摘要:深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。
地震资料往往含有严重的随机噪声,给后续的数据处理、解释及储层预测等工作带来十分不利的影响[1]。由于随机噪声是由各种因素综合作用形成的,没有固定的频率和传播方向,分布于全时、全频段,因此很难将其从地震记录中有效地分离出来。针对随机噪声压制问题,学者们开展了大量相关研究并根据有效信号和随机噪声各自的特征提出了不同的压制方法,典型的有K-L变换滤波[2]、f-x域预测滤波[3]、自适应滤波[4]、Radon变换[5]、径向预测滤波[6]、小波变换[7,8]、奇异值分解[9]、多项式拟合[10]、S变换[11]、Curvelet变换[12,13]、Seislet变换[14]、倾角导向中值滤波[15,16]、径向时频峰值滤波[17]、稀疏字典学习[18]、局部正交压制[19]等方法。尽管这些方法都取得较好的实际应用效果,但每种方法都受到某种假设或条件限制[20],去噪性能在不同工区差别较大,适应能力和保真能力有待进一步提高;此外,去噪效果较好的方法通常计算复杂度较高、计算效率较低,需要较多的参数调试,不能充分应对宽频、宽方位、单点高密度采集时代大数据量处理的挑战。因此,研究保真且高效的去噪方法是人们不懈的追求。
深度学习[21]是近年来引起广泛关注的机器学习的一个分支,该概念由Hinton等[22]提出。深度学习实质上是一种人工神经网络,但比以往的人工神经网络具有更深的神经元层,通过组合低层特征形成更加抽象的高层特征,以发现数据的分布式特征表示,减少了人工提取特征的巨量工作。目前,深度学习已经发展出多种模型,如生成式/无监督模型(受限玻尔兹曼机、深度置信网络、正则化的自编码器等)和判别式模型(递归神经网络、深度神经网络、卷积神经网络等)。CNN通过用卷积代替规则神经元的矩阵乘法运算,大大减少每层中需要训练的未知权重系数的数量,能够从输入中学习到高度复杂的非线性关系。
由于存在诸多优点,CNN已被逐渐应用于地震勘探领域中。如:Lewis等[23]将CNN用于全波形反演中的正则化先验信息提取;Itan等[24]将CNN用于反射和绕射波场分离;Huang等[25]将CNN用于断裂特征的自动检测。以上研究都取得了较好的应用效果,展现出CNN在地震勘探领域中的巨大优势和广阔的应用前景。
考虑到CNN具有自动学习高度复杂的非线性特征的能力,本文将其应用于叠前地震数据随机噪声的压制中,通过对叠前地震数据中随机噪声特征的自动学习,实现自动且高效的随机噪声分离。
1、深度残差网络去噪原理
1.1深度残差网络
目前卷积神经网络领域已取得许多令人瞩目的研究成果,并且不断有新的CNN模型被提出,其中最著名的有LeNet[26]、AlexNet[27]、Google-Net[28]、VGGNet[29]和深度残差网络(ResNet)[30]等。目前在图像分类方面,ResNet的准确度是最高的。鉴于ResNet的优异性能,Zhang等[31]将ResNet应用于图像数据去噪。研究表明,在随机噪声压制中应用ResNet并不依赖于数据的信噪比,其对不同信噪比的数据都能够达到较好的去噪效果。
深度残差网络是针对更深层的网络模型难以训练的问题而提出的一个网络架构,很好地克服了因深度增加而出现的网络退化问题,能够通过增加网络深度提高网络性能。图1说明了深度残差网络与常规网络的差别。假定某段神经网络的输入是y,期望输出是N(y),即N(y)是期望的复杂潜在映射,但学习难度较大;如果通过图1所示的越层连接直接把输入y传到输出作为初始结果,则此时需要学习的目标变为R(y)=y-N(y),即ResNet相当于学习恒等映射y与最优解N(y)的残差。在极端情况下,将残差R(y)置为零比通过非线性层拟合恒等映射y更容易。
图1残差网络与常规网络的差别
(a)常规网络;(b)残差网络
1.2随机噪声压制原理
如果地震数据中包含随机噪声,则地震数据可以表示为
y=x+n (1)
式中:x为有效信号;y为含随机噪声地震记录;n为随机噪声。深度学习的基本思想是通过下面的公式建立x和y之间的映射关系
x=Νet(y;Θ) (2)
