CN109190718A - 一种核电厂海生物探测预警多源信息融合算法 - Google Patents

一种核电厂海生物探测预警多源信息融合算法 Download PDF

Info

Publication number
CN109190718A
CN109190718A CN201811316285.4A CN201811316285A CN109190718A CN 109190718 A CN109190718 A CN 109190718A CN 201811316285 A CN201811316285 A CN 201811316285A CN 109190718 A CN109190718 A CN 109190718A
Authority
CN
China
Prior art keywords
power plant
nuclear power
coefficient
data
warning
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.)
Granted
Application number
CN201811316285.4A
Other languages
English (en)
Other versions
CN109190718B (zh
Inventor
孟威
李建文
陆海荣
刘笑麟
成志娟
张锦飞
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.)
China General Nuclear Power Corp
CGN Power Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
Original Assignee
China General Nuclear Power Corp
CGN Power Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
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 China General Nuclear Power Corp, CGN Power Co Ltd, Suzhou Nuclear Power Research Institute Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN201811316285.4A priority Critical patent/CN109190718B/zh
Publication of CN109190718A publication Critical patent/CN109190718A/zh
Application granted granted Critical
Publication of CN109190718B publication Critical patent/CN109190718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种核电厂海生物探测预警多源信息融合算法，它主要是针对现场多个传感器采集的数据，采用决策级融合形式，基于线性回归模型和模糊神经网络预测方法分别对数据进行了分析计算，得到了海生物探测预警多源信息融合的预警模型；其利用线性多元回归模型估计法中的最小二乘的多参数函数估计方法，并结合MATLAB自带的线性回归函数进行多参数估计得到入侵强度计算公式、拟合误差及欧式距离等；利用模糊理论和神经网络技术对传感器采样数据进行拟合，实现非参数的多传感器数据融合算法，用以断定海生物入侵程度及发生取水口堵塞的可能性等，为全面提高核电厂冷源可靠性提供支持。

