Ларченко А.В.
Демехов А.Г.
 Статья на сайте eLibrary

Представлен усовершенствованный метод выделения дискретных элементов хоровых очень низкочастотных (ОНЧ) излучений на динамических спектрограммах, который устраняет недостатки ранее предложенного метода, связанные с ложными срабатываниями и неточностью определения границ элементов. Данный метод, как и предыдущая его версия, основан на сканировании изображения набором структурных элементов, но дополнен оценкой взвешенной нормализованной кросс-корреляции для детектирования объектов и последующей уточняющей обработкой контуров элементов. Для ускорения анализа была адаптирована нейронная сеть Mask R-CNN, обученная на эталонных данных, полученных с помощью улучшенного метода. Предложенный подход снижает ошибки детектирования по сравнению с исходным методом, ускоряет обработку и позволяет точно определить границы хоровых элементов, что улучшает оценки их энергий, динамики роста амплитуд и скоростей частотного дрейфа. Сравнение результатов предложенных подходов (улучшенного метода и использования нейронной сети) с результатами прямого анализа волновых форм подтверждает их преимущество в чувствительности детектирования и стабильности оценок параметров дискретных элементов.

На английском языке
An improved approach to extraction of discrete elements of chorus vlf emissions
Larchenko A.V. and Demekhov A.G.

We present an improved method for extraction of discrete chorus VLF emission elements from dynamic spectrograms. It eliminates the shortcomings of the previously proposed technique caused by false detections and inaccurate delineation of the element boundaries. Like its predecessor, the method is based on scanning of an image with a set of structural elements, but it is augmented by a weighted normalized cross-correlation metric for object detection followed by a contour-refinement post-processing stage. To accelerate the analysis, we adapted a Mask R-CNN neural network trained on the reference data produced by the improved algorithm. The proposed approach reduces the detection errors as compared to the original method, speeds up the processing, and allows one to determine precisely the boundaries of chorus elements, thereby improving the estimation of their energies, amplitude-growth dynamics, and frequency-drift rates. A comparison of the results obtained by using the new algorithm and the neural network with those yielded by direct waveform analysis confirms the superiority of the former in the context of detection sensitivity and stability of the parameter estimates for discrete elements.

DOI: https://doi.org/10.52452/00213462_2026_69_05_361