式中:Net表示深度学习网络;Θ={W,b}为网络参数,其中W为权重,b为偏置。根据深度残差网络原理,可以将随机噪声作为网络输出
n=y-x=Res(y;Θ) (3)
式中:Res表示残差学习网络。为了最优化式(3)中的网络,定义如下的代价函数[30]
L(Θ)=12Ν∑i=1Ν∥Res(y;Θ)-(yi-xi)‖2F(4)
式中:{yi-xi)}i=1Ν表示包含N对训练样本的训练集;‖·‖F代表Frobenious范数。由于N非常大,直接将训练集用于计算L(Θ)的梯度是不现实的,因此本文采用小批次随机梯度下降(StochasticGradientDescent,SGD)法[32]最小化L(Θ),即在每次迭代过程中,只有小部分训练样本被用来计算梯度,利用局部梯度来代替全局梯度,这样既可以提高效率又可以降低复杂度。
为衡量深度残差网络的去噪性能,将峰值信噪比(PeakSignaltoNoiseRatio,PSNR)作为评价指标,其计算公式为
ΡSΝR(x^,x)=10×lgΝmax[abs(x)][∑j=1Μ(xj-x^j)2]12 (5)
式中:x^=y-Res(y;Θ)为网络的去噪结果;max[abs(x)]表示取有效信号x的最大绝对值;M为x的总样点数。PSNR的单位为dB,其值越大表示去噪的保真性越好。
2、深度残差网络的架构
针对随机噪声压制问题,设计了一个由多层依次连接构成的去噪网络Res(y;Θ),如图2所示,图中不同层的定义如表1所示。在去噪网络的第二层和最后一层之间为多个构建块,每个构建块由一个卷积层(Conv)、一个批标准化层(BatchNormalization,BN)和一个修正线性单元层(RectifiedLinearUnit,ReLU)依次连接组成。去噪网络中除第一个卷积层的尺寸为3×3×1×64(64个卷积核为3×3的卷积滤波器,通道数为1)和最后一个卷积层的尺寸为3×3×64×1(1个卷积核为3×3的卷积滤波器,通道数为64)之外,其他卷积层的尺寸均为3×3×64×64(64个卷积核为3×3的卷积滤波器,通道数为64)。去噪网络中修正线性单元层之前加入批标准化层[31],用于固定每层输入信号的均值和方差,使每一层的输入均有一个稳定的分布,在有效避免梯度弥散的同时可以提高去噪网络的泛化能力和收敛速度。
表1深度残差网络不同层的定义
注:“*”代表卷积算子。
图2深度残差网络的架构示意图
3、模型数据测试
为验证基于深度残差网络的随机噪声压制方法的有效性,设计了一个二维合成数据模型构建训练集及去噪测试。图3a给出了合成的含随机噪声记录,其峰值信噪比为9.08dB,是图3b所示有效信号和图3c所示随机噪声的叠加,共512道,每道1000个采样点,空间采样间隔为5m,时间采样间隔为2ms。图4为图3各记录的f-k谱,由图4a可见随机噪声分布在整个时频空间,与有效信号的分布区域重叠。
为了训练去噪网络,通过将含随机噪声记录作为输入、将随机噪声模型作为标签,构建了包括输入数据集和标签数据集的训练集。为测试样本大小对网络去噪性能的影响,固定网络深度为18层、训练周期[31]为20、批次规模[31]为128,利用构建的不同训练样本大小的训练集对去噪网络进行训练。表2为不同样本大小对应的峰值信噪比和训练时间,可见随着样本的变大训练时间也逐渐增大,但峰值信噪比在样本大小为30×30时达到最大,此后随着样本的变大反而变小了,因此在随机噪声压制应用中训练样本不是越大越好(图2的两边给出了训练集中的5对训练样本)。大量的模型数据测试和实际资料应用表明,选取训练样本大小为30×30能够获得比较好的随机噪声压制效果,因此在本文的后续讨论中训练样本大小均设置为30×30。
图3含随机噪声数据模型
(a)含随机噪声记录;(b)有效信号;(c)随机噪声
图4含随机噪声数据模型的f-k谱
