Россия
Россия
Россия
Анализируются спектральные и временно-частотные характеристики гидроакусти-ческих сигналов животного и антропогенного происхождения, также фоновые сигна-лы, с целью их классификации и идентификации для решения задач экологического мониторинга морской среды, а также формирования эффективных критериев диффе-ренциации сигналов для автоматизированной оценки акустической обстановки в прибрежных и шельфовых зонах. Использованы методы спектрального и временно-частотного анализа, а также сравнительного анализа на основе обзора современной научной литературы. Выделены характерные особенности спектров и спектрограмм для различных групп источников сигналов. Проведена классификация сигналов по типу акустического происхождения, определены ключевые параметры идентифика-ции сигнала в условиях высокой шумовой нагрузки – форма спектров, наличие гар-моник, длительность импульсов и специфические временны́е паттерны. Сформирован набор признаков в виде числовых векторов для последующего применения в алго-ритмах машинного обучения и системах автоматического распознавания. Разрабо-танный подход может быть интегрирован в системы экологического мониторинга прибрежных акваторий и перспективные навигационные решения.
всплеск, гармоника, идентификация сигналов, естественный шум, техногенный шум, импульс, широкополосность, акустический сигнал, спектр
Введение
Гидроакустические системы мониторинга подводного пространства зани- мают ключевое место в современной морской науке и технике, обеспечивая эффективное исследование и контроль океанской среды. Развитие таких си- стем обусловлено необходимостью получения точных и своевременных дан- ных о состоянии подводной среды, которые играют важную роль как для науч- ных исследований, так и для обеспечения безопасности морских операций 1). Современные гидроакустические технологии, основанные на методах цифро- вой обработки сигналов и спектрального анализа, позволяют идентифициро- вать и классифицировать различные источники звука под водой с высокой сте- пенью точности, что становится критичным в задачах подводной навигации, связи и экомониторинга [1, 2].
Исторически развитие отечественных гидроакустических средств берет начало с середины XX в., когда были заложены фундаментальные основы исследования акустических сигналов в водной среде. Последующие десяти- летия, особенно конец XX – начало XXI в., ознаменовались значительным прогрессом в области спектрального и временно-частотного анализа гидроаку- стических данных, что позволило существенно повысить эффективность об- работки и интерпретации сигналов [3]. Современные исследования активно развиваются в направлении оптимизации алгоритмов обработки, включая при- менение дискретного и быстрого преобразования Фурье, векторно-фазовых и траекторно-пространственных методов фильтрации, направленных на улуч- шение выделения информативных признаков источников шума и повышения точности определения их координат и направленности [4, 5].
Несмотря на широкий спектр специализированных методов анализа гид- роакустических сигналов, большинство из них предназначены для решения узкоспециализированных задач и ограничены применением к конкретным классам источников звука. В частности, существующие методы часто недоста- точно эффективны для унифицированного описания спектральных характери- стик различных по природе и происхождению сигналов, включая как техно- генные, так и биоакустические источники. Это создает пробел в технологиях цифровой обработки и затрудняет расширение применения гидроакустических систем в новых областях, таких как автоматический экомониторинг морских экосистем и комплексная классификация подводных объектов [2, 4–6].
Рост антропогенного воздействия на подводную среду и увеличение объема данных от подводных источников требуют разработки прецизионных методов анализа и идентификации акустических сигналов, способных повы- сить надежность систем подводной навигации и коммуникации [1, 3, 7]. Осо- бую актуальность приобретают задачи экологического мониторинга, в кото- рых необходимо одновременно регистрировать и анализировать как биоаку- стические сигналы, так и техногенные шумы, что усложняет интерпретацию акустической обстановки.
Хотя в последние годы были предложены эффективные алгоритмы обра- ботки гидроакустических сигналов, включая оптимизированные методы Фурье-анализа [4] и векторно-фазовые подходы [8, 9], они, как правило, ори- ентированы на узкий круг задач и не обеспечивают комплексного описания как спектральных, так и временно-частотных особенностей разнородных сигна- лов. Отсутствие универсальных методов, позволяющих единообразно описы- вать сигналы разной природы, ограничивает возможности интеграции данных в системах экологического мониторинга и навигации [9–12].
