CN105223946B - 极端环境下科考船实时监测数据处理和监控的系统及方法 - Google Patents

极端环境下科考船实时监测数据处理和监控的系统及方法 Download PDF

Info

Publication number
CN105223946B
CN105223946B CN201510626971.1A CN201510626971A CN105223946B CN 105223946 B CN105223946 B CN 105223946B CN 201510626971 A CN201510626971 A CN 201510626971A CN 105223946 B CN105223946 B CN 105223946B
Authority
CN
China
Prior art keywords
data
point
real
scientific investigation
time monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510626971.1A
Other languages
English (en)
Other versions
CN105223946A (zh
Inventor
黄冬梅
杜艳玲
赵丹枫
郭颖新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201510626971.1A priority Critical patent/CN105223946B/zh
Publication of CN105223946A publication Critical patent/CN105223946A/zh
Application granted granted Critical
Publication of CN105223946B publication Critical patent/CN105223946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种极端环境下科考船实时监测数据处理和监控的系统及方法，其中系统包括数据清洗模块；数据筛选模块；插值拟合模块，用以应用插值拟合方法对特征点进行插值拟合以优化航迹展示效果；实时监控模块，用以进行科考船实时航迹和船舶信息监控。采用该种极端环境下科考船实时监测数据处理和监控的系统及方法，通过采用数据自动修复算法对脏数据进行清洗后入库，在符合业务逻辑的前提下保证数据的准确性；对科考船实时监测数据库进行筛选，保持了科考船航迹的关键点与特征点，满足系统实时性的同时大大降低了网络传输和数据处理压力；基于贝塞尔曲线对特征点数据进行局域插值拟合，提高系统的可视化效果，具有更广泛的应用范围。

