一种基于鲸豚类低频水声信号的实时在线识别分类系统技术方案

本发明专利技术公开了一种基于鲸豚类低频水声信号的实时在线识别分类系统，包括信号采集、微处理器、无线传输、终端显示模块。本发明专利技术将水声信号通过降脉冲干扰权重函数、信号三维声谱图转换、频率和时间维度迭代降噪、三维声谱图阈值过滤、基频轮廓构建、基频抗混叠处理、谐波信号提取得到独立三维水声时频域信号的基频以及谐波信号；通过参数提取并结合信号分类模型得到各个三维时频域信号基频的频率、定量、时间参数和对应的声谱类型及谐波的谐波参数。通过三类参数获取方式构建鲸豚类型比对数据集，将确定声谱类型后的三维水声时频域信号的基频和谐波参数和比对数据集在相应声谱类型的基频和谐波参数的分布范围进行比对，识别目标鲸豚类型。

【技术实现步骤摘要】
一种基于鲸豚类低频水声信号的实时在线识别分类系统
本专利技术涉及野生动物保护
，具体是一种基于鲸豚类低频水声信号的实时在线识别分类系统。
技术介绍
在我国，所有的齿鲸类的保护等级都不低于国家二级。同时大多数鲸类都分布在淡水河流生态系统或者河口及海洋近岸浅水区域。例如我国的国家二级保护动物-长江江豚仅生活在长江中下游干流和鄱阳湖以及洞庭湖中，我国的国家一级保护动物-中华白海豚在我国仅分布在河口和近岸水域。而这些淡水水域和海洋近岸水域的人类活动，例如渔业活动、航运交通和涉水工程都非常活跃，相关活动对鲸类的威胁不容乐观。鲸类在长期的进化过程中发展并完善了自身的声呐系统。鲸类的声呐信号可分为用于探测用的高频回声定位信号以及主要是用于个体间交流和情感表达的通讯信号。鲸类的高频声呐信号的峰值频率通常会超过100kHz，同时声呐信号自身的指向性较强，具体而言，其主轴上记录的声呐信号通常比非主轴上记录到的声信号要高几十分贝。同时高频声呐信号在水体传播过程中所面临的声学衰减是非常严重的，研究人员对高频声呐信号的监测距离通常在几十米到几百米之间。与之相反，低频通讯信号的频率通常在几十赫兹到几十千赫兹之间，此外，通讯信号的指向性较低，同时通讯信号在水体中传播所遭受的声学衰减较低，研究人员对鲸类低频通讯信号的监测范围通常能达到数千米，甚至能在几十千米外的水体接收到须鲸的通讯信号。此外由于高频声呐信号的高频特征，相应的对用来对其进行有效监测的声学录音设备的性能，例如监测仪器的数据处理模块、模数转换性能、采样率以及内存都要求较高，而在低频通讯信号的监测中，对声学设备在相关性能上的要求没有这么高。可见，相比较于鲸类的高频声呐信号而言，鲸类的低频通讯信号更适合用于对鲸类在特定水域的栖息地活动规律进行监测。然而基于传统的声学监测手段获得的鲸类监测结果在时间上都存在或多或少的滞后性，例如野外长期定点声学监测，通常会将自容式的声学记录仪布设在野外进行持续监测，经过一段时间后，再将录音设备回收并将数据导入电脑，然后对下载后的声学数据进行分析并获得鲸类的声呐活动规律，即便是短期移动声学考察，通常也存在信号记录和信号分析相独立的情况，即信号分析通常会在野外信号记录结束并将数据带回实验室后才进行。此外鲸类通讯信号的传统监测方法是通过人工监听声音文件或者目视检查声音信号的声谱图进行手动识别。而对于大数据，尤其是对于那种持续不间断的监测模式而言，信号的人工挑选就变得不契实际。研发高效的鲸类通讯信号自动识别算法并实现对鲸类声呐信号进行自动识别的需求就变得十分迫切。绝大多数鲸类物种的保护程度都不容乐观，如何及时有效的对这些鲸类物种进行实时监测并根据回传的实时预警信息对相应水域的人类活动的范围和程度做出及时的调整来降低人类活动对鲸类的潜在影响就变得十分重要。
技术实现思路