Description

一种核电厂海生物探测预警多源信息融合算法
技术领域
本发明属于核电厂安全领域，涉及一种预警系统算法的开发，具体涉及一种核电厂海生物探测预警多源信息融合算法。
背景技术
多传感器数据融合技术形成于上世纪80年代，目前已成为研究的热点。它不同于一般信号处理，也不同于单个或多个传感器的监测和测量，而是对基于多个传感器测量结果基础上的更高层次的综合决策过程。与单传感器相比，运用多传感器信息融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和健壮性，增强数据的可信度，提高精度，扩展系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。作为多传感器融合的研究热点之一，融合方法一直受到人们的重视，这方面国外已经作了大量的研究，并且提出了许多融合方法。
目前，多传感器数据融合的常用方法大致可分为两大类：随机和人工智能方法。信息融合的不同层次对应不同的算法，包括加权平均融合、卡尔曼滤波法、Bayes估计、统计决策理论、概率论方法、模糊逻辑推理、人工神经网络、D-S证据理论等。信息层次包括数据层融合、特征层融合、决策层融合。
(1)数据级融合。针对传感器采集的数据，依赖于传感器类型，进行同类数据的融合。数据级的融合要处理的数据都是在相同类别的传感器下采集，所以数据融合不能处理异构数据。
(2)特征级融合。特征级融合，指的是提取所采集数据包含的特征向量，用来体现所监测物理量的属性，这是面向监测对象特征的融合。如在图像数据的融合中，可以采用边沿的特征信息，来代替全部数据信息。
(3)决策级融合。决策级融合，指的是根据特征级融合所得到的数据特征，进行一定的判别、分类，以及简单的逻辑运算，根据应用需求进行较高级的决策，是高级的融合。决策级融合是面向应用的融合。
多传感器数据融合比单一传感器信息有如下优点，即容错性、互补性、实时性、经济性，所以逐步得到推广应用。
发明内容
本发明目的是为了克服现有方法的不足而提供一种核电厂海生物探测预警多源信息融合算法。
为达到上述目的，本发明所采用的技术方案为：一种核电厂海生物探测预警多源信息融合算法，包括如下步骤：①通过在核电厂入水口海域设置的多个传感器采集洋流和海风数据、海水温度和盐度数据以及海生物密度数据；②根据洋流和海风数据计算得到洋流对海洋生物进入核电厂入水口时的相对速度和海风对海洋生物进入核电厂入水口时的相对速度；③计算洋流入侵系数和海风入侵系数以及对应的温度和盐度系数，并建立海生物探测预警多源信息融合的预警模型；④将洋流入侵系数和海风入侵系数以及对应的温度和盐度系数添加到预警模型中；⑤利用线性多元回归模型估计法中的最小二乘的多参数函数估计方法，并结合MATLAB自带的线性回归函数进行多参数估计得到拟合入侵强度计算公式、拟合误差及欧式距离；⑥采用非线性模型对已有预警模型进行拟合建模，采用模糊神经网络对多传感器采样数据进行拟合，实现非参数的多传感器数据融合算法。
进一步地，步骤②中洋流对海洋生物进入核电厂入水口时的相对速度为：VCR＝VCcos(αC-αR)，其中αR为入水口在二维大地坐标系下与X轴夹角，αC为洋流方向与二维大地坐标系下X轴夹角。
进一步地，步骤②中海风对海洋生物进入核电厂入水口时的相对速度为：VWR＝VWcos(αW-αR)，其中VWR为海风相对于核电厂入水口的相对风速；VW为海风风速。
进一步地，步骤③中洋流入侵系数和海风入侵系数分别为KCR和KWR，其中KCR＝βCRtan-1(VCR)，KWR＝βWRtan-1(VWR)。
进一步地，步骤③中对应的温度和盐度系数公式分别为和其中μT＝23，σT＝1.25，μS＝26，σS＝6。
进一步地，步骤④中将洋流入侵系数和海风入侵系数以及对应的温度和盐度系数添加到预警模型中后，得到公式GR＝N(1+KCR+KWR+KT+KS)，其中GR为入侵强度。
进一步地，步骤⑤中线性多元回归模型估计法如下：根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的对象特征进行比较，或将观测数据特征与物理模型所得到的模拟特征进行比较；比较过程涉及到计算预测数据和实测数据的相关关系，如果相关系数超过一个预先设定的值，则认为两者存在匹配关系(身份相同)；利用最小二乘的多参数函数估计方法，将洋流入侵系数和海风入侵系数公式以及对应的温度和盐度系数公式代入入侵强度公式，则有
定义
则变为：Y＝βCR·x1+βWR·x2+βT.x3+βS·x4
对应的拟合入侵强度GRN为：GRN＝(Y+1)N
利用传感器采集到的数据，采用MATLAB自带线性回归函数进行多参数估计得到四个参数βCRβWRβT·βS，即得到GR完整的公式，拟合误差errornihe：errornihe＝GR-GRN，线性多元回归拟合方法的欧式距离为
进一步地，步骤⑥中的模糊神经网络估计法如下：采用5输入1输出的网络结构，输入为X_input＝[N,VCR,VWR,T,S]，输出为Y_output＝GR，定义拟合误差errorFNN为errorFNN＝GR-GRN，
其中：GRN为基于线性多元回归拟合方法拟合的入侵强度；
则FNN预测方法的欧式距离为
由于上述方法的运用，本发明与现有技术相比具有下列优点：本发明核电厂海生物探测预警多源信息融合算法，通过将模糊理论、神经网络技术有机地结合起来，自动生成和调整隶属度函数和模糊规则，直接采用非线性模型对已有模型进行拟合建模，从而断定海生物入侵程度及发生取水口堵塞的可能性，为全面提高核电厂冷源可靠性提供支持。
附图说明
图1为洋流方向与入水口方向夹角示意图；
图2为相对洋流速度与模型系数的关系示意图；
图3为洋流方向与入水口方向夹角示意图；
图4为相对海风速度与模型系数的关系示意图；
图5为海洋生物对温度的适应性曲线示意图；
图6为海洋生物对盐度的适应性曲线示意图；
具体实施方式