为测试网络深度对网络去噪性能的影响,固定训练样本的大小为30×30、训练周期为20、批次规模为128,对不同深度的去噪网络进行训练。表3为不同网络深度对应的峰值信噪比、训练时间和去噪时间,可见:随着网络深度的增加峰值信噪比逐渐增大,网络越深去噪效果越好,这正是深度学习的本质所在;网络越深训练时间和去噪时间也越长,因此从时间成本考虑,本文在保证去噪效果的前提下选取网络深度为18层。此外,由表3可见,尽管深度残差网络在训练阶段是比较耗时的,但训练好的网络在去噪阶段速度很快。利用固定好的参数训练得到去噪网络Ⅰ,并将其应用于图3a所示的合成含随机噪声记录,结果如图5所示。由图5可见,去噪网络Ⅰ有效地学习到无规律随机噪声的特征,并成功地预测出随机噪声,随机噪声压制结果的PSNR为19.70dB,与含噪记录的PSNR相比得到显著的提升。对比图4与图6的f-k谱可见,在时频空间中有效信号和随机噪声得到了有效分离,选取网络深度为18层已足以满足去噪需求。
表3网络深度对深度残差网络性能的影响
图5网络Ⅰ去噪结果(a)及预测的随机噪声(b)
图6网络Ⅰ去噪结果(a)及预测的随机噪声(b)的f-k谱
4、网络的泛化能力研究
为进一步测试网络的去噪性能,将去噪网络Ⅰ应用于图7a所示的合成含随机噪声记录。图7a所示含随机噪声记录的峰值信噪比为4.32dB,是在图7b所示有效信号中加入随机噪声得到的,共128道,每道1000个采样点,空间采样间隔为20m,时间采样间隔为4ms。图7c给出了去噪网络Ⅰ的随机噪声压制结果,尽管其峰值信噪比提高到7.65dB,但随机噪声并未得到充分地压制。
针对该问题,将图3a和图7a所示的含随机噪声记录作为输入、将其相应的随机噪声模型作为标签,构建出新的训练集并对去噪网络进行训练,得到去噪网络Ⅱ。图7d为去噪网络Ⅱ应用于图7a数据的去噪结果,可见随机噪声得到了有效地压制,去噪后峰值信噪比达到17.15dB;同时将去噪网络Ⅱ应用于图3a,也得到理想的去噪结果,去噪后峰值信噪比为19.46dB,与去噪网络Ⅰ的去噪能力基本相同。
可见,只要有足够完备的涵盖各种情况的高质量标签数据,训练后的去噪网络对于各种不同的数据都能得到较好的去噪结果,这也是在图像分类方面深度残差网络能够取得惊人准确度的主要原因之一。可以预见,在随机噪声去噪应用中,随着各工区不同类型标签数据的逐渐积累和网络的强化训练,本文去噪网络的泛化能力将会得到大幅度地提高。
图7含随机噪声记录及相应的去噪结果
(a)含随机噪声记录;(b)有效信号模型;(c)网络Ⅰ去噪结果;(d)网络Ⅱ去噪结果
5、实际资料应用
深度残差网络是一种有监督的深度学习算法,要实现去噪首先得有高质量的标签数据。针对模型数据的去噪问题,由于随机噪声是已知的,因此能够获得较好的去噪效果,然而针对实际资料的去噪问题,随机噪声事先是未知的。针对实际资料随机噪声标签数据的获取问题,可以通过多种方法的去噪效果对比,选取最优的去噪方法获得标签数据。
首先,将本文去噪方法应用于叠前CRP道集的随机噪声压制。图8为三个不同位置的CRP道集,可见随机噪声干扰比较严重。分别利用f-x域预测滤波法、径向预测滤波法、倾角导向中值滤波法、小波迭代阈值法、Seislet变换法和曲波迭代阈值法对图8b所示记录进行去噪处理,得到图9和图10所示的通过精细参数调试后的有效信号和随机噪声。通过对图9和图10中各方法去噪结果及相应的f-k谱和计算时间对比分析可知:f-x域预测滤波法的去噪效率是最高的,但其去噪能力和保幅性是最差的;径向预测滤波法、倾角导向中值滤波法和Seislet变换法的去噪效果依赖于局部倾角场的准确性,去噪结果的平滑性较差,且容易产生去噪假象;小波变换不能有效稀疏表示局部线状变化特征,因此小波迭代阈值法容易产生局部奇异性而破坏反射同相轴的连续性;曲波变换能够有效表示同相轴等局部线状变化特征,因此曲波迭代阈值法能够得到保幅且光滑的理想去噪结果,但效率最低。综合比较,针对图8b所示记录,曲波迭代阈值法的随机噪声压制效果是最优的,因此利用该方法来获取随机噪声标签数据。
图8三个不同位置的含噪CRP道集
(a)CRP1~CRP5;(b)CRP101~CRP105;(c)CRP596~CRP600
图9图8b数据不同方法的去噪结果
(a)f-x域预测滤波法;(b)径向预测滤波法;(c)倾角导向中值滤波法;(d)小波迭代阈值法;(e)Seislet变换法;(f)曲波迭代阈值法
图10图8b数据不同方法的去除的随机噪声
(a)f-x域预测滤波法;(b)径向预测滤波法;(c)倾角导向中值滤波法;(d)小波迭代阈值法;(e)Seislet变换法;(f)曲波迭代阈值法