Целью настоящего исследования является системный анализ спектральных и временно-частотных характеристик разнородных гидроакустических сигна- лов с акцентом на выявление уникальных признаков, обеспечивающих надеж- ную идентификацию и классификацию источников. Предлагаемый подход направлен на создание унифицированного описания спектральных свойств техногенных и биоакустических сигналов, что позволит расширить область применения стандартных методов цифровой обработки и повысить точность и универсальность гидроакустических систем мониторинга.
Материал и методы
Первая стадия исследования включала сбор и фильтрацию данных. Ана- лизируемые сигналы были взяты из открытой базы гидроакустических записей AXDS Portals, содержащей данные, зарегистрированные с помощью донных станций, гидрофонов и других датчиков, установленных в прибрежных и океа- нических районах 2). Записи выполнены в формате WAV с частотой дискре- тизации от 4 до 64 кГц в зависимости от типа источника и оборудования. Для анализа выбраны звуковые фрагменты длительностью от 5 до 60 с, пред- ставляющие типичные образцы каждого класса сигналов – биологических, ан- тропогенных и природных фоновых шумов. Общее число независимых реали- заций каждого типа сигнала составило 20–30 записей, что позволило получить усредненные спектры с приемлемой статистической устойчивостью.
Записанные сигналы проходили предварительную обработку для устране- ния внешних помех и артефактов, связанных с техническими ограничениями оборудования. Использовались методы цифровой фильтрации для извлечения значимых частотных диапазонов и минимизации влияния шумового фона [3].
Для выявления основных частотных компонентов каждого сигнала при- менялось быстрое преобразование Фурье. Используемый метод позволил по- лучить спектры мощности, которые характеризуют распределение энергии сигнала по частотам. Спектром сигнала считается совокупность амплитуд и начальных фаз гармонических колебаний кратных частот, сумма которых соответствует исходному сигналу. Спектры анализировали для определения доминирующих частот, гармоник и общих паттернов, присущих конкретным группам сигналов. Основой спектрального анализа являлось дискретное пре- образование Фурье, которое для дискретного сигнала x[n] длиной N отсчетов определяется по формуле
–j 2πkn
X[k]= ∑N – 1 x[n]e N
n = 0 ,
где k = 0, 1, ..., N – 1 – индекс частоты.
Для изучения изменений спектральной структуры во времени применяли методы частотно-временного анализа, включая построение спектрограмм – это позволило выделить уникальные временны́е структуры, такие как периодич- ность всплесков, длительность импульсов и динамику затухания громкости сигнала.
На основе полученных данных проводили сравнительный анализ сигналов разных типов для выявления уникальных особенностей, позволяющих разли- чать сигналы животного и антропогенного происхождения, также фоновые природные шумы. Ключевыми параметрами стали форма спектров, наличие гармоник, длительность импульсов и специфические временны́е паттерны. Приведенные спектры отражают типичные характеристики каждого класса сигналов, однако не учитывают всей вариабельности, связанной с различиями между видами живых существ, сезонными и гидрометеорологическими усло- виями, а также особенностями моделей технических устройств.
Алгоритм анализа спектров и спектрограмм включал выполнение преоб- разования Фурье, построение спектрограммы, анализ пиковых частот, оценку ширины полосы сигнала, вычисление спектрального центроида для выявления периодичностей и анализ автокорреляционной функции сигнала [4].
Для дальнейшего использования в алгоритмах машинного обучения были сформированы формализованные спектральные и временны́е признаки (доми- нирующая частота, ширина диапазона, амплитудные параметры гармоник и др.), представленные в виде числовых векторов, которые могут служить входными признаками для алгоритмов машинного обучения [5]. Эти характеристики предназначены для решения задач классификации гидроакустических сигна- лов по типам источников, включая биоакустические и антропогенные шумы. Такие шумы демонстрируют в своей спектральной картине структурирован- ность и воспроизводимость, что позволяет использовать их в составе обучаю- щих выборок для построения моделей распознавания без необходимости руч- ной разметки исходных сигналов.
Для реализации всех этапов анализа использовали универсальные про- граммные инструменты, включающие функции цифровой обработки сигналов (MATLAB, Python) и средства визуализации данных. Достоверность результа- тов оценивали методами кросс-валидации, предполагающими многократное разделение выборки на обучающие и тестовые подмножества, что позволило минимизировать влияние случайных факторов при анализе.
Эффективность разработанных методов проверяли на независимых набо- рах данных из общедоступной базы AXDS Portals, содержащей достоверно идентифицированные примеры исследуемых типов шумов, что подтвердило их применимость для широкого спектра задач по идентификации гидроакусти- ческих сигналов 2).
