基于回声信号的隧道衬砌空洞特征分析与识别

针对铁路隧道衬砌空洞问题,本文通过对比隧道衬砌整体数值模型与平板数值模型的差异,确定可以采用边长3 m平板模拟实际衬砌进行模型试验。设计了多种空洞工况,通过在不同位置施加敲击力获得衬砌空洞回声信号,分析敲击力、敲击位置、空洞边长、空洞深度对回声信号声压、功率、频率的影响,给出了一种利用敲击回声信号的频率和变帧长的梅尔倒谱系数识别衬砌空洞的方法。经对9种不同边长和深度空洞衬砌样本识别,总体识别准确率达到85.8%。

Walsh变换特征用于回声信号的识别

随着水下目标降噪技术的进展,利用回声信号来探测和识别水下目标的越来越重要,水下目标识别是水声领域中存在的难题之一.以大量的水下目标回声信号资料为依托,借助Walsh变换的分析法,研究了脉冲声的回声识别问题,给出了回声信号的时频特性及其相应的特征向量,提取了43维的Walsh谱特征.结合ART神经网络,对一定范围对真假两类目标进行分类,可取得80%以上的正确识别率.该方法具有较好的实用性,是一条解决实际回声信号识别的有效途径.

气泡幕回声信号的起伏相关

实验研究了电解气泡幕的回声信号起伏特性，在两种电解电压的条件下，测量了几个频率的信号起伏相关时间，并用声学反演法测量了气泡幕中气泡的体积分数、气泡大小分布以及气泡幕的厚度。

回声信号时域分析

在高频条件下 ,亮点模型是对回声信号的良好近似描述 ,以此为物理基础 ,在时域上对仿真和实测的目标回声信号进行了相关分析 ,计算了回声信号的能 (量 )宽 (度 )比和幅度分布函数 .结果表明 ,几何形状不同的目标的回声信号在上述三方面有着明显的差别 。

复杂结构回声信号模拟器的设计

介绍了一种利用DDS技术设计的复杂结构信号模拟器,它可以模拟多种地层回声或复杂结构的信号.同时重点介绍了DDS技术,并以结构复杂的地层回声信号为例介绍了信号模拟器的基本原理及构成.本文所述的复杂信号模拟器的设计方法具有普遍意义.

海中回声信号的实时平滑平均处理

本文论述了对海中回声信号作平滑平均处理的基本原理，介绍了利用存贮器ＲＯＭ技术构成实时平滑平均处理的电路原理框图及工作过程。

基于宽带回声信号ESP的鱼数量评估方法

针对窄带信号条件下回波能量起伏特性的鱼数量评估方法适用性差的问题,提出了一种鱼群宽带回声信号能量起伏特性的鱼数量评估方法,将鱼群的声散射视作多个处于随机运动状态的个体鱼散射亮点的相干叠加,通过对鱼群宽带回波脉冲压缩输出信号能量的归一化二阶统计量建模,实现鱼数量的评估。仿真结果表明:与窄带回波能量统计特性的鱼数量评估方法相比,提出的方法能适用于更大鱼群密度条件下的鱼群评估,且在相同鱼群条件下,具有更高的评估精度,统计所需样本量更少。预期可以为鱼类资源量评估提供技术支持。

声呐目标回声信号的极点提取

声呐目标的回声信号携带有该目标的某些特征信息,提取出这些特征信息,有助于目标的自动识别。本文应用PRONY法从模拟的目标回声信号中提取了极点,旨在探索极点的准确提取与有关参数间的关系。最后本文讨论了虚假极点的剔除,并从实测的目标回声信号中提取出极点,将所得结果与理论值进行了比较。

水下目标回声信号的相关特性

水下目标检测与识别是声呐系统的主要任务之一,但就目前而言,由于水下目标检测与识别技术还不够成熟,因而水下目标检测与识别技术也是声呐技术领域最迫切需要解决的难题之一。本文在基于亮点模型的前提下,运用Matlab软件对潜艇、鱼雷和水雷这三种常见水下目标的回声信号进行了模拟与仿真,并对模拟仿真所得到的目标回声信号以及真实实验数据进行了相关处理,研究了目标回声信号的相关特性,总结得出相应的规律与结论,为进而运用到实际的目标识别技术中提供了可能。

回声信号处理综合实验设计及实现

针对学生对卷积和相关概念不清的问题,结合生活现象,设计了回声信号处理综合实验。实验内容包括回声产生、回声特性分析、回声消除,它将难以理解的卷积、自相关、互相关概念有机地串在一起,帮助学生理解和应用。实践表明,理论推导和实验编程相结合有助于学生将所学的知识融会贯通,且学生在做与生活密切联系的综合实验时,积极性高,收获大。

