CN114004083B - 噪声场建模的方法、装置、计算机设备和存储介质 - Google Patents
噪声场建模的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114004083B CN114004083B CN202111274483.0A CN202111274483A CN114004083B CN 114004083 B CN114004083 B CN 114004083B CN 202111274483 A CN202111274483 A CN 202111274483A CN 114004083 B CN114004083 B CN 114004083B
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- field
- principal component
- frequency sound
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种噪声场建模的方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。采用本方法获得的三维噪声场模型，能够支持得出准确的噪声场分布结果。
Description
技术领域
本申请涉及噪声技术领域，特别是涉及一种噪声场建模的方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力事业的发展，振动噪声所带来的危害越来越多地受到人们的关注，设备发生故障会产生振动噪声，噪声中蕴含着工作状态的重要信息，因此，通过噪声场建模得出噪声场的分布，能够很好地反映电力设备的故障及预测电力设备的健康状况，避免设备故障的发生。
传统技术中，大多采用单通道测试的数据采集方法，运用振动测试分析手段和思路处理声信号，然而，这种方法对于多个声源相互干扰的情况，存在得出的噪声场分布不准确的问题。
发明内容
基于此，有必要针对传统技术得出的噪声场分布不准确的技术问题，提供一种能够支持得到准确噪声场分布结果的噪声场建模方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种噪声场建模方法。所述方法包括：
采集噪声信号和环境信号；
根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图；
根据主成分频率声场，通过MUSIC算法，获得噪声场分布；
根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
在其中一个实施例中，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图包括：
根据噪声信号，通过频域分析，获得噪声信号的频域数据；
根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
在其中一个实施例中，根据主成分频率声场，通过MUSIC算法，获得噪声场分布包括：
根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间；
根据信号子空间和噪声子空间的正交，获得空间谱；
根据空间谱，获得噪声场分布。
在其中一个实施例中，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型包括：
获取空间谱的谱峰峰值；
根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值；
通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
在其中一个实施例中，根据融合初始三维噪声场模型和环境信号，获得三维噪声场模型包括：
通过初始三维噪声场模型和环境信号，建立三维物理环境模型；
根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型；
通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
在其中一个实施例中，还包括：
采集待测噪声信号和待测环境信号；
将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
第二方面，本申请还提供了一种噪声场建模装置。所述装置包括：
信号采集模块，用于采集噪声信号和环境信号；
主成分分析模块，用于根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图；
噪声场分布获取模块，用于根据主成分频率声场，通过MUSIC算法，获得噪声场分布；
噪声场模型获取模块，用于根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
模型融合模块，用于融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
上述噪声场建模方法、装置、计算机设备、存储介质和计算机程序产品，通过采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。上述方案，通过采集噪声信号和环境信号，根据主成分分析法、MUSIC算法、融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得准确的三维噪声场模型，基于该准确的三维噪声场模型，能够支持得到准确的噪声场分布结果。
附图说明
图1为一个实施例中噪声场建模方法的应用环境图；
图2为一个实施例中噪声场建模方法的流程示意图；
图3为一个实施例中噪声场建模步骤的流程示意图；
图4为另一个实施例中噪声场建模方法的流程示意图；
图5为一个实施例中噪声场建模装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的噪声场建模方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102通过采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC(Multiple Signalclassification，多信号分类)算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型，服务器104接收终端102发送的三维噪声场模型结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种噪声场建模方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S100，采集噪声信号和环境信号。