本专利技术的目的在于提供一种基于鲸豚类低频水声信号的实时在线识别分类系统，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：本专利技术装置的技术方案为一种基于鲸豚类低频水声信号的实时在线识别分类装置，其特征在于，包括：水听器、滤波器、放大器、信号采集卡、微处理器、无线传输模块、终端显示模块；所述的水听器、滤波器、放大器、信号采集卡、微处理器、无线传输模块通过有线方式依次串联连接；所述无线传输模块与所述终端显示模块通过无线方式连接；所述水听器用于采集水声信号；所述滤波器用于对水声信号进行滤波得到滤波后水声信号；所述放大器用于对滤波后水声信号进行放大得到放大后水声信号；所述信号采集卡用于对放大后水声信号进行模数转换采样得到水声数字信号，并将水声数字信号传输至所述微处理器；所述微处理器根据水声数字信号，通过所述基于鲸豚类低频通讯信号的实时在线监测预警方法得到鲸豚监测结果，将鲸豚监测结果通过所述无线传输模块无线传输至所述终端显示模块进行显示；所述终端显示模块包括移动客户端和实验室客户端；所述移动客户端可以通过安装开发的鲸类实时在线监测系统APP，获得目标鲸类的实时监测信息并实现实时预警功能；所述实验室客户端可以供专业机构的科研人员进行鲸类通讯信号的深度分析和相关研究和保护工作。本专利技术方法的技术方案为一种基于鲸豚类低频水声信号的实时在线识别分类方法，具体包括以下步骤：步骤1：将水声数字信号通过降脉冲干扰权重函数进行降噪得到降噪后水声数字信号，通过信号声谱图转换得到水声三维时频域信号，通过频率维度迭代降噪、时间维度迭代降噪得到降噪后水声时频域信号，通过声谱图阈值过滤得到过滤后的水声时频域信号，通过基频轮廓构建、基频抗混叠处理、谐波信号提取实现独立频谱提取，得到经抗混叠处理后三维水声时频域信号的基频以及基频所对应的谐波信号；步骤2：三维水声时频域信号经抗混叠处理后的基频通过参数提取得到对应的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数，进一步结合时频域模型通过信号分类得到经抗混叠处理的三维水声时频域信号基频的声谱类型；步骤3：通过第一参数获取方式、第二参数获取方式、第三参数获取方式构建鲸豚类型比对数据集，根据鲸豚类型比对数据集分别构建基频的频率参数分布范围、基频的定量参数分布范围、基频的时间参数分布范围、基频所对应的谐波信号的谐波参数分布范围，结合三维水声时频域信号经抗混叠处理后的基频的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数、声谱类型，识别目标鲸豚类型；作为优选，步骤1中所述水声数字信号为：Sig(j,i)j∈[1,M],i∈[1,N]N＝fs×t其中，M为采样周期的数量，N为采样周期内采样点的数量，Sig(j,i)为第j个采样周期内第i个水声数字信号采样值，fs为信号的采样率，t为采用周期的时长；步骤1所述通过降脉冲干扰权重函数为：W(j,i)＝1+[(Sig(j,i)-media(Sig(j.))/(QR(Sig(j.))×θ)]6(i∈[1,N])media(Sig(j.)＝P[Sig(j.),50]QR(Sig(j.)＝(P[Sig(j.),75]-P[Sig(j.),25])/2Sigw(j,i)＝Sig(j,i)/W(j,i)其中，W(j,i)为第j个采样周期内第i个水声数字信号采样值的权重值，Sig(j.)为第j个采样周期内的所有的信号，media(Sig(j.))为Sig(j.)的中位数，P[Sig(j.),50]为将Sig(j.)内的所有信号按照由小到大的顺序排列后，排序在50％位点上的信号值，如果信号的长度N为基数,那么就是排序后的第N/2+1个点的值，如果信号的长度N为偶数,那么就是排序后的第N/2和N/2+1个点的平均值，QR(Sig(j.))为Sig(j.)的四分位数间距，θ为设点的阈值，N为采样周期内采样点的数量，P[Sig(j.),25]为将Sig(j.)内的所有信号按照由小到大的顺本文档来自技高网...