一种适用于被动声学监测系统的海豚回声定位信号快速检测方法

被动声学监测仪已成为海豚的声信号研究的重要手段。为解决监测系统计算速度慢、检测正确率低等问题,满足低功耗长期工作的需求,文章结合海豚回声定位信号的时域特征,提出了一种快速检测方法。该算法不需要进行快速傅里叶变换和频域分析,因此大大提高了计算速度并有效降低了系统算力需求,进而延长被动声监测系统的工作时间和提高工作效率。使用野外和室内采集的中华白海豚以及宽吻海豚声信号数据进行测试。测试结果表明,检测速度大幅提高,且检测正确率达到90%以上。

中华鲟回声信号判别分析及其在葛洲坝产卵场的空间分布

采用水声学方法对中华鲟在葛洲坝产卵场的空间分布进行探测.采用改进的感性判别方法并结合逐步判别分析方法对中华鲟及其他目标的回声信号进行判断分析.结果表明,近3年间在葛洲坝产卵场共探测到中华鲟声信号25个,中华鲟声信号判断的准确率为90.9%.本文选用了67个声信号描述变量,逐步判别分析确定了24个对判别有贡献的变量.采用PCA分析结合判别分析对中华鲟回声信号判别模式进行探索,结果显示,目标信号活动行为的描述参数、回波特征参数及信号的声学截面反射特征可作为中华鲟、其他鱼类与水下噪音信号的判别参量,但是无法作为中华鲟和底质信号的判别参量,中华鲟和底质信号的判别则必须引入24个变量才能实现.基于25个中华鲟声信号的GPS位点,18个分布于葛洲坝至庙嘴长约3.4km的江段,7个分布于其余长约12km的江段.

北京房山大足鼠耳蝠食鱼性及回声定位信号

大足鼠耳蝠 (Myotisricketti)具有食鱼蝙蝠的形态特征 ,但食鱼习性待考。以北京房山种群为对象 ,夜间在洞口悬挂雾网 ,捕获取食返洞大足鼠耳蝠共 18只 ,胃检发现 7例全为鱼类 (宽鳍 ,鲫鱼和洛氏 ) ,10例以鱼类为主 ,仅 1例全为昆虫。室内实验观察到捕鱼行为 2 5 6次 ,成功率 12 5 %。如此 ,该种具食鱼习性的猜测得到证实。回声定位信号属调频型 ,扫频范围从 6 7 4 0kHz到 2 3 6 3kHz ,主频 (38 2 1± 1 18)kHz ,声信号时程 (2 5 8± 0 34)ms。

菲菊头蝠回声定位信号特征及下丘神经元频率调谐

研究了菲菊头蝠自由飞行状态下的回声定位信号和下丘神经元的声反应特性。菲菊头蝠在自由飞行时发射的CF/FM型回声定位叫声含2-3个谐波,主频为105.3±1.7kHz,时程为39.5±9.6ms,脉冲间隔为73.9±16.0ms。在所记录到的159个下丘神经元中,E型(Echolocation)神经元为32.7%(52/159),其中CF1型(Constantfrequency)占11.3%(18/159),FM1型(Frequencymodulated)占20.1%(32/159),FM2型占1.3%(2/159);NE型(Nonecholocation)神经元的比例为67.3%(107/159)。这些神经元的最佳频率(Bestfrequency,BF)与记录深度之间存在线性关系(r=0.9471,P<0.01)。E型神经元的深度范围为349-1855(1027.5±351.6)μm,阈值范围为6-74(43.1±14.5)dBSPL,潜伏期范围为10.0-26.0(14.6±3.8)ms。NE型神经元的分别为93.0-1745.0(733.3±290.3)μm、2-70(36.5±23.8)dBSPL、5.0-23.0(13.5±3.7)ms。记录到的53个IC神经元的调谐曲线(Frequencytuningcurve,FTC)均为开放型,51个为单峰型,2个为双峰型。单峰型神经元中大部分为狭窄型(Q10dB>5),占70.6%(36/51),E型神经元全部为狭窄型,Q10dB为10.4±7.1(5.5-31.6),其中CF1型为18.3±11.2(5.5-31.6),FM1型为8.7±4.7(5.5-24.3),FM2型为6.9±0.3(6.7-7.1);NE型神经元既有宽阔型也有狭窄型,Q10dB为6.6±5.1(1.6-25.6)。两个双峰型FTC主、副峰分别偏向高、低频区,高频边对应的是E型神经元。