其中，信号源中往往携带有用信息，而噪声和干扰的叠加使信号难以辨认，变电站产生噪声的设备包括变压器、电抗器、冷却排风装置等，电力设备随着负荷的变化，噪声强度和频率会发生显著变化，不同的运行状态下，噪声信号表现出不同的特征，因此，采集噪声信号和环境信号，有利于对噪声信号的处理和分析噪声信号的分布规律。
具体地，采集空间中的噪声信号和环境信号，可选地，本方案采用阵列测量手段采集噪声信号和环境信号，具体地，可采用阵列传声器采集声场信号。
S200，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图。
其中，主成分分析法是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析能够将原来较多可观察指标所反映的个体信息，提取出较少的几项综合性指标，它们互不相干，并且能够最大限度地反映出原来较多指标所反应的信息，进而用较少的几项综合指标来刻画个体。因此，噪声信号通过主成分分析，可以确定出噪声信号的主成分。
具体地，噪声信号通过主成分分析，得到噪声信号的主成分频率声场和主成分频率声场图。
S300，根据主成分频率声场，通过MUSIC算法，获得噪声场分布。
其中，MUSIC算法是一类空间谱估计算法，将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和信号分量相正交的噪声子空间，然后利用两个子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的参数，参数可以包括入射方向、极化信息和信号强度。噪声场分布可以通过信号的方位角参数反应，因此，采用MUSIC算法，获得噪声场的分布。
具体地，根据主成分频率声场，通过MUSIC算法，获得噪声场分布。
S400，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型。
其中，数据融合是指充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。加权数据融合是对多源冗余信息进行加权平均，结果作为融合值，是一种直接对数据源进行操作的方法。高斯拟合是使用形如Gi(x)＝Ai*exp((x-Bi)^2/Ci^2)的高斯函数对数据点集进行函数逼近的拟合方法。
具体地，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型。
S500，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
其中，融合指的是通过模型融合算法，将多个训练模型按照一定的方法集成为一个模型，模型融合方法包括线性加权融合法、交叉融合法、瀑布融合法、多而不同之融合、预测融合法和加性融合。
具体地，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
上述噪声场建模方法中，通过采集噪声信号和环境信号，根据主成分分析法、MUSIC算法、融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得准确的三维噪声场模型，基于该准确的三维噪声场模型，能够支持得到准确的噪声场分布结果。
在一个实施例中，S200根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图包括：
S220：根据噪声信号，通过频域分析，获得噪声信号的频域数据。
S240：根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
标准化是依照特征矩阵的列处理数据，将样本的特征值转换到同一量纲下。标准化处理的方法包括线性变换法、零-均值规范化、小数定标规范化、对数Logistic模式和模糊量化模式，可选地，本方案采用零-均值规范化，即y＝(x-X的平均值)/X的标准差。获取到的噪声信号，通过离散傅里叶变换转换成频域信号，将得到的频域信号进行标准化处理，得到频域数据的标准化结果。
然后，相关系数矩阵是由矩阵各列间的相关系数构成的，相关系数矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。通过频域数据的标准化结果，计算求得相关系数矩阵，进一步地，求解该相关系数矩阵的特征方程，得出该相关系数矩阵的特征值和特征向量。将得到的特征值由大到小排序，提取出特征值大于1的主成分，根据该噪声信号的主成分，确定噪声信号的主成分频率声场，并绘制该主成分频率声场对应的主成分频率声场图，该主成分频率声场图可以为主成分频率的噪声场分布等高线图。
上述实施例的方案，通过对噪声信号标准化处理和频域分析，获得噪声信号的频域标准化结果，将该噪声信号的频域标准化结果，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，为噪声场建模提供了前提条件。
在其中一个实施例中，如图3所示，S300根据主成分频率声场，通过MUSIC算法，获得噪声场分布包括：
S320：根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间。
S340：根据信号子空间和噪声子空间的正交，获得空间谱。
S360：根据空间谱，获得噪声场分布。
噪声信号从整体上看其特征使随时间变化的非平稳态过程，而从一个短时间范围内，其特性保持相对稳定，因而，可以将噪声信号进行短时分析，即将噪声信号分为一段一段来分析其特征参数，其中每一段可以称为一帧。分帧处理处理一般采用交叠分段的方法，使用可移动的有线长度窗口进行加权的方法实现的，使帧与帧之间平滑过渡，保持其连续性。对于非平稳信号的时域分析包括短时傅里叶变换、小波变换、希尔伯特变换、希尔伯特黄变换，具体地，本方案采用短时傅里叶变换，根据获得的主成分频率声场，对主成分频率声场做分帧处理，得到分帧后的主成分频率声场，将分帧后的主成分频率声场进行短时傅里叶变换，得到关于主成分频率声场时域和频域的二维函数，进一步地，得到主成分频率声场时域和频域的协方差矩阵，将该协方差矩阵进行特征值分解，得到主成分频率声场的信号子空间和噪声子空间。
然后，信号子空间的正交补空间为噪声子空间，源信号在信号子空间投影最大，在信号子空间正交补空间的投影为零，噪声子空间由源信号决定。根据信号子空间和噪声子空间的正交，获得空间谱，具体地，采用最小优化搜索来实现信号子空间和噪声子空间的正交，得到主成分频率声场对应的空间谱，根据方位角参数的搜索范围分别对空间谱的谱峰进行搜索，找出空间谱的谱峰峰值的极大值点对应的方位角信号参数的值，获得的该方位角信号参数的值即为噪声场分布。