【技术保护点】
1.一种基于鲸豚类低频水声信号的实时在线识别分类方法，其特征在于，包括以下步骤：/n步骤1：将水声数字信号通过降脉冲干扰权重函数进行降噪得到降噪后水声数字信号，通过信号声谱图转换得到水声三维时频域信号，通过频率维度迭代降噪、时间维度迭代降噪得到降噪后水声时频域信号，通过声谱图阈值过滤得到过滤后的水声时频域信号，通过基频轮廓构建、基频抗混叠处理、谐波信号提取实现独立频谱提取，得到经抗混叠处理后三维水声时频域信号的基频以及基频所对应的谐波信号；/n步骤2：三维水声时频域信号经抗混叠处理后的基频通过参数提取得到对应的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数，进一步结合时频域模型通过信号分类得到经抗混叠处理的三维水声时频域信号基频的声谱类型；/n步骤3：通过第一参数获取方式、第二参数获取方式、第三参数获取方式构建鲸豚类型比对数据集，根据鲸豚类型比对数据集分别构建基频的频率参数分布范围、基频的定量参数分布范围、基频的时间参数分布范围、基频所对应的谐波信号的谐波参数分布范围，结合三维水声时频域信号经抗混叠处理后的基频的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数、声谱类型，识别目标鲸豚类型。/n...

【技术特征摘要】
1.一种基于鲸豚类低频水声信号的实时在线识别分类方法，其特征在于，包括以下步骤：
步骤1：将水声数字信号通过降脉冲干扰权重函数进行降噪得到降噪后水声数字信号，通过信号声谱图转换得到水声三维时频域信号，通过频率维度迭代降噪、时间维度迭代降噪得到降噪后水声时频域信号，通过声谱图阈值过滤得到过滤后的水声时频域信号，通过基频轮廓构建、基频抗混叠处理、谐波信号提取实现独立频谱提取，得到经抗混叠处理后三维水声时频域信号的基频以及基频所对应的谐波信号；
步骤2：三维水声时频域信号经抗混叠处理后的基频通过参数提取得到对应的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数，进一步结合时频域模型通过信号分类得到经抗混叠处理的三维水声时频域信号基频的声谱类型；
步骤3：通过第一参数获取方式、第二参数获取方式、第三参数获取方式构建鲸豚类型比对数据集，根据鲸豚类型比对数据集分别构建基频的频率参数分布范围、基频的定量参数分布范围、基频的时间参数分布范围、基频所对应的谐波信号的谐波参数分布范围，结合三维水声时频域信号经抗混叠处理后的基频的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的基频所对应的谐波信号的谐波参数、声谱类型，识别目标鲸豚类型。


