-
公开(公告)号：CN116381607B
公开(公告)日：2023-10-27
申请号：CN202310379942.4
申请日：2023-04-11
Applicant: 哈尔滨工程大学
IPC: G01S5/20 , G06F18/23213
Abstract: 多目标击水声特征关联方法，解决了分布式定位系统不同观测节点间同一目标的击水声信号难以正确关联的问题，属于水下定位领域。本发明包括：确定观测区域内观测节点个数N和击水目标个数M；将N个观测节点接收到的所有目标信号进行经验模态分解，得到各阶IMF，进行频谱分析，获得目标信号的线谱特征，同时，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列；利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。
-
公开(公告)号：CN119377887A
公开(公告)日：2025-01-28
申请号：CN202411501068.8
申请日：2024-10-25
Applicant: 哈尔滨工程大学
IPC: G06F18/25 , G06F18/214 , G06N3/08 , G06N3/045 , G06N3/0464 , G06F18/213 , G06F30/20 , G06N3/048
Abstract: 非高斯环境下基于深度学习的脉冲信号重构方法，本发明涉及基于深度学习的脉冲信号重构方法。本发明的目的是解决现有海洋环境噪声往往具有非高斯统计特性，基于高斯分布假设的传统方法在非高斯干扰与低输入信干噪比背景下的脉冲信号重构准确率低的问题，而提出非高斯环境下基于深度学习的脉冲信号重构方法。非高斯环境下基于深度学习的脉冲信号重构方法具体过程为：构建训练集；构建深度神经网络模型；基于训练集对构建的深度神经网络模型进行训练，获得训练好的深度神经网络模型；将接收到的水声脉冲信号输入训练好的深度神经网络模型，训练好的深度神经网络模型输出重构后的脉冲信号。本发明用于脉冲信号重构领域。
-
公开(公告)号：CN116381607A
公开(公告)日：2023-07-04
申请号：CN202310379942.4
申请日：2023-04-11
Applicant: 哈尔滨工程大学
IPC: G01S5/20 , G06F18/23213
Abstract: 多目标击水声特征关联方法，解决了分布式定位系统不同观测节点间同一目标的击水声信号难以正确关联的问题，属于水下定位领域。本发明包括：确定观测区域内观测节点个数N和击水目标个数M；将N个观测节点接收到的所有目标信号进行经验模态分解，得到各阶IMF，进行频谱分析，获得目标信号的线谱特征，同时，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列；利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。
-
公开(公告)号：CN118191805A
公开(公告)日：2024-06-14
申请号：CN202410319874.7
申请日：2024-03-20
Applicant: 哈尔滨工程大学
IPC: G01S7/527 , G01S7/53 , G06F18/15 , G06F18/2131
Abstract: 宽带连续干扰中的脉冲信号重构方法，本发明涉及脉冲信号重构方法。本发明的目的是为了解决现有方法脉冲信号重构准确率低的问题。过程为：一：声呐A发出声源信号即CW脉冲信号；声呐B发出干扰；水听器接收到背景噪声、声呐A发出的CW脉冲信号及声呐B发出的干扰，将水听器接收到的时域信号转换为时频域信号，将归一化处理后的时频域信号作为脉冲信号重构网络的输入信号；二：构建脉冲信号重构网络；三：获得训练好的脉冲信号重构网络；四：对水听器接收到的实测时域信号转换为时频域信号，将归一化处理后的时频域信号作为训练好的脉冲信号重构网络的输入信号，利用脉冲信号重构网络输出重构信号。本发明用于脉冲信号重构领域。
-
-
-
Search Results
4
records
(took 0.021 seconds)