Результаты и обсуждение
Сигналы «Лай морского льва» и «Пение косатки» представляют собой примеры животных звуков со сравнительно высокой степенью сложности частотной структуры [6, 7]. Спектр сигнала «Лай морского льва» (рис. 1, a) демонстрирует наиболее выраженный пик на частоте около 400 Гц, достигаю- щий значения 1.93 спектральной плотности мощности. Затухающие всплески на частотах 60 и 330 Гц указывают на наличие гармоник, придающих звуку характерный низкий тембр, что звучит как хриплое гавканье.
В спектрограмме сигнала (рис. 1, b) отчетливо видна концентрация основ- ной энергии звука в низкочастотном диапазоне.
Спектр сигнала «Пение косатки» (рис. 2, a) представляет собой график с наиболее четкой структурой сигнала по сравнению с другими рассмотрен- ными в исследовании сигналами. Сигнал охватывает широкий диапазон ча- стот, что свидетельствует о сложной гармонической структуре и разнообразии акустических элементов в вокализациях косаток. Здесь наблюдается множе- ство пиков в диапазоне от 0 до 11 кГц, наиболее выраженные из них – на ча- стотах 1.3, 2 и 2.1 кГц. Такие частотные компоненты сигнала обусловлены коммуникацией и ориентированием в окружающей среде [6].
Спектрограмма сигнала (рис. 2, b) характеризуется множеством ярких по- лос, расположенных в полосе от 0 до 11 кГц. Высокочастотные компоненты
|
Р и с . 1 . Спектральный анализ сиг- нала «Лай морского льва»: a – спектр; b – спектрограмма F i g . 1 . Spectral analysis of the Sea Lion Barking signal: a – spectrum; b – spectrogram |
Р и с . 2 . Спектральный анализ сиг- нала «Пение косатки»: а – спектр; b – спектрограмма F i g . 2 . Spectral analysis of the Killer whale singing signal: a – spectrum; b – spectrogram |
проявляются как дополнительные вертикальные полосы, демонстрирующие широкополосность сигнала.
Сигналы «Взрыв» и «Гидролокатор» характеризуются четкими узкополос- ными пиковыми частотами. Сигнал «Взрыв» имеет отличное от сигнала «Гид- ролокатор» распределение мощности по частотам, что показано как на полу- ченном спектре (рис. 3, a), так и на спектрограмме (рис. 3, b). Максимальное значение спектральной плотности мощности (0.88) зафиксировано в диапазоне 140–180 Гц [8, 9].
Спектр сигнала «Гидролокатор» (рис. 4, a) демонстрирует серию узкопо- лосных пиков в диапазоне от 2.3 до 3.3 кГц. На спектрограмме (рис. 4, b) они проявляются как повторяющиеся яркие горизонтальные полосы. Их перио- дичность, постоянная ширина и интенсивность подчеркивают стабильность
и предсказуемость использованного сигнала. Такая композиция частот харак- терна для сигналов, используемых гидролокационными устройствами [9].
Описанная структура позволяет идентифицировать данный тип сигналов. В частности, устойчивые частотные пики позволяют точно определить источ- ник сигнала. Так, пик мощности на частоте 3 кГц служит одним из ключевых индикаторов активности гидролокатора, поскольку такой частотный диапазон не характерен для естественных источников звука. В отличие от кратковремен- ного сигнала взрыва, гидролокатор генерирует стабильное излучение, что поз- воляет проводить его идентификацию и точные измерения в условиях зашум- ленности [10].
Сигналы «Дыхание аквалангистов» и «Шум круизного лайнера» обладают значительной постоянной составляющей. Для сигнала «Дыхание акваланги- стов» характерен доминирующий пик на околонулевой частоте с мощностью 18
|
Р и с . 3 . Спектральный анализ сиг- нала «Взрыв»: а – спектр; b – спек- трограмма F i g . 3 . Spectral analysis of the Ex- plosion signal: a – spectrum; b – spec- trogram |
Р и с . 4 . Спектральный анализ сигнала «Гидролокатор»: а – спектр; b – спектрограмма F i g . 4 . Spectral analysis of the So- nar signal: a – spectrum; b – spectro- gram |
и предсказуемость использованного сигнала. Такая композиция частот харак- терна для сигналов, используемых гидролокационными устройствами [9].