Description

极端环境下科考船实时监测数据处理和监控的系统及方法
技术领域
本发明涉及数据库技术领域，尤其涉及数据处理技术领域，具体是指一种极端环境下科考船实时监测数据处理和监控的系统及方法。
背景技术
科考船的实时监控在极端环境下尤为重要。南北极是全球变化的驱动器，且蕴含丰富的资源，特别在自然资日益匮乏、气候急剧变化的今天极地科考更加重要。但由于极区环境极端，天气变化无常，给极地科考带来了巨大的挑战，如包括雪暴、暴风雪、极地低压、持续气旋、冰裂隙等。此外，极地科考需要投入巨大的资金、人力成本，科考船的安全航行关系着极地科考成功与否。因此，对科考船位置、发动机运行状态及周围环境要素的实时监控非常关键。
科考船实时监测存在数据缺失、冗余等数据质量问题。多源船载传感器采集数据精度、数据格式、采集周期的不同导致数据的多样化；传感器故障或卫星延迟导致实时监测数据的滞后或者缺失。极地科考船上配备包括深水多波束系统、浅地层剖面仪、超短基线水下声学定位系统、走航式声学多普勒流速剖面仪等多种船载传感器，以满足海洋动力环境、地质环境、生态环境以及深海极端环境等多学科交叉调查研究。科考船航程中有预先设定的监测关键点或者出现临时停靠，同一位置的数据被重复采集，导致监测数据的冗余。
极端恶劣的极区环境下，数据处理与数据传输能力存在极大的局限性。数据的准确性是实时监控系统的关键，且科考船航迹展示需要实时加载位置信息。针对多源船载传感器采集的实时监测数据需要进行数据清洗，保证数据的准确性与一致性。在保证科考船航迹展示实时性的前提下，研究适合的数据筛选和优化方法尽可能减轻科考船上数据处理与数据传输的压力。
发明内容
本发明的目的是克服了现有技术中存在的极端环境下科考船实时监测数据的延迟、缺失、重复等数据质量问题，以及数据传输与数据存储、处理能力的局限性，提供了一种能够实现在极区极端环境下实现对科考船位置、运行状况、周围环境要素等信息的实时监控，为科考船在极区安全航行提供了技术保障的极端环境下科考船实时监测数据处理和监控的系统及方法。
为了实现上述目的，本发明的极端环境下科考船实时监测数据处理和监控的系统及方法具有如下构成：
该极端环境下科考船实时监测数据处理和监控的系统，其主要特点是，所述的系统包括：
数据清洗模块，用以对船舶上的多源船载传感器实时获取的监测数据进行数据清洗并将数据存储入实时监测数据库；
数据筛选模块，用以利用数据筛选算法对实时监测数据库中的数据进行筛选以选取关键拐点和特征点；
插值拟合模块，用以应用插值拟合方法对特征点进行插值拟合以优化航迹展示效果；
实时监控模块，用以基于移动客户端应用操作系统进行科考船实时航迹和船舶信息监控。
较佳地，所述的船舶为科考船。
较佳地，所述的数据筛选算法为Steering-P夹角筛选法或特征点筛选法。
较佳地，所述的插值拟合方法为贝赛尔曲线插值拟合方法。
较佳地，所述的应用操作系统为iSO、Android或Windows操作系统。
本发明还涉及一种基于所述的系统极端环境下科考船实时监测数据处理和监控的方法，其特征在于，所述的方法包括以下步骤：
(1)对船舶上的多源船载传感器实时获取的监测数据进行数据清洗并将数据存储入实时监测数据库；
(2)利用数据筛选算法对实时监测数据库中的数据进行筛选以选取关键拐点和特征点；
(3)应用插值拟合方法对特征点进行插值拟合以优化航迹展示效果；
(4)基于移动客户端应用操作系统进行科考船实时航迹和船舶信息监控。
较佳地，所述的步骤(1)包括以下步骤：
(1-1)根据船载多源传感器在数据监测过程中出现的故障、以及卫星接收和转发延迟导致数据滞后问题对监测数据进行质量检测并对监测数据进行时间维度检测，与数据库中最近时间进行比对；
(1-2)判断监测数据属于是否属于重复冗余数据并清除冗余数据；
(1-3)利用数据自动修复算法对脏数据进行清洗后存储入实时监测数据库。
较佳地，所述的步骤(2)包括以下步骤：
(2-1)采用Steering-P夹角筛选法对实时监测数据库中的数据进行筛选以选取关键拐点；
(2-2)采用特征点筛选法对实时监测数据库中的数据进行筛选以选取特征点。
更佳地，所述的步骤(2-1)包括以下步骤：
(2-1-1)对相邻三条数据中经纬度组成的三个坐标连线，计算两条线段所组成夹角的角度；
(2-1-2)判断角度是否处于(0-系统预设阈值，0+系统预设阈值)范围内，如果是，则继续步骤(2-1-3)，否则继续步骤(2-1-4)；
