01-05) * |
盖建新 等: "基于深度卷积神经网络的协作频谱感知方法", 《基于深度卷积神经网络的协作频谱感知方法》, vol. 43, no. 10, 31 October 2021 (2021-10-31), pages 2911 * |
Also Published As
Publication number | Publication date |
---|---|
CN117147966B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170513B (zh) | 一种草地贪夜蛾的虫情监测方法、***及存储介质 | |
CN110736968B (zh) | 基于深度学习的雷达异常状态诊断方法 | |
CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
CN112437451B (zh) | 一种基于生成对抗网络的无线网络流量预测方法和设备 | |
CN116993738B (zh) | 一种基于深度学习的视频质量评价方法及*** | |
Brown et al. | Life-history traits inform population trends when assessing the conservation status of a declining tiger shark population | |
CN117147966B (zh) | 一种电磁频谱信号能量异常检测方法 | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、***及存储介质 | |
Manfredi et al. | Switching kalman filters for prediction and tracking in an adaptive meteorological sensing network | |
CN113380340B (zh) | 飞灰浓度预测模型的训练方法、装置、计算机设备 | |
CN115964503A (zh) | 基于社区设备设施的安全风险预测方法及*** | |
CN117972343A (zh) | 一种基于哈密顿蒙特卡罗的电压暂降概率评估方法及*** | |
CN116597946B (zh) | 一种基于房-树-人的青少年心理健康检测方法 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
Laskey et al. | Metareasoning and the problem of small worlds | |
Adiga et al. | Phase-Informed Bayesian ensemble models improve performance of COVID-19 forecasts | |
Vrochidou et al. | Assessment and localization of structural damage in r/c structures through intelligent seismic signal processing | |
CN112232329A (zh) | 入侵信号识别的多核svm训练、报警方法、装置及*** | |
CN117312800B (zh) | 基于潮汐分析的地理时空数据分析方法及*** | |
CN117391265B (zh) | 基于大数据分析的林业病虫灾害风险预测方法 | |
CN117474365B (zh) | 一种基于人工智能技术的智慧警务方法及*** | |
Schreck et al. | Evidential deep learning: Enhancing predictive uncertainty estimation for earth system science applications | |
CN117746591B (zh) | 一种数据驱动的不可移动文物异常预警方法及*** | |
Erkanli et al. | Entropy-based image fusion with continuous genetic algorithm | |
CN117235596A (zh) | 一种基于改进概率神经网络的智能电网安全态势评估方法 |
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 |