将图8b所示CRP101~CRP105位置的含噪记录作为输入、将图10f所示的相应随机噪声作为标签,构建了包含170000多个训练样本对的训练集,样本的大小为30×30。通过对本文设计的18层网络20个周期的训练,得到了最终的随机噪声去噪网络。图11给出了代价函数随训练周期[31]的变化曲线,可以看出本文去噪网络在训练阶段非常稳定,网络的输出误差随着训练周期的增加迅速而单调地下降。
图11代价函数随训练周期的变化曲线
将训练好的随机噪声去噪网络应用于图8所示的各含随机噪声记录,结果如图12和图13所示。图9f所示曲波迭代阈值法得到的有效信号与图12b所示深度残差网络得到的有效信号的峰值信噪比皆为21.87dB,可见二者的去噪能力相当,深度残差网络通过学习获得了曲波迭代阈值法的去噪能力。同时,通过比较可见,无论是在离获取标签位置CRP101~CRP105较近的CRP1~CRP5位置还是较远的CRP596~CRP600位置,去噪网络的随机噪声压制结果均较好,可见在局部构造相似区域,小样本训练获得的去噪网络也具有较强的泛化能力。
图12深度残差网络去噪结果
(a)CRP1~CRP5;(b)CRP101~CRP105;(c)CRP596~CRP600
图13深度残差网络预测的随机噪声
(a)CRP1~CRP5;(b)CRP101~CRP105;(c)CRP596~CRP600
此外,该去噪网络训练完成之后不仅与曲波迭代阈值法的去噪能力相同,同时还具有下述优点:①去噪效率高,与曲波迭代阈值法相比去噪效率提高了近200倍;②智能去噪,不需要复杂的参数调试,自动地识别并分离出噪声;③适应能力强、内存占用小;④保幅性好,只学习到了随机噪声的特征,在去噪过程中有效信息得到尽可能的保护。
为进一步验证本文去噪方法对叠前炮记录的去噪性能,构建了新的训练集并进行了相应的网络训练。新的训练集中输入数据集和标签数据集的构建利用了不同来源的数据:一部分数据来源于加入了不同信噪比随机噪声的正演模拟炮记录及相应的随机噪声记录,另一部分数据来源于几个不同工区的实际含噪单炮记录及通过优选的去噪技术分离得到的随机噪声记录。将利用该训练集训练得到的去噪网络应用于实际二维测线数据,该数据为做完规则噪声压制之后的炮记录,共有802炮,图14a为第320个单炮记录。图14b和14c分别为图14a数据的去噪结果及去除的随机噪声,可见该网络具有较好的泛化能力,对单炮记录中的随机噪声进行了较好的压制。图15为该二维测线去噪前后的叠加剖面对比,可见预测出的随机噪声叠加剖面中基本无有效信息损失,网络的去噪性能得到进一步验证。
图14第320炮的深度残差网络去噪前(a)、后(b)记录及预测的噪声(c)
图15深度残差网络去噪前(a)、后(b)的叠加剖面及去除的随机噪声叠加剖面(c)
6、结论
(1)针对叠前地震记录中随机噪声的智能高效压制问题,根据深度残差网络原理设计了一种深层随机噪声压制网络,并引入批标准化策略和小批次随机梯度下降法来提高网络的综合性能,训练后的网络可以拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现对随机噪声的自动识别和分离。模型数据测试和实际资料应用,证明了本文方法的有效性。
(2)深度残差网络是一种有监督的深度学习算法,去噪性能在很大程度上依赖于训练集的完备程度,如果有足够完备的涵盖各种情况的高质量标签数据,训练后的去噪网络将会具有很强的泛化能力,因此标签数据的获取和积累至关重要。
(3)理论上深度残差网络越深去噪性能越好,但网络越深训练时间和去噪时间也越长;构建训练集时学习样本并不是越大越好,选择合适的尺寸能使网络获得最佳去噪性能。针对叠前随机噪声压制问题,网络深度选取18或者21层、样本大小设置为30×30就可以很好地满足去噪需求。
(4)尽管深度残差网络在训练阶段比较耗时,但训练好之后具有较高的去噪效率。同时,从本文实际资料处理实例可见,该网络还具有智能去噪、适应能力强、保幅性好等优点,在局部构造相似区域,小样本训练也能够获得泛化能力较强的去噪网络。
参考文献:
[4]曹鹏涛,张敏,李振春.基于广义S变换及高斯平滑的自适应滤波去噪方法[J].石油地球物理勘探,2018,53(6):1128-1136.