2.根据权利要求1所述的基于鲸豚类低频水声信号的实时在线识别分类方法，其特征在于：步骤1中所述水声数字信号为：
Sig(j,i)j∈[1,M],i∈[1,N]
N＝fs×t
其中，M为采样周期的数量，N为采样周期内采样点的数量，Sig(j,i)为第j个采样周期内第i个水声数字信号采样值，fs为信号的采样率，t为采用周期的时长；
步骤1所述通过降脉冲干扰权重函数为：
W(j,i)＝1+[(Sig(j,i)-media(Sig(j.))/(QR(Sig(j.))×θ)]6(i∈[1,N])
media(Sig(j.)＝P[Sig(j.),50]
QR(Sig(j.)＝(P[Sig(j.),75]-P[Sig(j.),25])/2
Sigw(j,i)＝Sig(j,i)/W(j,i)
其中，W(j,i)为第j个采样周期内第i个水声数字信号采样值的权重值，Sig(j.)为第j个采样周期内的所有的信号，media(Sig(j.))为Sig(j.)的中位数，P[Sig(j.),50]为将Sig(j.)内的所有信号按照由小到大的顺序排列后，排序在50％位点上的信号值，如果信号的长度N为基数,那么就是排序后的第N/2+1个点的值，如果信号的长度N为偶数,那么就是排序后的第N/2和N/2+1个点的平均值，QR(Sig(j.))为Sig(j.)的四分位数间距，θ为设点的阈值，N为采样周期内采样点的数量，P[Sig(j.),25]为将Sig(j.)内的所有信号按照由小到大的顺序排列后，排序在25％位点上的信号值，如果信号的长度N为基数,那么就是排序后的第0.25N+1个点的值，如果信号的长度N为偶数,那么就是排序后的第0.25N和0.25N+1个点的平均值,P[Sig(j.),75]为所将Sig(j.)内的所有信号按照由小到大的顺序排列后，排序在75％的位点上的信号值，如果信号的长度N为基数,那么就是排序后的第0.75N+1个点的值，如果信号的长度N为偶数,那么就是排序后的第0.75N和0.75N+1个点的平均值,Sigw(j,i)为第j个采样周期内第i个水声数字信号采样值经权重处理后结果，P代表信号的排序的百分位置；
步骤1所述通过信号三维声谱图转换得到水声时频域信号为：
步骤1降噪后水声数字信号通过傅里叶窗函数变换得到水声频域信号：



S0(j,p,q)＝S0[j(p),q,Fsigw[j(p),q]]
Δf＝Δq＝fs/nfft
Δt＝Δj(p)＝nfft×K×(1-r)/fs
其中，j(p)为第j个采样周期中的第p个傅里叶窗变换，同时，它还是三维时频域信号的时间维度参数，q为三维时频域信号的频率维度参数，Fsigw[j(p),q]为Sigw(j(p),i(s))经过傅里叶变换后的结果，即时间和频率分别在j(p)和q的傅里叶变换结果，i′代表第j个采样周期中的第p个傅里叶窗变换中的第i′个点，K表示每次进行傅里叶窗转换的信号总点数，r为每两次相邻的傅里叶窗函数滑动转换时信号重叠部分所占的百分比，S0为通过傅里叶窗函数变换得到的三维水声时频域信号，它包括时间维度j(p)，频率维度q和在该时间维度和频率维度下的傅里叶转换结果Fsigw[j(p),q]，fs为信号的采样频率，nfft为傅里叶窗函数的长度，Δf为时频域信号的频率分辨率，Δt为时频域信号的时间分辨率，N为每个采样周期内采样点的数量，Δq表示参数q的变化率，Δj(p)表示参数j(p)的变化率；
步骤1所述频率维度迭代降噪的模型为：









S1(j，p，q)＝S1[j(p)，q，logPsigw1[j(p)，q]]
其中，logPsigw[j(p),q]为傅里叶转换结果(Fsigw[j(p),q])经对数转换后的能量水平，logPsigw1[j(p),q]代表经过频率维度降噪后的能量水平信号，j(p)为第j个采样周期中的第p个傅里叶窗变换，q为三维时频域信号的频率维度参数，K为每次进行傅里叶窗转换的信号长度，r为每两次相邻的傅里叶窗函数滑动转换时信号重叠部分所占的百分比，nfft为傅里叶窗函数的长度，S1(j,p,q)为经过频率维度迭代降噪的三维水声时频域信号，包括时间维度信号即j(p)、频率维度信号即q和能量水平参数即j(p)和q对应的经过频率维度降噪后的能量水平信号即logPsigw1[j(p),q]；
步骤1所述时间维度迭代降噪的模型为：