上述实施例的方案，通过主成分频率声场，采用分帧处理和傅里叶变换，获得信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交，获得空间谱，根据空间谱，获得噪声场分布，为噪声场建模提供了前提条件，能够支持得到准确的噪声场分布结果。
在其中一个实施例中，S400根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型。
S420：获取空间谱的谱峰峰值。
S440：根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值。
S460：通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
获取空间谱的谱峰峰值，根据获得的主成分频率声场图，通过融合算法，获得空间谱的谱峰峰值的融合值，具体地，根据Ns个主成分频率声场，对应Ns组空间谱子带，计算得到各组子带的谱峰峰值方差，将各组子带的谱峰峰值通过融合算法得到融合值，可选地，本方案采用加权融合算法，将第一子带的谱峰峰值分别和第二子带、第三子带……第Ns子带的谱峰峰值进行加权融合，得到第一观测值，然后，将该第一观测值分别和第三子带、第四子带……第Ns子带的谱峰峰值进行加权融合，得到第二观测值，按照以上步骤迭代，得到最终的空间谱的谱峰峰值融合值。
进一步地，将得到的空间谱的谱峰峰值融合值用高斯函数描述，将描述方程转化为二次多项式拟合函数，求解该拟合函数，得出高斯曲线的位置参数，该高斯曲线的位置参数包括拟合曲线峰值所在的位置、拟合曲线的峰高以及拟合曲线的峰宽度。该拟合的高斯曲线即为噪声信号的初始三维模型。
上述实施例的方案，通过获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型，为噪声场建模提供了前提条件，能够支持得到准确的噪声场分布结果。
在其中一个实施例中，S500融合初始三维噪声场模型和环境信号，获得三维噪声场模型包括：
S520：通过初始三维噪声场模型和环境信号，建立三维物理环境模型。
S540：根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型。
S560：通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
根据初始三维噪声场模型，将采集到的环境信号等比例缩放，建立三维环境模型，环境信号包括物理环境中的物理对象。将得到的三维环境模型进行轻量化处理，具体地，在建模过程中，使用简单的几何体进行构建，使用分段的直线来代替曲线，用长方体或六棱柱来代替圆柱，并减少几何体的分段数，即用简单的图形来进行构建，对于场景中的一些部分模型，可以适当简化，或者忽略部分细节，删除多余的几何体和线条，检查几何体之间的结合面，删除看不到的面，即得到轻量化处理后的三维环境模型。
进一步地，将初始三维噪声场模型和轻量化处理后的三维物理环境模型保持在同一实时状态，通过模型融合算法，完成三维声场的融合，得到三维噪声场模型。
上述实施例的方案，通过初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型，该三维噪声场模型，能够支持得到准确的噪声场分布结果。
在其中一个实施例中，如图4所示，一种噪声场建模方法包括：
S620：采集待测噪声信号和待测环境信号。
S640：将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
本实施例中，通过采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，通过传输的待测噪声信号数据建立初始三维噪声场模型，进而驱动三维环境模型，使物理空间中的三维物理模型和初始三维噪声场模型保持在同一实时状态，得到融合后的三维噪声场模型，根据该三维噪声场模型，得到准确的噪声场分布结果。
上述实施例的方案，通过采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果，能够达到支持准确得出噪声场分布结果的效果。
为详细说明本方案中噪声场建模的方法及效果，下面以一个最详细实施例进行说明：
采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得三维噪声场模型。根据噪声信号，通过频域分析，获得噪声信号的频域数据，根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，采用最小优化搜索算法实现信号子空间和噪声子空间的正交，获得空间谱，其中第m个子带的空间谱为：
计算求得Ns个子带的平均谱矩阵：
根据方位角信号参数r,θ的搜索范围分别对谱峰进行搜索，找出峰值的极大值点所对应的值便为所要估计的信号参数r,θ的值，进而获得噪声场分布。获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，将得到的融合值用高斯函数描述，描述方程为：
将上述描述方程两边分别取对数，转化为二次多项式拟合函数，该函数为：
根据最小二乘原理求得x0，ymax，S的表达式，可以得出高斯曲线的位置，进而得到初始三维噪声场模型，融合初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型，采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的三维噪声场分布结果。
上述实施例的方案，通过采集噪声信号和环境信号，根据主成分分析法、MUSIC算法、融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得准确的三维噪声场模型，基于该准确的三维噪声场模型，能够支持得到准确的噪声场分布结果。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的噪声场建模方法的噪声场建模装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个噪声场建模装置实施例中的具体限定可以参见上文中对于噪声场建模方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种噪声场建模装置700，包括：信号采集模块710、主成分分析模块720、噪声场分布获取模块730、噪声场模型获取模块740和模型融合模块750，其中：
信号采集模块710，用于采集噪声信号和环境信号。
主成分分析模块720，用于根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图。