(2-1-3)判断三点在一条直线上，然后继续步骤(2-2)；
(2-1-4)将中间点确定为关键拐点。
更佳地，所述的特征点包括整点特征点、港口特征点、数据极点特征点和预设特殊特征点。
较佳地，所述的步骤(3)，包括以下步骤：
(3-1)基于三次贝塞尔曲线，根据四个位置任意的点坐标绘制出的一条光滑曲线，曲线通过其起始点和结束点两个端点，中间两点为控制点；
(3-2)通过计算获取有效的控制点；
(3-3)记通过控制点确定曲线上的锚点为定点，反推相邻的控制点；
(3-4)将该相邻的控制点线段向曲线弯曲方向适当平移，将平移后的控制点作为插值点，插入到曲线必定通过的点集中，连接相邻的定点和端点组成曲线。
采用了该发明中的极端环境下科考船实时监测数据处理和监控的系统及方法，通过对科考船实时监测数据的数据质量检测，采用数据自动修复算法对脏数据进行清洗后入库，在符合业务逻辑的前提下保证数据的准确性；利用Steering-P夹角筛选法、特征点筛选法对科考船实时监测数据库进行筛选，保持了科考船航迹的关键点与特征点，满足系统实时性的同时大大降低了网络传输和数据处理压力；针对可视化中出现的锯齿和失真现象，基于贝塞尔曲线对特征点数据进行局域插值拟合，提高系统的可视化效果；本发明也可以适用于其他船舶的数据监测和处理，可以应用于iSO、Android、Windows等其他应用系统，具有更广泛的应用范围。
附图说明
图1为本发明的极端环境下科考船实时监测数据处理和监控的系统工作过程的流程图。
图2为表2MISSION 6中位置点连线夹角值在[0,180]区间的曲线图。
图3为表2MISSION 6中位置点连线夹角值在(175,180]区间的曲线图。
图4为31条航线实验数据中夹角值在区间(175,180]中的个数占该航线点总数的百分比。
图5为科考船航迹插值步骤一。
图6为科考船航迹插值步骤二。
图7为科考船航迹插值步骤三。
图8为科考船航迹插值步骤四。
图9为本发明的实时监控模块的架构示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明提出的极端环境下科考船实时监测数据处理方法首先对多源传感器采集的实时监测数据进行质量检测，利用数据自动修复算法清洗脏数据后对其入库。然后在科考船实时监测数据库中采用Steering-P夹角筛选法、特征点筛选法进行航迹关键点和特征点筛选，大大减少可视化加载数据量，降低数据传输与数据处理的压力；针对可视化过程中出现的锯齿和失真现象，采用贝赛尔曲线插值拟合，优化科考船航迹的可视化效果。
为详细说明具体实施方式，结合附图和实施例对本发明进行详细描述。
步骤一，对科考船上的船载多源传感器实时监测数据进行数据质量检测，并利用数据修复算法对脏数据清洗后入库。
(1)船载多源传感器在数据监测过程中出现的故障，以及卫星接收、转发延迟导致数据滞后问题，对监测数据进行时间维度检测，与数据库中最近时间进行比对；
(2)科考船在航行过程中存在停靠，关键点监测等情况，设置监测要素差值阈值σ，判断监测数据属于是否属于重复冗余数据；
(3)利用数据自动修复算法对脏数据进行清洗后入库。
科考船实时监测数据中的脏数据主要有：传感器故障导致的数据缺失，传感器缓存或者网络传输和卫星延迟导致的数据滞后；三是科考船停靠或关键点监测导致的大量重复冗余数据。以GPS传感器监测数据为例，其表结构如表1所示：
表1GPS传感器数据表结构
数据清洗算法如下所示：
输入：科考船实时监测数据集R[n]，其中n为数据集的大小；
输出：清洗过的数据集S[n]；
1.对监测数据的T_LOG数据与数据库中的MAX(T_LOG)比对；
2.若T_LOG<MAX(T_LOG)，则将该条T_LOG记录插入到对应位置；
3.否则，按照T_LOG排序，对大于等于4条监测数据非T_LOG属性值做差运算，若连续3个差值均小于差值阈值σ，则该批监测数据称为重复冗余数据；
4.将修复后的数据赋给数组S[n]，n为数据集大小，记每条记录有m个属性；
5.初始化S[n]，S[0]，S[0]＝R[0]；
6.For int i＝1,int j＝0；i<n；i++
7.int h＝0；//属性值相等的个数
8.For int k＝0；k<m；k++
9.If S[j][k]＝R[i][k]//比较非T属性值是否相等
10.h++；
11.Else
12.Break；
13.End for//(k)