S2(j，p，q)＝S2[j(p)，q，logPsigw2[j(p)，q]]
其中，logPsigw2[j(p),q]代表经过时间维度降噪处理后的水声时频域信号的能量分布信号，φ代表时间维度降噪函数的降噪系数，通常取值为0.05，j(p)为第j个采样周期中的第p个傅里叶窗变换，q为三维时频域信号的频率维度参数，K为每次进行傅里叶窗转换的信号长度，r为每两次相邻的傅里叶窗函数滑动转换时信号重叠部分所占的百分比，nfft为傅里叶窗函数的长度，S2(j,p,q)为经过频率维度迭代降噪的三维水声时频域信号，包括：时间维度信号即j(p)、频率维度信号即q和能量水平参数即j(p)和q对应的经过时间维度降噪处理后的水声时频域信号的能量分布信号即logPsigw1[j(p),q]；
步骤1所述通过声谱图阈值过滤得到水声时频域信号：



S3(j，p，q)＝S3[j(p)，q，logPsigw3[j(p)，q]]
其中，logPsigw3[j(p),q]为经过阈值过滤后的水声时频域信号的能量分布信号，α为设定的时频域信号的能量阈值，j(p)为第j个采样周期中的第p个傅里叶窗变换，q为三维时频域信号的频率维度参数，S3(j,p,q)为经过声谱图阈值过滤得到三维水声时频域信号，包括：时间维度信号即j(p)、频率维度信号即q和能量水平参数即j(p)和q对应的经过阈值过滤后的水声时频域信号的能量分布信号即logPsigw1[j(p),q]；
步骤1所述基频轮廓为：
C[j(k′),j(k′)(m)]＝S3[j(p),q,logPsigw3[j(p),q]](k′∈[1,N′],j(k′)∈[j(p),j(p)+N′(j(k′)))],j(k′)(m)∈[1,N′(j(k′))])
C3≥a
ΔC2≤Δq
其中，j(k′)代表第j个采样周期中的第k′个基频的频谱，j(k′)(m)代表第j个采样周期中的第k′个基频的频谱的第m个点，C[j(k′),j(k′)(m)]代表三维水声时频域信号在第j个采样周期中的第k′个基频的频谱的第m个点，N′表示三维水声时频域信号在第j个采样周期中的所有的基频频谱的条数，j(p)表示第j个采样周期中的第p个傅里叶窗变换，N′(j(k′))表示第j个采样周期中的第k′个基频的频谱中所包含的位点数的最大位点数目，C3表示三维水声时频域信号的第三维度的值，即三维水声时频域信号的能量值，C2表示三维水声时频域信号的第二维度的值，即频率维度值，ΔC2代表三维水声时频域信号的频率变化率，α为设定的时频域信号的能量阈值；
步骤1所述基频的抗混叠处理是对声谱轮廓线发生交叉或者重叠情况进行的处理，具体为：
C1[j(k″)，j(k″)(n′)]＝C[j(k′)，j(k′)(m)](n′∈[1，N″(j(k″))])