Описанная структура позволяет идентифицировать данный тип сигналов. В частности, устойчивые частотные пики позволяют точно определить источ- ник сигнала. Так, пик мощности на частоте 3 кГц служит одним из ключевых индикаторов активности гидролокатора, поскольку такой частотный диапазон не характерен для естественных источников звука. В отличие от кратковремен- ного сигнала взрыва, гидролокатор генерирует стабильное излучение, что поз- воляет проводить его идентификацию и точные измерения в условиях зашум- ленности [10].
Сигналы «Дыхание аквалангистов» и «Шум круизного лайнера» обладают значительной постоянной составляющей. Для сигнала «Дыхание акваланги- стов» характерен доминирующий пик на околонулевой частоте с мощностью 18
(рис. 5, a) в виде яркой вертикальной полосы с неравномерным правым краем (рис. 5, b). Это говорит о сильной постоянной составляющей в сигнале, связан- ной, вероятно, с продолжительным выдохом пузырьков воздуха. Небольшой всплеск на частоте около 100 Гц может отражать периодичность дыхательных циклов или турбулентность, создаваемую потоком выдыхаемого воздуха. Постоянная составляющая сигнала обусловлена непрерывным процессом ды- хания, что обеспечивает стабильность спектра.
Спектр сигнала «Шум круизного лайнера» (рис. 6, a) характеризуется всплеском на частоте около 40 Гц с мощностью 29.3, что указывает на значи- тельную постоянную составляющую в сигнале, вероятно связанную с работой двигателей судна. Всплеск на частоте 37 Гц обусловлен низкочастотными виб- рациями корпуса, а пик на частоте 80 Гц может отражать работу вспомогатель- ных механизмов или кавитационные процессы. На спектрограмме (рис. 6, b)
|
Р и с . 5 . Спектральный анализ сигнала «Дыхание аквалангистов»: a – спектр; b – спектрограмма F i g . 5 . Spectral analysis of the Scuba divers breathing signal: a – spect- rum; b – spectrogram |
Р и с . 6 . Спектральный анализ сигнала «Шум круизного лайнера»: а – спектр; b – спектрограмма F i g . 6 . Spectral analysis of Cruise Ship Noise signal: a – spectrum; b – spectrogram |
выделяется яркий след на нулевой частоте, который сохраняется на протяже- нии всей записи. Анализ фазовых сдвигов между компонентами сигнала поз- воляет в дальнейшем выявить временны́е задержки и связи между ними, что используется при идентификации местоположения и природы источников шума [11].
Сигналы «Шум воды» и «Свист афалины» обладают характерной стабиль- ностью и гармоническими компонентами. На спектре сигнала «Шум воды» (рис. 7, a) и его спектрограмме (рис. 7, b) видно, что сигнал имеет широкий диапазон частот, но при этом доминирующая мощность остается в полосе низ- ких частот (до 8 кГц), после чего его интенсивность быстро снижается с уве- личением частоты. Сигнал представляет собой однородный звук, о чем свиде- тельствует его спектральная плотность.
«Свист афалины» демонстрирует два ярко выраженных пика (рис. 8, a), что на спектрограмме (рис. 8, b) проявляется двумя четко выраженными струк- турами. Первый пик (1.26 кГц) отображает основную частоту фонового шума. Второй (7.5 кГц) представляет из себя среднее значение линии «свиста» (по- лоса от 6 до 10 кГц), при этом пик имеет определенные интонации в зависимо- сти от передаваемого афалиной сообщения по гидроакустическому каналу [6]. Также данный пик указывает на основной тон свиста и его гармонику. Гармо- ника, отраженная на спектрограмме (рис. 8, b), имеет однородную окраску и четкие границы. Такие показатели звука являются идентификатором, кото- рый можно обозначить как аномалию в сигнале [12].
Проведенный анализ спектров демонстрирует, что каждый из исследован- ных сигналов обладает уникальным спектральным профилем. Биологические сигналы отличаются сложной частотной структурой и наличием гармоник, ан- тропогенные – четко выраженными пиками на определенных частотах, а при- родный шум – равномерным распределением энергии в низкочастотном диа- пазоне [10, 12].