14.If h！＝m//若非T属性值全都相等，则添加到结果数组中
15.S[j++]＝R[i]；
16.End for//(i)
17.Return S[n]；
算法分析：在时间复杂度方面，两层For循环的数量级分别是n、m上的，由于n远大于m，则该算法时间复杂度为T(n)＝n。在空间复杂度方面，使用新数组S[n]存储筛选结果，同时使用i、j、k、h临时变量，而空间复杂度由最大的且与数量级n决定，则该算法空间复杂度为O(n)＝n。
步骤二，利用数据筛选算法对科考船实时监测数据库中的数据进行数据筛选，选取关键拐点和特征点，本发明研究了两种数据筛选方法：Steering-P夹角筛选法、特征点选取法，其详细实施方式为：
(1)采用Steering-P夹角筛选法，对相邻三条数据中经纬度组成的三个坐标连线，计算两条线段所组成夹角的角度，当角度接近于0时，可认为三点组成的航迹在一条直线上；否则，可认为中间点是重要的拐点，筛选出该条数据；
(2)采用特征点筛选法，指根据在实际航行中的具有代表性的特征点进行选取。比如整点特征点、港口(码头)特征点、数据极点特征点、特殊特征点等。
采用Steering-P夹角筛选法筛选航迹中的关键拐点，该方法使用向量夹角余弦公式和反余弦来计算夹角角度α。
1.假定三角形的三个顶点为A、B和C，其三条边为AB、BC和AC，则向量AB和向量AC夹角余弦表达式如公式(1)所示，
cosA＝＜AB,AC＞/(|AB||A (1)
2.以MISSION 6航线数据为例，计算夹角在[0,180]区间的分布曲线，如图2所示。其中，X轴为按照时间排序的监测位置点编号，Y轴为相邻三点的中点处夹角度数α，α∈[0,180]；
3.计算MISSION 6中夹角α在区间(175,180]的监测数据，结果如图3所示；
4.MISSION 6中夹角α在[0,180]区间的分类情况如表1所示：
表2MISSION 6中位置点连线夹角α值在多区间的数量比例表
Classification [0,180] (177,180] (175,177] (170,175] (160,170] (150,160]
Total 265 100 20 25 22 14
Percentage 100％ 37.73％ 7.55％ 9.43％ 8.31％ 5.28％
由表2可知，夹角在(175,180]区间的数据由45.28％，几乎占了总航迹数据的一半，因此，按照该方法，在保证航迹中重要拐点的前提下，选择合适的夹角α可以大大减少传输的数据量。
5.对30条历史航线数据进行分析研究，对航线中夹角在(175,180]区间的数据进行统计，结果如图4所示，由统计图可知，在不同的科考任务中，夹角α值在区间(175,180]中的个数占该航线点总数的百分比呈现不规则连线，有96.77％的MISSION航线数据在区间(175,180]的夹角α值所占比例在10％以上，有80.65％的MISSION航线数据在区间(175,180]的夹角α值所占比例在20％以上，有22.58％的MISSION航线数据在区间(175,180]的夹角α值所占比例在40％以上。
综上可知，通过Steering-P夹角筛选法，有效筛选出重要拐点的同时，极大的减少数据量，降低数据传输的压力。
特征点筛选法，根据在实际航行中的具有代表性的特征点进行选取。比如整点特征点、港口(码头)关键点、数据极点特征点、特殊特征点等。
1.整点特征点，例如传感器在时间0点、3点、6点等同时间隔整点时采集的数据位置点；
2.港口(码头)特征点，如中国极地研究中心上海码头、澳大利亚的弗里曼特尔港口、澳大利亚霍巴特港等位置点；
3.数据极点特征点，如经过的赤道点、最深海洋点、气温最高点、水温最高点、风速最高点、船速最高点等位置点；
4.特殊特征点，如船只上重大意义时间点、突发事件时间点、传感器故障点、传感器故障恢复点、船只起航点、船只停船时间点等位置点；
步骤三，针对特征点可视化过程中出现的锯齿和失真情况，利用贝塞尔曲线等合适的插值拟合方法进行插值拟合，优化航迹展示可视化效果，详细实施方式如示范例所示。
(1)基于三次贝塞尔曲线，根据四个位置任意的点坐标绘制出的一条光滑曲线，曲线必定通过其起始点和结束点两个点，称两点为端点，不一定通过中间两点，但可达到控制曲线形状的目的，称该两点为控制点；
(2)通过计算获取有效的控制点；