Tan(y1)≈Tan(y2)
其中，j(k″)代表第j个采样周期中的第k″个基频的频谱，j(k″)(n′)代表第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第n′个点，C1[j(k″)，j(k″)(n′)]代表三维水声时频域信号在第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第n′个点，N″(j(k″))表示第j个采样周期中的第k″个基频经抗混叠处理后的频谱中所包含的位点数的总数，C1，1表示抗混叠处理的基频的三维水声时频域信号的第一维度的值，即三维水声时频域信号的时间维度值，C1，2表示抗混叠处理的基频的三维水声时频域信号的第二维度的值，即频率维度值，Y代表基频的分支结构位点，Tan(y1)、Tan(y2)分别代表分支结构左侧斜率角和分支结构右侧斜率角；
步骤1所述谐波信号提取是对基频的整数倍频率位点的信号进行提取，具体定义为：
HC[j(k″′)，j(k″′)(o)，l]＝[S3[C1，1[j(k″)，j(k″)(n′)]，C1，2[j(k″)，j(k″)(n′)]×l，logPsigw3[C1，1[j(k″)，j(k″)(n′)]，C1，2[j(k″)，j(k″)(n′)]]×l]，l]
(l∈[2，L]，o∈[1，O(j(k″′))])
其中，C1，1[j(k″)，j(k″)(n′)]代表三维水声时频域信号在第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第一维度上的信息，即时间维度信息，C1，2[j(k″)，j(k″)(n′)]代表三维水声时频域信号在第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第二维度上的信息，即频率维度信息，L代表最大的谐波数，O代表三维水声时频域信号在第j个采样周期中的第k″′个基频经抗混叠处理后的频谱的第1个谐波的最大点数；HC[j(k″′)，j(k″′)(o)，l]代表三维水声时频域信号在第j个采样周期中的第k″′个基频经抗混叠处理后的频谱所对应的l阶谐波信号的第o个位点的信号，HC[j(k″′),j(k″′)(o),l]为4维信号，包括时间维度，频率维度，能量维度和阶维度。


3.根据权利要求1所述的基于鲸豚类低频水声信号的实时在线识别分类方法，其特征在于：步骤2所述三维水声时频域信号经抗混叠处理后的频谱为：步骤1所述第j个采样周期中的第k″个基频经抗混叠处理后的频谱C1[j(k″),j(k″)(n′)](n′∈[1,N″(j(k″))])；
步骤2所述三维水声时频域信号经抗混叠处理后的频谱所对应的谐波信号为：步骤1所述三维水声时频域信号在第j个采样周期中的第k″′个基频经抗混叠处理后的频谱所对应的谐波信号HC[j(k″′),j(k″′)(o),l]，l∈[2,L]；
步骤2所述通过参数提取得到对应的频率参数、定量参数、时间参数、三维水声时频域信号经抗混叠处理后的频谱所对应的谐波信号的谐波参数的具体方法为：
步骤2所述频率参数包括：开始频率，信号在0.25持续时间点的基频频率，信号在0.5持续时间点的基频频率，信号在0.75持续时间点的基频频率，结束频率，最小频率，最大频率，频率变动范围、平均频率；
所述开始频率为三维水声时频域信号在第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第1个点的第二维度值，即频率维度C1,2[j(k″),1]；
所述信号在0.25持续时间点的基频频率为C1,2[j(k″),0.25×N″(j(k″))]，信号在0.5持续时间点的基频频率为C1,2[j(k″),0.5×N″(j(k″))]，N″(j(k″))表示第j个采样周期中的第k″个基频经抗混叠处理后的频谱中所包含的位点数的总数；
所述信号在0.75持续时间点的基频频率为C1,2[j(k″),0.75×N″(j(k″))]；
所述结束频率为C1,2[j(k″),end]；
所述最小频率为min(C1,2[j(k″),u′](u′∈[1,N″(j(k″))]))；
所述最大频率为max(C1,2[j(k″),u′](u′∈[1,N″(j(k″))]))；
所述频率变动范围为max(C1,2[j(k″),u′])-min(C1,2[j(k″),u′](u′∈[1,N″(j(k″))]))；
所述平均频率为：
[C1，2[j(k″)，1]+C1，2[j(k″)，end]+min(C1，2[j(k″)，u′])+max(C1，2[j(k″)，u′])]/4(u′∈[1，N″(j(k″))]))
步骤2所述定量参数包括：频谱基频的开始扫向，结束扫向，声谱图基频的拐点数，声谱图基频的断裂点数，声谱图基频的梯级结构数；
所述频谱基频的开始扫向为：
C1,2[j(k″),2]/C1,2[j(k″),1]，其中C1,2[j(k″),1]和C1,2[j(k″),2]分别代表三维水声时频域信号在第j个采样周期中的第k″个基频经抗混叠处理后的频谱的第1个点和第2点的第二维度值，即频率维度；
所述结束扫向为：
C1,2[j(k″),end]/C1,2[j(k″),end-1]；
所述声谱图基频的拐点为频率变化率从正值变为负值或者从负值变为正值的零界点：