Сигналы животного происхождения демонстрируют значительное разно- образие спектральных характеристик. Сигнал «Лай морского льва» характери- зуется концентрацией энергии в низкочастотном диапазоне с выраженными устойчивыми гармониками. «Пение косатки» отличается сложной структурой, отражающей широту диапазона частот при пении и разнообразие эхолокаци- онных щелчков. Эти особенности позволяют исследовать коммуникативное поведение морских млекопитающих. Сигнал «Свист афалины», выделяю- щийся двумя выраженными пиками, имеет уникальную временну́ю структуру, легко различимую в водной среде [6, 9].
Сигналы антропогенного происхождения, в свою очередь, имеют более предсказуемые спектральные характеристики. Сигнал «Взрыв» регистриру- ется как кратковременный импульс с резким всплеском на нулевой частоте и последующим быстрым затуханием, что позволяет точно фиксировать мо- мент события. «Шум круизного лайнера» имеет мощный постоянный компо- нент на нулевой частоте и периодические всплески на более высоких частотах. Такая структура сигнала помогает их идентификации при исследовании влия- ния техногенных шумов на окружающую среду и разработке методов миними- зации их влияния на разборчивость сигнала. Сигнал «Гидролокатор» характе- ризуется серией узкополосных пиков, что обеспечивает высокую точность
|
Р и с . 7 . Спектральный анализ сигнала «Шум воды»: а – спектр; b – спектрограмма F i g . 7 . Spectral analysis of Water noise signal: a – spectrum; b – spect- rogram |
Р и с . 8 . Спектральный ана- лиз сигнала «Свист афалины»: а – спектр; b – спектрограмма F i g . 8 . Spectral analysis of Bottle- nose dolphin’s whistle: a – spec- trum; b – spectrogram |
зондирования и устойчивость к внешним помехам. Эти свойства критиче- ски важны для систем подводной навигации и связи [9, 10].
Природные фоновые шумы также обладают своими особенностями. Сиг- нал «Шум воды» имеет равномерный спектр в области низких частот и отли- чается стационарностью во времени, что позволяет использовать его в каче- стве эталонного для калибровки гидроакустических приборов и систем. Спектр сигнала «Дыхание аквалангистов» сосредоточен в области самых низ- ких частот. Это обусловлено тем, что звук дыхания меняется медленно, повто- ряя ритм вдохов и выдохов. Информация о частотах, связанных с турбулент- ностью потока воздуха и равномерностью дыхания в зависимости от глубины погружения полезна для анализа физиологических процессов организма чело- века в условиях подводной среды и разработки технических средств жизне- обеспечения аквалангистов.
Выявленные уникальные спектрально-временны́е профили сигналов живот- ного происхождения могут использоваться для изучения поведения и коммуни- кации морских млекопитающих. Характеристики антропогенных сигналов при- меняются для оценки их воздействия на морскую фауну и разработки мер по его снижению. Стабильность и предсказуемость спектральных характеристик при- родных фоновых шумов служат основой для калибровки гидроакустических при- боров и систем, что необходимо для обеспечения точности измерений [12, 13].
Проведенный анализ спектрограмм позволяет разработать алгоритмы автоматического распознавания источников звука, что критически важно для функционирования пассивных акустических систем наблюдения и эколо- гического мониторинга. Полученные данные представляют огромную ценность для исследований акустической экологии морских экосистем, разработки под- водных навигационных и коммуникационных систем, а также мониторинга ан- тропогенного воздействия на морскую среду и ее обитателей [14, 15].
Заключение
Анализ гидроакустических сигналов позволил выявить их уникальные спек- тральные и временно-частотные характеристики, что обеспечивает возможность точной идентификации источников звука животного и антропогенного проис- хождения, а также природных фоновых шумов. Проведенная сравнительная оценка сигналов продемонстрировала их отличительные особенности, которые могут быть использованы для повышения эффективности экологического мони- торинга и навигационных систем.
Формализованные признаки представлены в виде числовых векторов, удоб- ных для использования в задачах машинного обучения, в частности для класси- фикации сигналов по типам источников. Это решение облегчает обнаружение акустических источников и расширяет возможности применения гидроакусти- ческих технологий для задач мониторинга подводной среды и оценки антропо- генного воздействия.
Результаты исследования обладают высокой практической значимостью, создавая основу для совершенствования технологий подводной навигации и раз- работки новых подходов к анализу акустических данных.
1. Определение точности измерения дальности между подводными объектами при помощи гидроакустических модемов / А. В. Дикарев [и др.] // Морские интеллек- туальные технологии. 2024. № 2-1 (64). С. 145–154. EDN NDBLGS.