(3)已知两个端点及两个端点的定点，记通过控制点确定曲线上的锚点为定点，反推相邻的控制点。将该相邻的控制点线段向曲线弯曲方向适当平移，将平移后的控制点作为插值点，插入到曲线必定通过的点集中，连接相邻的定点和端点，组成的形状趋于光滑的曲线。
具体为：
1.记原始点为Pi，计算出多边形所有边线的中点，记为Ai(i＝1,2,3,4)。如图5所示；
2.对相邻边的中点连线，记中点连线的线段为Ci。通过相似比L1/L2＝d1/d2方法计算出Bi点，如图6所示；
3.将Ci进行平移，平移的路径范围就是每条线段上Bi到对应顶点的路径。使用一个与Bi和对应顶点Pi始距离相关的系数K1(0<＝K1<1)，用来沿着BiP线段移动Ci，Ci与BiP的交点记为Di，平移距离为DiP*K1。如图7所示；
4.记平移后的相邻中点连线线段为Ci’，线段端点为Ai1’和Ai2’，控制两端点在该线段上向线段交点Di移动，记两个移动端点为Mi1和Mi2。在移动中，始终保持DiMi1/DiAi1’＝DiMi2/DiAi2’，记该比例值为系数K2，使用K2系数下Mi1和Mi2做为插值点。插值点离Di越远，Di离顶点越远。如图8所示；
基于贝塞尔曲线的插值拟合算法具体步骤为：
输入：有序位置数据集S，数据集大小为n，约束参数K1，K2，0<K1<1，0<K2<1，且K1<K2；
输出：插值结果数据集R，数据集大小为3n-4。
1.//初始化数组R为空；
2.R[0]＝S[0]；//初始化R[0]；
3.A＝S[0]，P＝S[1]；//取坐标点数组S的前两个点A(XA，YA)和P(PX，PY)；
4.For(i＝2,j＝1；i<n；i++)
5.B＝S[i]；//B(XB，YB)
6.M＝mid(A,B)；//计算平移线段AB至M点与P点重合时的A’、B’坐标点；
7.A’＝parallelogramEndPoint(A,M,P)；
B’＝parallelogramEndPoint(B,M,P)；//计算在K1下的点N，使K1*|PM|＝|PN|；
8.N＝kValueMidPointOf(P,M,K1)；
9.E’＝kValueMidPointOf(A’,A,K1)；
F’＝kValueMidPointOf(B’,B,K1)；
//计算在K2下的点E和点F，插值点E(XE，YE)、F(XF，YF)，使K2*|NE|＝|NE’|，K2*|NF|＝|NF’|。
10.E＝kValueMidPointOf(N,E’,K2)；
F＝kValueMidPointOf(N,F’,K2)；
//在结果数组R中添加点P的左插值点E、点P、P的右插值点F；
11.R[j++]＝E；
12.R[j++]＝P；
13.R[j++]＝F；
14.End for
15.Return R；
算法分析：在时间复杂度方面，该算法中mid()方法的T(n)为n，parallelogramEndPoint()方法的T(n)为n，kValueMidPointOf()方法的T(n)为n，总算法中kValueMidPointOf()的使用频度最高，为5次，所以总算法的时间复杂度T(n)＝O(n)。在空间复杂度方面，该算法中使用临时变量A、P、i、j、B、M、A’、B’、N、E’、F’、E、F总共13个，同时接收结果的数组R的大小为3n-4，则总算法的空间复杂度S(n)＝O(n)。
步骤四，基于iOS等应用系统轻便型科考船实时监控模块总体设计与研发
本发明基于上述数据清洗、数据筛选及数据插值优化，采用WebService数据接口及Core Data数据存取方式设计并实现了基于科考船实时监控模块。其主要系统架构与功能如图9所示。
采用了该发明中的极端环境下科考船实时监测数据处理和监控的系统及方法，通过对科考船实时监测数据的数据质量检测，采用数据自动修复算法对脏数据进行清洗后入库，在符合业务逻辑的前提下保证数据的准确性；利用Steering-P夹角筛选法、特征点筛选法对科考船实时监测数据库进行筛选，保持了科考船航迹的关键点与特征点，满足系统实时性的同时大大降低了网络传输和数据处理压力；针对可视化中出现的锯齿和失真现象，基于贝塞尔曲线对特征点数据进行局域插值拟合，提高系统的可视化效果；本发明也可以适用于其他船舶的数据监测和处理，可以应用于iSO、Android、Windows等其他应用系统，具有更广泛的应用范围。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (7)