噪声场分布获取模块730，用于根据主成分频率声场，通过MUSIC算法，获得噪声场分布。
噪声场模型获取模块740，用于根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型。
模型融合模块750，用于融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
上述噪声场建模装置中，通过采集噪声信号和环境信号，根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图，根据主成分频率声场，通过MUSIC算法，获得噪声场分布，根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型，融合初始三维噪声场模型和环境信号，获得准确的三维噪声场模型，基于该准确的三维噪声场模型，能够支持得到准确的噪声场分布结果。
在一个实施例中，主成分分析模块720还用于根据噪声信号，通过频域分析，获得噪声信号的频域数据，根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
在一个实施例中，噪声场分布获取模块730还用于根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交，获得空间谱，根据空间谱，获得噪声场分布。
在一个实施例中，噪声场模型获取模块740还用于获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
在一个实施例中，模型融合模块750还用于通过初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
在一个实施例中，噪声场建模装置700还用于采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
上述噪声场建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储噪声场模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种噪声场建模方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
采集噪声信号和环境信号；
根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图；
根据主成分频率声场，通过MUSIC算法，获得噪声场分布；
根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据噪声信号，通过频域分析，获得噪声信号的频域数据，根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交，获得空间谱，根据空间谱，获得噪声场分布。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采集噪声信号和环境信号；
根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图；
根据主成分频率声场，通过MUSIC算法，获得噪声场分布；
根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据噪声信号，通过频域分析，获得噪声信号的频域数据，根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交，获得空间谱，根据空间谱，获得噪声场分布。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
采集噪声信号和环境信号；
根据噪声信号，通过主成分分析法，获得噪声信号的主成分频率声场和主成分频率声场图；
根据主成分频率声场，通过MUSIC算法，获得噪声场分布；
根据噪声场分布和主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
融合初始三维噪声场模型和环境信号，获得三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据噪声信号，通过频域分析，获得噪声信号的频域数据，根据频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交，获得空间谱，根据空间谱，获得噪声场分布。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取空间谱的谱峰峰值，根据主成分频率声场图和空间谱的谱峰峰值，通过融合算法，获得空间谱的谱峰峰值的融合值，通过融合值和噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过初始三维噪声场模型和环境信号，建立三维物理环境模型，根据三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型，通过模型融合算法，融合初始三维噪声场模型和轻量化处理后的三维物理环境模型，获得三维噪声场模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集待测噪声信号和待测环境信号，将待测噪声信号和待测环境信号输入至三维噪声场模型，得到待测噪声信号和待测环境信号对应的噪声场分布结果。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种噪声场建模方法，其特征在于，所述方法包括：
采集噪声信号和环境信号；所述噪声信号为变电站产生噪声的设备所产生的；
根据所述噪声信号，通过主成分分析法，获得所述噪声信号的主成分频率声场和主成分频率声场图；
根据所述主成分频率声场，通过MUSIC算法，获得噪声场分布；
根据所述噪声场分布和所述主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
融合所述初始三维噪声场模型和所述环境信号，获得三维噪声场模型；
所述根据所述主成分频率声场，通过MUSIC算法，获得噪声场分布，包括：
根据所述主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间；
根据所述信号子空间和噪声子空间的正交，获得空间谱；
根据所述空间谱，获得噪声场分布；
所述根据所述主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间，包括：
对所述主成分频率声场做分帧处理，得到分帧后的主成分频率声场；
将所述分帧后的主成分频率声场进行短时傅里叶变换，得到主成分频率声场时域和频域的协方差矩阵；