[6]夏洪瑞,陈德刚,周开明.地震资料处理中随机干扰消除方法分析[J].石油物探,2003,42(1):93-96.
[8]邵婕,孙成禹,唐杰,等.基于字典训练的小波域稀疏表示微地震去噪方法[J].石油地球物理勘探,2016,51(2):254-260.
[9]桑雨,高树生,宋宏文,等.利用奇异值分解方法提高地震数据信噪比[J].石油地球物理勘探,2014,49(增刊1):72-75.
[11]赵淑红,朱光明.S变换时频滤波去噪方法[J].石油地球物理勘探,2007,42(4):402-406.
[12]齐少华,刘启元,陈九辉,等.接收函数的曲波变换去噪[J].地球物理学报,2006,59(3):884-896.
[13]张华,刁塑,温建亮,等.应用二维非均匀曲波变换压制地震随机噪声[J].石油地球物理勘探,2019,54(1):16-23.
[14]刘洋,FomelS,刘财,等.高阶seislet变换及其在随机噪声消除中的应用[J].地球物理学报,2009,52(8):2142-2151.
[15]王伟,高静怀,陈文超,等.基于结构自适应中值滤波器的随机噪声衰减方法[J].地球物理学报,2012,55(5):1732-1741.
[16]孙哲,王建锋,王静,等.基于时空变中值滤波的随机噪声压制方法[J].石油地球物理勘探,2016,51(6):1094-1102.
[17]林红波,马海涛,许丽萍.压制空间非平稳地震勘探随机噪声的ROAD径向时频峰值滤波算法[J].地球物理学报,2015,58(7):2546-2555.
[18]张岩,任伟建,唐国维.应用结构聚类字典学习压制地震数据随机噪声[J].石油地球物理勘探,2018,53(6):1119-1127.
[19]徐彦凯,曹思远,潘晓,等.随机噪声的局部正交压制方法[J].石油地球物理勘探,2019,54(2):280-287.
[20]钟铁,李月,杨宝俊,等.陆地地震勘探随机噪声统计特性[J].地球物理学报,2017,60(2):655-664.
李海山,陈德武,吴杰,常德宽.叠前随机噪声深度残差网络压制方法[J].石油地球物理勘探,2020,55(03):493-503+467-468.
基金:中国石油天然气集团公司科技项目“深层及非常规物探新方法新技术”(2019A-3312);中国石油天然气股份有限公司科技项目“智能化地震噪音压制技术研究及在塔里木沙漠区的应用”(kt2017-12-03-1)联合资助.
分享:
适用于固井质量评价的声波测井类的测量方法均是利用套管中传播的某种模式波的幅度或衰减评价水泥的胶结情况.例如,贴井壁的扇区水泥胶结测井SBT(Segmented Bond Tool)在套管中激发了类似薄板中的零阶对称兰姆波,即准S0模式,以下简称拉伸波,通过补偿式的衰减测量方式得到拉伸波的衰减;超声反射成像测井时声源辐射的声束垂直入射到套管内壁,主要激发套管共振波,类似薄板中的高阶对称兰姆波,共振波幅度的大小反映了套管与水泥之间的耦合程度。
2020-09-05声波远探测技术是近年来发展较快的技术,可以对井外范围数十米的裂缝、断层、地质界面进行探测,具有巨大的应用前景.多年来,国内外对声波远探测方法开展了一系列研究,Hornby在1989年从阵列波数据中提取处反射波,并利用偏移的方法得到了井旁地层结构变化的图像.1998年,Schlumberger公司推出了反射波成像测井仪.