1.一种极端环境下科考船实时监测数据处理和监控的系统，其特征在于，所述的系统包括：
数据清洗模块，用以对科考船上的多源船载传感器实时获取的监测数据进行数据清洗并将数据存储入实时监测数据库；
数据筛选模块，用以利用数据筛选算法对实时监测数据库中的数据进行筛选以选取关键拐点和特征点；
插值拟合模块，用以应用插值拟合方法对特征点进行插值拟合以优化航迹展示效果；
实时监控模块，用以基于移动客户端应用操作系统进行科考船实时航迹和船舶信息监控；
所述的利用数据筛选算法对实时监测数据库中的数据进行筛选以选取关键拐点和特征点的步骤如下：
(a)采用Steering-P夹角筛选法对实时监测数据库中的数据进行筛选以选取关键拐点，包括以下步骤：
(i)对相邻三条数据中经纬度组成的三个坐标连线，计算两条线段所组成夹角的角度；
(ii)判断角度是否处于(0-系统预设阈值，0+系统预设阈值)范围内，如果是，则继续步骤(iii)，否则继续步骤(iv)；
(iii)判断三点在一条直线上，然后继续步骤(b)；
(iv)将中间点确定为关键拐点；
(b)采用特征点筛选法对实时监测数据库中的数据进行筛选以选取特征点。
2.根据权利要求1所述的极端环境下科考船实时监测数据处理和监控的系统，其特征在于，所述的特征点包括整点特征点、港口特征点、数据极点特征点和预设特殊特征点。
3.根据权利要求1所述的极端环境下科考船实时监测数据处理和监控的系统，其特征在于，所述的插值拟合方法为贝赛尔曲线插值拟合方法。
4.根据权利要求1所述的极端环境下科考船实时监测数据处理和监控的系统，其特征在于，所述的应用操作系统为iSO、Android或Windows操作系统。
5.一种基于权利要求1至4中任一项所述的系统的极端环境下科考船实时监测数据处理和监控的方法，其特征在于，所述的方法包括以下步骤：
(1)对科考船上的多源船载传感器实时获取的监测数据进行数据清洗并将数据存储入实时监测数据库；
(2)利用数据筛选算法对实时监测数据库中的数据进行筛选以选取关键拐点和特征点；
(3)应用插值拟合方法对特征点进行插值拟合以优化航迹展示效果；
(4)基于移动客户端应用操作系统进行船舶实时航迹和船舶信息监控。
6.根据权利要求5所述的极端环境下科考船实时监测数据处理和监控的方法，其特征在于，所述的步骤(1)包括以下步骤：
(1-1)根据船载多源传感器在数据监测过程中出现的故障、以及卫星接收和转发延迟导致数据滞后问题对监测数据进行质量检测并对监测数据进行时间维度检测，与数据库中最近时间进行比对；
(1-2)判断监测数据是否属于重复冗余数据并清除冗余数据；
(1-3)利用数据自动修复算法对脏数据进行清洗后存储入实时监测数据库。
7.根据权利要求5所述的极端环境下科考船实时监测数据处理和监控的方法，其特征在于，所述的步骤(3)，包括以下步骤：
(3-1)基于三次贝塞尔曲线，根据四个位置任意的点坐标绘制出的一条光滑曲线，曲线通过其起始点和结束点两个端点，中间两点为控制点；
(3-2)通过计算获取有效的控制点；
(3-3)记通过控制点确定曲线上的锚点为定点，反推相邻的控制点；
(3-4)将该相邻的控制点线段向曲线弯曲方向适当平移，将平移后的控制点作为插值点，插入到曲线必定通过的点集中，连接相邻的定点和端点组成曲线。
CN201510626971.1A 2015-09-28 2015-09-28 极端环境下科考船实时监测数据处理和监控的系统及方法 Active CN105223946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510626971.1A CN105223946B (zh) 2015-09-28 2015-09-28 极端环境下科考船实时监测数据处理和监控的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510626971.1A CN105223946B (zh) 2015-09-28 2015-09-28 极端环境下科考船实时监测数据处理和监控的系统及方法