2. Оптимизации гидроакустических информационных систем подводных аппаратов для повышения эффективности подводного поиска / В. Л. Мартынов [и др.] // Мор- ские интеллектуальные технологии. 2023. № 1–1. С. 149–157. EDN YKRZGM. https://doi.org/10.37220/MIT.2023.59.1.019
3. Метод гидроакустической связи / С. Н. Павликов [и др.] // Морские интел- лектуальные технологии. 2022. Т. 1, № 1. С. 208 –214. EDN VIVVNO. https://doi.org/10.37220/MIT.2022.55.1.028
4. Оптимизация алгоритмов обработки аудиосигналов на основе методов дискретного и быстрого преобразования Фурье / А. А. Пономарев [и др.] // Информационно-вы- числительные технологии и их приложения : сборник статей XXVIII Международ- ной научно-технической конференции (Пенза, 26–27 августа 2024 года). Пенза : Пен- зенский государственный аграрный университет, 2024. С. 208–211. EDN MIMWDT.
5. Бутырский Е. Ю., Васильев В. В., Рахуба В. П. Система взглядов на совершенство- вание обработки гидроакустических сигналов // Морской сборник. 2021. № 8 (2093). С. 37–45. EDN IZVLCB.
6. Мятиева Н. А. «Песни» китов как отражение научно-технического прогресса в музыке второй половины ХХ века / Н. А. Мятиева // Актуальные проблемы высшего музыкального образования. 2015. № 4. С. 73–77. EDN VAXPKF.
7. Различение подводных объектов на основе периодограммного анализа отра- женных гидроакустических сигналов / А. С. Тугбаева [и др.] // Химическая физика и мезоскопия. 2022. Т. 24, № 3. С. 388–399. EDN IGMXBA. https://doi.org/10.15350/17270529.2022.3.32
8. Жариков Д. С., Иванова Е. М. Влияние формы подводной ударной волны на гид- родинамические параметры // Двенадцатая Всероссийская конференция молодых ученых и специалистов (с международным участием) «Будущее машиностроения России» (Москва, 24–27 сентября 2019 г.) : сборник докладов. Москва, 24–27 сен- тября 2019 года. Москва : Издательство МГТУ им. Н. Э. Баумана, 2019. С. 699–704. EDN SSFEXH.
9. Лосев Г. И. Алгоритм траекторно-пространственной фильтрации шумоизлучения подвижных морских шумящих объектов // Альманах современной метрологии. 2022. № 3. С. 83–93. EDN JBXQXV.
10. Лосев Г. И. Векторно-фазовый алгоритм определения направленности гидроакусти- ческого излучения источников шума // Сборник Трудов XXXV сессии Российского акустического общества. Москва, 13–17 февраля 2023 года. Москва : ГЕОС, 2023. С. 372–378. EDN EWMIYM. https://doi.org/10.34756/GEOS.2023.17.38474
11. Консон А. Д., Волкова А. А. Модуляция шумового сигнала при качке корабля вследствие флуктуирующей интерференции лучей // Фундаментальная и прикладная гидрофизика. 2022. Т. 15, № 4. С. 74–81. EDN MMPOED. https://doi.org/10.59887/fpg/xgkz-naer-b78u
12. Гриненков А. В., Машошин А. И. Алгоритм определения координат и параметров движения подводного источника шумоизлучения без специального маневрирования наблюдателя // Гироскопия и навигация. 2024. Т. 32, № 2. С. 98–122. EDN MCTSNV.
13. Критерии выбора средств обнаружения нарушителей в подводной среде в зависи- мости от особенностей акваторий охраняемых объектов / С. Г. Анюхин [и др.] // Академический вестник войск национальной гвардии Российской Федерации. 2022. № 2. С. 37–42. EDN DNEPVT.
14. Метод оценки информативности, содержащейся в гидроакустическом сигнале / И. Н. Карцан [и др.] // Современные инновации, системы и технологии. 2024. Т. 4, № 3. С. 501–514. EDN CAFEDE. https://doi.org/10.47813/2782-2818-2024-4-3-0501-0514
15. Оценка способностей транскрибации в гидроакустическом канале связи / И. Н. Кар- цан [и др.] // Защита информации. Инсайд. 2024. № 5. С. 62–65. EDN IXYXOO.