将所述协方差矩阵进行特征值分解，得到所述主成分频率声场的信号子空间和噪声子空间；
所述根据所述空间谱，获得噪声场分布，包括：
根据方位角信号参数的搜索范围分别对所述空间谱的谱峰进行搜索，找出所述空间谱的谱峰峰值的极大值点对应的方位角信号参数的值，获得的所述方位角信号参数的值作为噪声场分布。
2.根据权利要求1所述的噪声场建模方法，其特征在于，所述根据所述噪声信号，通过主成分分析法，获得所述噪声信号的主成分频率声场和主成分频率声场图包括：
根据所述噪声信号，通过频域分析，获得所述噪声信号的频域数据；
根据所述频域数据，通过主成分分析，获得噪声信号的主成分频率声场和主成分频率声场图。
3.根据权利要求1所述的噪声场建模方法，其特征在于，所述根据所述噪声场分布和所述主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型包括：
获取所述空间谱的谱峰峰值；
根据所述主成分频率声场图和所述空间谱的谱峰峰值，通过融合算法，获得所述空间谱的谱峰峰值的融合值；
通过所述融合值和所述噪声场分布，通过高斯拟合，获得初始三维噪声场模型。
4.根据权利要求1所述的噪声场建模方法，其特征在于，所述融合所述初始三维噪声场模型和所述环境信号，获得三维噪声场模型包括：
通过所述初始三维噪声场模型和所述环境信号，建立三维物理环境模型；
根据所述三维物理环境模型，通过轻量化处理，获得轻量化处理后的三维物理环境模型；
通过模型融合算法，融合所述初始三维噪声场模型和所述轻量化处理后的三维物理环境模型，获得三维噪声场模型。
5.根据权利要求1所述的噪声场建模方法，其特征在于，所述方法还包括：
采集待测噪声信号和待测环境信号；
将所述待测噪声信号和待测环境信号输入至所述三维噪声场模型，得到所述待测噪声信号和待测环境信号对应的噪声场分布结果。
6.一种噪声场建模装置，其特征在于，所述装置包括：
信号采集模块，用于采集噪声信号和环境信号；所述噪声信号为变电站产生噪声的设备所产生的；
主成分分析模块，用于根据所述噪声信号，通过主成分分析法，获得所述噪声信号的主成分频率声场和主成分频率声场图；
噪声场分布获取模块，用于根据所述主成分频率声场，通过MUSIC算法，获得噪声场分布；
噪声场模型获取模块，用于根据所述噪声场分布和所述主成分频率声场图，通过融合算法和高斯拟合，获得初始三维噪声场模型；
模型融合模块，用于融合所述初始三维噪声场模型和所述环境信号，获得三维噪声场模型；
所述噪声场分布获取模块，还用于根据所述主成分频率声场，通过分帧处理和傅里叶变换，获得信号子空间和噪声子空间；根据所述信号子空间和噪声子空间的正交，获得空间谱；根据所述空间谱，获得噪声场分布；
所述噪声场分布获取模块，还用于对所述主成分频率声场做分帧处理，得到分帧后的主成分频率声场；将所述分帧后的主成分频率声场进行短时傅里叶变换，得到主成分频率声场时域和频域的协方差矩阵；将所述协方差矩阵进行特征值分解，得到所述主成分频率声场的信号子空间和噪声子空间；
所述噪声场分布获取模块，还用于根据方位角信号参数的搜索范围分别对所述空间谱的谱峰进行搜索，找出所述空间谱的谱峰峰值的极大值点对应的方位角信号参数的值，获得的所述方位角信号参数的值作为噪声场分布。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求中1至5任一项所述的方法的步骤。
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111274483.0A CN114004083B (zh) | 2021-10-29 | 2021-10-29 | 噪声场建模的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111274483.0A CN114004083B (zh) | 2021-10-29 | 2021-10-29 | 噪声场建模的方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004083A CN114004083A (zh) | 2022-02-01 |
| CN114004083B true CN114004083B (zh) | 2025-07-11 |
Family
ID=79925341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111274483.0A Active CN114004083B (zh) | 2021-10-29 | 2021-10-29 | 噪声场建模的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004083B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310789A (zh) * | 2013-05-08 | 2013-09-18 | 北京大学深圳研究生院 | 一种基于改进的并行模型组合的声音事件识别方法 |
| CN113050036A (zh) * | 2021-03-16 | 2021-06-29 | 国网山东省电力公司东营供电公司 | 基于多谐振点传声器阵列的gis波束形成定位方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3317221B2 (ja) * | 1997-11-28 | 2002-08-26 | 株式会社島津製作所 | プロセスガス監視装置 |
| JP3819187B2 (ja) * | 1999-09-28 | 2006-09-06 | 富士写真フイルム株式会社 | マルチバンド画像の分光反射率のスペクトル推定方法およびスペクトル推定システム |
| CN102662167A (zh) * | 2012-04-11 | 2012-09-12 | 西北工业大学 | 一种水下目标辐射噪声信号的特征提取方法 |
| CN102750955B (zh) * | 2012-07-20 | 2014-06-18 | 中国科学院自动化研究所 | 基于残差信号频谱重构的声码器 |
| JP7175489B2 (ja) * | 2016-11-15 | 2022-11-21 | 親良 炭 | ビームフォーミング方法、計測イメージング装置、及び、通信装置 |
| JP6733478B2 (ja) * | 2016-10-04 | 2020-07-29 | コニカミノルタ株式会社 | 超音波信号処理装置、超音波信号処理方法、及び、超音波診断装置 |
| CN110600055B (zh) * | 2019-08-15 | 2022-03-01 | 杭州电子科技大学 | 一种使用旋律提取与语音合成技术的歌声分离方法 |