Publications (2)

Publication Number Publication Date
CN105223946A CN105223946A (zh) 2016-01-06
CN105223946B true CN105223946B (zh) 2018-07-06

Family

ID=54992976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510626971.1A Active CN105223946B (zh) 2015-09-28 2015-09-28 极端环境下科考船实时监测数据处理和监控的系统及方法

Country Status (1)

Country Link
CN (1) CN105223946B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203564B (zh) * 2016-03-18 2020-11-24 北京京东尚科信息技术有限公司 数据传输的方法、装置及系统
CN106546245B (zh) * 2016-10-30 2019-06-28 北京工业大学 基于ads-b数据的飞机轨迹推断和平滑方法
CN108806335B (zh) * 2018-05-29 2021-01-15 大连海事大学 一种基于ais轨迹大数据的船舶交通环境重构方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149819A (zh) * 2007-10-31 2008-03-26 山东省科学院海洋仪器仪表研究所 气象要素实时数据中奇异值的剔除方法
JP4197635B2 (ja) * 2003-09-19 2008-12-17 古野電気株式会社 レーダ装置および類似装置
CN102332201A (zh) * 2011-09-16 2012-01-25 上海海事大学 基于wsn构建的船舶驾驶台火灾监控系统
CN103971542A (zh) * 2014-04-29 2014-08-06 中船重工（武汉）船舶与海洋工程装备设计有限公司 一种船舶实时监视系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112013000895T5 (de) * 2012-02-08 2014-10-16 Furuno Electric Co., Ltd. Radarsignalverarbeitungsvorrichtung, Radarvorrichtung, Verfahren zur Verarbeitung von Radarsignalen

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4197635B2 (ja) * 2003-09-19 2008-12-17 古野電気株式会社 レーダ装置および類似装置
CN101149819A (zh) * 2007-10-31 2008-03-26 山东省科学院海洋仪器仪表研究所 气象要素实时数据中奇异值的剔除方法
CN102332201A (zh) * 2011-09-16 2012-01-25 上海海事大学 基于wsn构建的船舶驾驶台火灾监控系统
CN103971542A (zh) * 2014-04-29 2014-08-06 中船重工（武汉）船舶与海洋工程装备设计有限公司 一种船舶实时监视系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Adaptive Cleaning for RFID Data Streams;Shawn R. Jeffery 等;《VLDB Endowment》;20060915;全文 *
Data filtering based recursive least squares algorithm for Hammerstein systems using the key-term separation principle;Dongqing Wang 等;《Information Sciences》;20131231;全文 *
海洋科学考察船的现状与发展趋势;张丽瑛 等;《航海工程》;20100831;第39卷(第4期);全文 *
雪龙在线网络信息平台的研发与展望;艾松涛 等;《极地研究》;20110331;第23卷(第1期);全文 *

Also Published As

Publication number Publication date
CN105223946A (zh) 2016-01-06

Similar Documents

Publication Publication Date Title
CN110111345B (zh) 一种基于注意力网络的3d点云分割方法
CN110084210A (zh) 基于注意力金字塔网络的sar图像多尺度舰船检测方法
CN105223946B (zh) 极端环境下科考船实时监测数据处理和监控的系统及方法
Su et al. DLA-Net: Learning dual local attention features for semantic segmentation of large-scale building facade point clouds
CN104915672B (zh) 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统
CN110188802B (zh) 基于多层特征图融合的ssd目标检测算法
CN104851127B (zh) 一种基于交互的建筑物点云模型纹理映射方法及装置
CN111524117A (zh) 一种基于特征金字塔网络的隧道表面缺陷检测方法
Liu et al. Dlc-slam: A robust lidar-slam system with learning-based denoising and loop closure
Zhang et al. Semantic SLAM for mobile robots in dynamic environments based on visual camera sensors
CN114943902A (zh) 基于多尺度特征感知网络的城市植被无人机遥感分类方法
Lu et al. Image-based 3D reconstruction for Multi-Scale civil and infrastructure Projects: A review from 2012 to 2022 with new perspective from deep learning methods
Lei et al. Trajectory data restoring: A way of visual analysis of vessel identity base on optics
Qiu et al. Collect-and-distribute transformer for 3d point cloud analysis
Chen et al. Feature graph convolution network with attentive fusion for large-scale point clouds semantic segmentation
CN102129570B (zh) 用于动态视觉的基于流形正则化的半监督分类器设计方法
Zhu et al. Research on fast pre-processing method of tunnel point cloud data in complex environment
CN110188682B (zh) 基于几何结构双路卷积网络的光学遥感图像目标检测方法
Fang et al. IBNet: Interactive Branch Network for salient object detection
Kostrikov et al. Visibility analysis of the urbanistic environmet as a constituent of the urbogeosystems approach
CN111881233A (zh) 分布式点云地图构建方法和装置、服务器、计算机可读存储介质
Zhang et al. Enhanced deeplabv3+ for urban land use classification based on uav-borne images
Gong et al. Restoration algorithm of blurred UAV aerial image based on generative adversarial network
Wang Small Objects Detection Based on Multi-scale Feature Fusion.
Chiwande et al. Machine Monitoring for Industry using Computer Vision

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant