CN108008099B - 一种污染源定位方法 - Google Patents
一种污染源定位方法 Download PDFInfo
- Publication number
- CN108008099B CN108008099B CN201711059198.0A CN201711059198A CN108008099B CN 108008099 B CN108008099 B CN 108008099B CN 201711059198 A CN201711059198 A CN 201711059198A CN 108008099 B CN108008099 B CN 108008099B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- pollutant
- concentration
- pollutant concentration
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 59
- 231100000719 pollutant Toxicity 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 238000011109 contamination Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种污染源定位方法，包括传感器节点传输位置坐标以及传感器节点所检测到的污染物浓度；建立用于分析污染物浓度的通用模型；设定神经网络模型；计算t1至tn时刻下各个传感器节点的污染物浓度理论值；以计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；实际应用时神经网络模型输出预测的各个传感器节点的污染物浓度；定位污染源位置。本发明通过对神经网络模型进行训练，在未知待测水域污染物运动时能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并定位污染源位置。本发明创造用于定位待测水域中污染源位置。
Description
技术领域
本发明涉及一种软件定位技术领域。
背景技术
由于水污染严重地影响着水环境安全，因此及时发现和定位污染源对于水环境的保护具有十分重要的意义。目前通常采用的人工检测技术通常由于水域、地形、天气的影响而无法实现实时检测的需求。水下机器人由于造价较高、可靠性的问题不能大面积长时间的工作。
基于上述问题，本领域技术人员使用传感器网络以实现对污染源的定位功能。现有技术中所述传感器网络所配置的污染源定位算法主要包括确定法以及概率法。其中所述确定法是指采用确定的数学物理方程分析污染物运动状态，通过利用正则变换将构造得来的反问题转换为适定的问题后进行解析或数值求解，确定法缺点在于因“最优”参数失真而带来的决策风险；而所述概率法着眼于对特定事件发生概率的评估，主要包括贝叶斯估计及最大似然估计等，概率法虽然在一定程度上避免了因“最优”参数失真带来的决策风险，但具有较强的随机性，且其计算量会随着参数的增多而呈指数增长。
发明内容
本发明要解决的技术问题是：提供一种基于无迹序贯卡尔曼滤波的方法及ELM与无迹序贯卡尔曼滤波相结合的污染源定位方法。
本发明解决其技术问题的解决方案是：
一种污染源定位方法，包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中的通用模型，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置。
作为上述技术方案的进一步改进，步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ；
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式，
其中，
D为扩散系数且在待测水域中各向同性。
作为上述技术方案的进一步改进，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。
本发明的有益效果是：本发明通过对ELM神经网络模型进行训练，在未知待测水域污染物运动的方式的条件下，能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并以此为依据定位待测区域的污染源位置。本发明创造用于定位待测水域中污染源位置。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的定位方法实施例流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1，本发明创造公开了一种污染源定位方法，包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中的通用模型，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置。
具体地，现有技术中关于待测水域污染源定位的技术方案中，首先都需要确定污染源的运动模型，才能够进行污染源的定位，这种技术方法精准度虽然高，但是确定污染源运动模型的时间过长，难以应对突发的，危害严重的污染源定位问题。本发明创造通过对ELM神经网络模型进行训练，在未知待测水域污染物运动的方式的条件下，能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并以此为依据定位待测区域的污染源位置。
进一步作为优选的实施方式，本发明创造为了能够对所述神经网络模型进行训练操作，需要生成一系列符合实际的训练样本，本发明创造利用所述通用模型生成符合实际的训练样本，具体地，本实施例步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ；
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式，
其中，
D为扩散系数且在待测水域中各向同性。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。具体地，本发明创造中利用序贯滤波算法可实现对多个传感器节点集中式融合滤波估计，将无迹卡尔曼滤波方法与序贯滤波相结合，首先基于无迹卡尔曼滤波方法构造出动态序列方程的基础上，再进行污染源定位分析中仅利用一次采样对污染源位置进行估计，提高定位的精度，其中所述动态序列方程为
所述步骤H具体过程如下：
已知tk-1时刻估计值
协方差Pk-1以及tk时刻N个传感器节点的量测值Zi(k),i＝1,...,N，运用对称采样策略得到输入变量
的Sigma点集χk-1及相应粒子权重Wm和方差的权值Wc，所述过程涉及以下公式1至公式5；
经过状态转移方程映射后粒子的下一步预测值χk|k-1＝χk-1，加权后得到状态的一步预测及一步预测协方差
和Pk|k-1，上述过程涉及如下公式6至公式11；
χk|k-1＝χk-1 公式6
根据第一个传感器节点量测
运用无迹卡尔曼滤波进行滤波估计，得到状态基于观测信息
的估计值
和相应的估计误差协方差阵
下式中，i为第i个传感器节点，上述过程涉及如下公式12至公式15；
以第一个传感器节点的估计结果作为一步预测，用量测
对
和
进行更新，得到状态xk基于观测信息
的估计值
和相应的估计误差协方差阵
直至用最后一个传感器节点量测值
对状态进行更新，得到相应的状态估计值
和协方差矩阵
依次执行以上步骤，最终可得k时刻状态xk基于所有传感器节点量测的估计值和相应的误差协方差阵：
由于不同时刻污染源位置变化不大，因此利用一次采样运用序贯式UKF方法对污染源位置进行滤波估计。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (2)
1.一种污染源定位方法，其特征在于包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中的通用模型，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到通用模型中，所述通用模型将输出的一段时间后的各个传感器节点的污染物浓度理论值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置；
步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ，M表示污染物投放质量，Q表示状态转移噪声方差矩阵
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式，
其中，
D为扩散系数，π表示圆周率。
2.根据权利要求1所述的一种污染源定位方法，其特征在于，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059198.0A CN108008099B (zh) | 2017-11-01 | 2017-11-01 | 一种污染源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059198.0A CN108008099B (zh) | 2017-11-01 | 2017-11-01 | 一种污染源定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108008099A CN108008099A (zh) | 2018-05-08 |
| CN108008099B true CN108008099B (zh) | 2021-06-01 |
Family
ID=62052169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711059198.0A Expired - Fee Related CN108008099B (zh) | 2017-11-01 | 2017-11-01 | 一种污染源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108008099B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376343B (zh) * | 2019-06-04 | 2021-03-23 | 中国环境科学研究院 | 污染源精准诊断方法、装置以及电子装置 |