| CN111623734B (zh) * | 2020-05-26 | 2022-04-08 | 招商局公路信息技术（重庆）有限公司 | 基于声学信号的路面构造深度检测方法及装置 |
| CN113324936A (zh) * | 2021-05-13 | 2021-08-31 | 中国科学院西北高原生物研究所 | 一种荒漠肉苁蓉产地的鉴别方法 |
-
2021
- 2021-10-29 CN CN202111274483.0A patent/CN114004083B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310789A (zh) * | 2013-05-08 | 2013-09-18 | 北京大学深圳研究生院 | 一种基于改进的并行模型组合的声音事件识别方法 |
| CN113050036A (zh) * | 2021-03-16 | 2021-06-29 | 国网山东省电力公司东营供电公司 | 基于多谐振点传声器阵列的gis波束形成定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 主成分分析在提取周期性信号中的应用;邵颖丽 等;内蒙古农业大学学报( 自然科学版);20200531(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004083A (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Hypergraph spectral analysis and processing in 3D point cloud | |
| CN119740448B (zh) | 射频前端模组热应力分析方法及系统 | |
| Zheng et al. | Multi‐channel response reconstruction using transformer based generative adversarial network | |
| Ma et al. | Underdetermined blind source separation based on source number estimation and improved sparse component analysis | |
| CN117907836A (zh) | 电池热失控预测方法、装置、计算机设备和存储介质 | |
| CN115545325A (zh) | 一种基于无监督对比学习的电力变压器负荷预测方法及装置 | |
| CN118173121A (zh) | 设备运行状态评估方法、装置、计算机设备和存储介质 | |
| Iquebal et al. | Emulating the evolution of phase separating microstructures using low-dimensional tensor decomposition and nonlinear regression: Emulating the evolution of phase separating microstructures | |
| Ramezani Mayiami et al. | Bayesian topology learning and noise removal from network data | |
| Fan et al. | Deep mining of temporal information for lithium-ion battery health status assessment based on wavelet-time-frequency fusion model and multi-attention mechanism | |
| CN114004083B (zh) | 噪声场建模的方法、装置、计算机设备和存储介质 | |
| CN116258194A (zh) | 用于预测电离层电子浓度的模型训练方法、装置和设备 | |
| CN119274015B (zh) | 变压器故障诊断方法、装置、系统及存储介质 | |
| CN120470459A (zh) | 基于深度学习的换流阀故障检测方法、装置、计算机设备、存储介质和计算机程序产品 | |
| Zeinali et al. | A new Levinson–Durbin based 2-D AR model parameter estimation method | |
| CN119936564A (zh) | 一种用于35kV风电场集电线路的故障定位方法及系统 | |
| Ahmad et al. | FPGA-based IP cores implementation for face recognition using dynamic partial reconfiguration | |
| CN119247262A (zh) | 基于非均匀线阵的doa估计方法、装置、计算机设备、介质和产品 | |
| Krupiński et al. | Maximum Likelihood Estimators of Generalized Gaussian Distribution With an ℍ-Proper Quaternion Random Variable | |
| CN114529136B (zh) | 基于主成分分析和Topsis的电子部组件评价方法和装置 | |
| CN117557595A (zh) | 一种基于轻量型孪生神经网络的目标跟踪方法 | |
| Holtz et al. | Early forecasting of quakes via machine learning | |
| Pavlenko et al. | Methods For Black–Box Diagnostics Using Volterra Kernels | |
| Sang et al. | Depth-based weighted jackknife empirical likelihood for non-smooth U-structure equations: WJEL for U-structure equations | |
| Luo et al. | Joint underdetermined blind separation using cross third-order cumulant and tensor decomposition |
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 |