为声谱图基频C1[j(k″)]的拐点数，i′为声谱图基频的拐点所在的坐标位置；
所述声谱图基频的梯级结构指的是连续声谱图中频率骤变的区域，这些区域的频率变动范围要大于500Hz:



C1,2[j(k″),i″+1]-C1,2[j(k″),i″]≥500
其中，代表声谱图基频C1[j(k″)]的梯级结构数,i″代表声谱图基频的梯级结构的所在的坐标位置；
所述声谱图基频的断裂点数指的是声谱图中频率不连续的区域的总数：



C1,2[j(k″),i″′]＝0
其中，代表声谱图基频C1[j(k″)]的断裂点数,i″′代表声谱图基频的断裂点所在的坐标位置；
步骤2所述时间参数包括：持续时间，定义为：
其中，dt为时间间隔；
步骤2所述谐波参数包括：最大谐波数、最大谐波频率；
所述最大谐波数为max(HC1,4[j(k″′),j(k″′)(o),l])，其中HC1,4[j(k″′),j(k″′)(o),l]为HC[j(k″′),j(k″′)(o),l]的第四维度，即阶维度；
所述最大谐波频率为max(HC1,2[j(k″′),j(k″′)(o),l])其中HC1,2[j(k″′),j(k″′)(o),l]为HC[j(k″′),j(k″′)(o),l]的第二维度，即频率维度；；
步骤2所述进一步结合时频域模型通过信号分类得到经抗混叠处理的三维水声时频域信号基频的声谱类型，具体为：
所述时频域模型分为：平滑型、下扫型、上扫型、U-型、凸型、弦型；
所述平滑型的判断方法为：
在整个通讯信号的持续时间中，有超过90％的持续时间跨度内，频率的变动幅度小于1kHz；
FC1[j(k″1),j(k″1)(n′1)]＝C1[j(k″),j(k″)(n′)](n′1∈[1,N″1(j(k″1))])



其中FC1[j(k″1),j(k″1)(n′1)]代表平滑型三维水声时频域信号在第j个采样周期中第k″1个基频经抗混叠处理后的频谱的第n′1个点，N″1(j(k″1))代表平滑型三维水声时频域信号在第j个采样周期的第k″1个基频经抗混叠处理后的频谱的位点数的总数，FC1,2[j(k″1),j(k″1)(n′1)]表示平滑型三维水声时频域信号在第j个采样周期第k″1个基频经抗混叠处理后的频谱的第n′1个点的第二维度值，即频率值；
所述下扫型的判断方法为：
通讯信号的频率变动趋势主要为下降，即使有频率上升的部分，其频率变动范围也小于1kHz；
DC1[j(k″2),j(k″2)(n′2)]＝C1[j(k″),j(k″)(n′)](n′2∈[1,N″2(j(k″2))])
DC1,2[j(k″2),j(k″1)(n″′2)]-DC1,2[j(k″2),j(k″2)(n″′2-1)]＞0(n″′2∈[2,N″′2])
max(DC1,2[j(k″2),j(k″2)(n″′2)])-min(DC1,2[j(k″2),j(k″2)(n″′2)])≤1000(n″′2∈[1,N″′2])
其中DC1[j(k″2),j(k″2)(n′2)]代表下扫型三维水声时频域信号在第j个采样周期中第k″2个基频经抗混叠...

【专利技术属性】
技术研发人员：王志陶，王克雄，王丁，段鹏翔，
申请(专利权)人：中国科学院水生生物研究所，
类型：发明
国别省市：湖北;42