| CN110443365B (zh) * | 2019-06-26 | 2022-05-10 | 中国地质大学（武汉） | 一种基于增强拓扑神经演化算法的二维污染源定位方法 |
| CN110533266B (zh) * | 2019-09-29 | 2024-09-06 | 北京市农林科学院 | 一种疑似污水源分析定位方法及系统 |
| CN111458471B (zh) * | 2019-12-19 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
| CN113535672B (zh) * | 2020-04-16 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种基于自主水下机器人平台的浊度数据处理方法 |
| CN111912937B (zh) * | 2020-07-20 | 2022-02-11 | 清华大学 | 一种室内突发污染物智能实时溯源方法及系统 |
| CN112485319B (zh) * | 2020-10-19 | 2023-01-20 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
| CN112381369B (zh) * | 2020-11-02 | 2022-09-23 | 河海大学 | 基于在线光谱识别的水体污染溯源和风险预测评估方法 |
| CN112684134B (zh) * | 2020-12-18 | 2022-02-11 | 江苏省苏力环境科技有限责任公司 | 基于关联分析的水环境分析方法、系统、终端和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830096A (zh) * | 2012-08-29 | 2012-12-19 | 国电燃料有限公司 | 基于人工神经网络的元素浓度测量误差修正方法 |
| CN104504462A (zh) * | 2014-12-11 | 2015-04-08 | 南昌大学 | 基于改良灰色bpnn和马氏链的汽车形态进化趋势预测方法 |
| CN206132750U (zh) * | 2016-10-13 | 2017-04-26 | 武汉科技大学 | 一种基于无线传感网络的水环境监测与污染源定位系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158674B (zh) * | 2007-11-15 | 2011-09-21 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN102495187B (zh) * | 2011-11-14 | 2014-08-13 | 武汉科技大学 | 一种基于无线传感网络的水环境污染源的探测方法 |
| CN102999664B (zh) * | 2012-11-20 | 2015-05-13 | 天津大学 | 一种室内污染源位置识别方法 |
| CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
| CN205809057U (zh) * | 2016-07-21 | 2016-12-14 | 兰州交通大学 | 一种基于物联网的城市供水网络水质监测与定位系统 |
| CN107085646B (zh) * | 2017-04-28 | 2020-10-09 | 国家电网公司 | 一种输电线路下地面场强测量方法 |
-
2017
- 2017-11-01 CN CN201711059198.0A patent/CN108008099B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830096A (zh) * | 2012-08-29 | 2012-12-19 | 国电燃料有限公司 | 基于人工神经网络的元素浓度测量误差修正方法 |
| CN104504462A (zh) * | 2014-12-11 | 2015-04-08 | 南昌大学 | 基于改良灰色bpnn和马氏链的汽车形态进化趋势预测方法 |
| CN206132750U (zh) * | 2016-10-13 | 2017-04-26 | 武汉科技大学 | 一种基于无线传感网络的水环境监测与污染源定位系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于无线传感器网络的污染源定位研究;罗旭;《中国博士学位论文全文数据库 信息科技辑》;20140515(第05期);I140-47-第14页-第16页，第57页-第68页 * |
| 湘江流域污染物动态运移三维可视化及空间分析;左忠豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20130215(第02期);B027-192-第13页-14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108008099A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108008099B (zh) | 一种污染源定位方法 | |
| CN109459040B (zh) | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 | |
| CN107677997B (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
| CN105737832B (zh) | 基于全局最优数据融合的分布式slam方法 | |
| CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
| CN110954132B (zh) | Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法 | |
| CN105467838B (zh) | 一种随机有限集框架下的同步定位与地图构建方法 | |
| CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
| CN107084714A (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
| CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
| CN108427400B (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
| CN102393881A (zh) | 一种实时多传感温度数据融合的高精度检测方法 | |
| Brinón-Arranz et al. | Consensus-based source-seeking with a circular formation of agents | |
| CN106403953B (zh) | 一种用于水下自主导航与定位的方法 | |
| CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
| CN113449254B (zh) | 任意网型变形监测稳定性分析方法及监控点位置确定方法 | |
| CN109379058B (zh) | 基于平方根容积信息一致的分布式非线性状态估计方法 | |
| CN105988971B (zh) | 一种基于状态感知的传感器时空采样方法 | |
| CN104331087A (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
| Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
| CN109362049B (zh) | 基于混合信息加权一致的平方根容积滤波方法 | |
| CN114061592B (zh) | 基于多模型的自适应鲁棒auv导航方法 | |
| Valada et al. | An intelligent approach to hysteresis compensation while sampling using a fleet of autonomous watercraft | |
| CN112946697B (zh) | 一种基于深度学习的卫星信号周跳探测与修复方法 | |
| Pedrosa et al. | Online SLAM based on a fast scan-matching algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 528000 No. 18, Jiangwan Road, Chancheng District, Guangdong, Foshan Patentee after: Foshan University Country or region after: China Address before: 528000 No. 18, Jiangwan Road, Chancheng District, Guangdong, Foshan Patentee before: FOSHAN University Country or region before: China |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210601 |