2020-09-05非均匀介质中波传播的数值模拟是逆时偏移(RTM)成像方法和全波形反演(FWI)(Tarantola,1984)的重要组成部分.在地震波模拟的各种数值方法中,时域有限差分(TDFD)方法被广泛应用于求解波动方程;因为相比其他方法,例如有限元法(Marfurt,1984)和谱元法(KomatitschandVilotte,1998;李孝波等,2014),它更容易实现、计算成本更低(Huetal.,2017).
2020-08-04本文探讨了超声波测距的原理与优势,并利用超声波测距技术,设计了一款具有测量功能的剪断钳控制系统。该系统主要包含了单片机AT89S52,超声波发射与接收器,温度传感器,电机控制模块,剪断装置等,重点阐述硬件电路的设置和主程序流程,并对超声波速度进行了温度修正,提高了测量精度,最终实现了量剪一体化。
2020-07-15对于被压接工件压接质量检测方法主要有外表尺寸测量法和力学试验检测法。外表尺寸测量法是对压接后的被压接工件进行尺寸测量来分析工件压接的好坏,这种方法不能直接观察到其内部的压接状况。力学试验检测法是一种破坏性的检测方法,通过对压接后的工件进行解剖,直接检查其内部的压接状况。
2020-07-15在目前注重定位的时代,TOA,AOA,RSSI等定位理论层出不穷。但由于基于TDOA的定位具有定位精度高和复杂性低等优点,因此得到广泛应用。目前TDOA的基本算法主要由Chan算法、Kalman滤波算法、Taylor算法和Fang算法等组成,本项目采用的定位算法为Chan算法和Taylor算法。
2020-06-19深度学习[21]是近年来引起广泛关注的机器学习的一个分支,该概念由Hinton等[22]提出。深度学习实质上是一种人工神经网络,但比以往的人工神经网络具有更深的神经元层,通过组合低层特征形成更加抽象的高层特征,以发现数据的分布式特征表示,减少了人工提取特征的巨量工作。
2020-06-10Moya方法为一种基于震源模型的计算绝对场地响应值的方法[10,11];H/V谱比法包括地震数据谱比法和噪声谱比法,该方法因操作简单且可信度较高而得到了广泛的应用[12,13,14,15,16,17]。考虑到应用噪声谱比法对内蒙古地区台站场地响应情况的研究较少,本文在测震台站记录的地脉动噪声数据基础上,采用噪声谱比法研究内蒙古西部地区台站的场地响应变化。
2020-06-10本文针对实际的应用场合与应用需求,提出一种为多基阵炸点定位方法服务的连续多通道端点检测方法,首先利用巴特沃斯滤波器对声音信号进行去噪,初步去除干扰。将短时能量与短时过零率相结合的方法,设定双阈值,对采集到的炸声信号进行处理。最后,完成对4个感兴趣段的起始点与终止点的坐标进行准确提取。仿真结果表明,该算法符合实际应用需求。
2020-06-08水声目标识别技术在反潜、鱼雷防御、海底地形勘探等领域应用广泛。但随着潜艇降噪技术的进步、水下无人航行器的迅速发展、鱼雷等水下武器的多样化以及不断恶劣的水下复杂环境都使人们对目标识别精度有了更高的要求,所以研究更加自主、智能、高效的水声目标识别技术刻不容缓。
2020-06-08人气:2016
人气:1315
人气:1297
人气:1218
人气:1096
我要评论
期刊名称:大学物理
期刊人气:1316
主管单位:中国科学技术协会
主办单位:中国物理学会
出版地方:北京
专业分类:科学
国际刊号: 1000-0712
国内刊号:11-1910/O4
邮发代号:82-320
创刊时间:1982年
发行周期:月刊
期刊开本:大16开
见刊时间:10-12个月
影响因子:0.735
影响因子:0.645
影响因子:1.369
影响因子:0.874
影响因子:0.385
400-069-1609
您的论文已提交,我们会尽快联系您,请耐心等待!
你的密码已发送到您的邮箱,请查看!