大蹄蝠回声定位信号特征与下丘神经元频率调谐

采用超声监测仪录制超声信号和细胞外电生理记录下丘神经元的频率调谐曲线(frequency tuning curves,FTCs)的方法,探讨了大蹄蝠(Hipposideros armiger)回声定位信号与下丘(inferior colliculus,IC)神经元频率调谐之间的相关性。结果发现,大蹄蝠回声定位叫声为恒频-调频(constant frequency-frequency modulated,CF-FM)信号,一般含有2～3个谐波,第二谐波为其主频,CF成分频率(Mean±SD,n=18)依次为:(33.3±0.2)、(66.5±0.3)、(99.4±0.5)kHz;电生理实验共获得72个神经元的频率调谐曲线,Q10-dB值的范围是0.5～95.4(9.2±14.6,n=72),最佳频率(best frequency,BF)在回声定位主频附近的神经元具有尖锐的频率调谐特性。结果表明,大蹄蝠回声定位信号与下丘神经元频率调谐存在相关性,表现为最佳频率在回声定位信号主频附近的神经元频率调谐曲线的Q10-dB值较大,具有很强的频率分析能力。

中华白海豚回声定位信号自动识别

中华白海豚是我国一级保护动物,以往研究表明不同海域中华白海豚的回声定位(click)信号存在差异。文章以回声定位信号为识别标准,使用三种机器学习方法(K近邻法,决策树-分类回归树法和朴素贝叶斯法)识别中华白海豚。首先使用Teager-Kaiser能源算子(Teager-Kaiser Energy Operator, TKEO)方法和Gabor滤波器进行中华白海豚click信号的自动检测,然后通过倒谱的方法提取click信号的特征,最后利用3种机器学习方法识别中华白海豚。实验数据采集于雷州湾的中华白海豚以及厦门湾的中华白海豚和宽吻海豚的发声信号。实验中将厦门湾中华白海豚和雷州湾中华白海豚设为第一组,进行同种海豚识别;将厦门海域中华白海豚和宽吻海豚设为第二组,进行不同种海豚识别,实验结果表明这两组实验的平均识别准确率分别可以达到98%和96%。

普里兹湾虎鲸回声定位信号脉冲间隔特征分析

根据2017年中国第33次南极科考期间获取的普里兹湾虎鲸声信号观测资料,采用Teager能量算子法对虎鲸回声定位信号进行了检测,并分析了其脉冲间隔的统计特征。对115段回声定位信号的参数分析结果显示:脉冲间隔的范围为10.5～183.5 ms,均值与标准差分别为67.5和27.6 ms。进一步分析,发现脉冲间隔数值的变化具有显著的规律性,根据拟合表达式可以将信号分成5种类型:加速型、减速型、匀速型、先减速后加速型、先加速后减速型。其中减速型的总体占比最高,为58.3%;其次为匀速型与加速型,分别为20.0%,14.8%;其余2类占比最低,均仅为3.5%。普里兹湾虎鲸回声定位信号脉冲间隔规律性变化可能是虎鲸调节其信号以适应活动海域多海冰环境的结果。此外,加速型、减速型、匀速型与先减速后加速型、先加速后减速型的脉冲间隔参数存在较大差异,且后2种类型的-3 dB带宽以及峰值频率与脉冲间隔存在显著的负相关关系,这表明虎鲸在发出后两种类型的回声定位信号时处理的情况与前3种类型相比可能更为复杂与特殊。

基于图像处理的回声定位信号检测方法

鲸豚类海洋哺乳动物发出的回声定位信号是一种频率较高的短时脉冲信号,研究回声定位信号检测方法有助于快速、准确地检测海洋哺乳动物发声,进而更好地保护海洋哺乳动物。本文提出了一种基于图像处理的鲸豚类动物回声定位信号检测方法。该方法首先对收集到的数据进行分帧,计算每帧信号的时频图;使用Frangi滤波器对时频图进行滤波,以降低背景噪声并凸显线条状信号;然后根据鲸豚类海洋哺乳动物回声定位信号在时频图中类似直线的特点,使用直线检测获得时频图像中检出线条状信号的精确位置,进而提取出其图像特征;最后根据信号特征训练随机森林分类器生成检测模型以检测区分出回声定位信号。使用柏氏中喙鲸、领航鲸、露脊鲸和伊洛瓦底海豚四种动物的声数据进行了实验,结果表明,与传统能量算子方法相比,本文提出的方法在低信噪比条件下有着更高的召回率且具有较高的准确率,可取得更好的检测效果。本文方法能够为鲸豚类海洋哺乳动物的声学研究提供一定的技术支持。