下面结合附图和具体的实施例对本实发明做进一步详细的说明。
本发明的核电厂海生物探测预警多源信息融合算法，首先分析海洋生物入侵主要因素是海生物密度，建立海洋生物密度与建立海洋生物探测入侵预警模型的其他因素有还包括：洋流流速、洋流与入水口的角度、海风、海风与入水口的角度、海水温度、海水盐度等。建立一个立体的多源模型，需要5个因素(海生物密度、相对流速、相对风速、盐度和温度)，并通过对5种因素数据特征的融合，可以断定海生物入侵程度及发生取水口堵塞的可能性等。
提出采用基于最小二乘的多参数函数估计方法，得到拟合入侵强度与各因素之间的函数关系，并通过MATLAB自带线性回归函数进行多参数估计获取关键参数，最终依据采样数据得到入侵强度计算公式，从而推算入侵强度、拟合误差以及线性多元回归拟合方法的欧式距离等。
此外，因上述估计方法必须根据已有的物理模型，且存在较大误差，不能够完全反应出非线性特性，因直接采用非线性模型对已有模型进行拟合建模，提出采用模糊神经网络对多传感器采样数据进行拟合，实现非参数的多传感器数据融合算法。采用5输入1输出的网络结构进行模拟，得到入侵强度。
具体的多源信息融合算法如下：
洋流因素的模型系数
造成核电厂入水口堵塞的主要原因是海洋生物进入了核电厂入水口，影响海洋生物运动方向的主要因素是洋流的方向。例如同样数量的海洋生物被发现在入水口附近活动，如果洋流方向是背离入水口的，那么该海洋生物进入入水口的概率就会很低，对应的入侵强度值要很小；如果洋流方向是流向入水口的，那么该海洋生物进入入水口的概率就会很高，对应的入侵强度值要很大。因此采用入水口流速角来表征洋流与入水口的夹角如图1所示，αR为入水口在二维大地坐标系下与X轴夹角；αC为洋流方向与二维大地坐标系下X轴夹角。
海洋洋流对海洋生物进入核电厂入水口时的相对速度VCR＝VCcos(αC-αR)
图2为相对洋流速度与模型系数的关系，VCR为海洋洋流相对于核电厂入水口的相对流速；VC为洋流流速，洋流入侵系数KCR：KCR＝βCRtan-1(VCR)
海风
图3为洋流方向与入水口方向夹角示意图，海风对海洋生物进入核电厂入水口时的相对速度VWR＝VWcos(αW-αR)，其中：VWR为海风相对于核电厂入水口的相对风速；VW为海风风速。同上由图4，可得出海风入侵系数KWR：KWR＝βWRtan-1(VWR)
温度和盐度因素
可以用高斯函数模型等来表示海洋生物对温度和盐度的适应性，如图5、图6所示。以海月水母为例，经过采样得到最适合水母生存的水温为21-25℃，水温超过29℃，水母的活力会迅速下降，伞体变形最后死亡。因此可以选择中心点在μT＝23，σT＝1.25对应的系数如公式：
同理，水母生存盐度为20ppm-32ppm(ug/g＝10-6)，当盐度为45ppm时水母活力迅速下降。这里选择中心点在μS＝26，σS＝6对应的系数如公式：
经过分析可知海生物密度为主要原因，可以把其他因素的影响加到密度-预警模型中，如公式：GR＝N(1+KCR+KWR+KT+KS)，GR为入侵强度。
线性多元回归模型估计法
根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的对象特征进行比较，或将观测数据特征与物理模型所得到的模拟特征进行比较。比较过程涉及到计算预测数据和实测数据的相关关系。如果相关系数超过一个预先设定的值，则认为两者存在匹配关系(身份相同)。利用最小二乘的多参数函数估计方法，将上诉各影响因素公式代入入侵强度公式，则有
定义
则变为：Y＝βCR·x1+βWR·x2+βT·x3+βS·x4
对应的拟合入侵强度GRN为：GRN＝(Y+1)N
利用传感器采集到的数据，采用MATLAB自带线性回归函数进行多参数估计得到四个参数βCRβWRβT·βS，即得到GR完整的公式，拟合误差errornihe：errornihe＝GR-GRN，线性多元回归拟合方法的欧式距离为
模糊神经网络估计法
采用的基于线性回归多元计算方法可以估计具有不同数据结构的多元变量，计算简单。缺点是必须根据已有的物理模型，提前知道公式表达式结构。虽然可以把这部分建模误差包含拟合过程中，但是线性模型还是不能够完全反应出非线性特性，因此需要直接采用非线性模型对已有模型进行拟合建模。采用模糊神经网络对多传感器采样数据进行拟合，实现非参数的多传感器数据融合算法。采用5输入1输出的网络结构，输入为X_input＝[N,VCR,VWR,T,S]，输出为Y_output＝GR。
定义拟合误差errorFNN为
errorFNN＝GR-GRN
其中：GRN为基于线性多元回归拟合方法拟合的入侵强度。
则FNN预测方法的欧式距离为
上述只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种核电厂海生物探测预警多源信息融合算法，其特征在于：包括如下步骤：
①通过在核电厂入水口海域设置的多个传感器采集洋流和海风数据、海水温度和盐度数据以及海生物密度数据；
②根据洋流和海风数据计算得到洋流对海洋生物进入核电厂入水口时的相对速度和海风对海洋生物进入核电厂入水口时的相对速度；
③计算洋流入侵系数和海风入侵系数以及对应的温度和盐度系数，并建立海生物探测预警多源信息融合的预警模型；
④将洋流入侵系数和海风入侵系数以及对应的温度和盐度系数添加到预警模型中；
⑤利用线性多元回归模型估计法中的最小二乘的多参数函数估计方法，并结合MATLAB自带的线性回归函数进行多参数估计得到拟合入侵强度计算公式、拟合误差及欧式距离；
⑥采用非线性模型对已有预警模型进行拟合建模，采用模糊神经网络对多传感器采样数据进行拟合，实现非参数的多传感器数据融合算法。
2.根据权利要求1所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤②中洋流对海洋生物进入核电厂入水口时的相对速度为：VCR＝VCcos(αC-αR)，其中αR为入水口在二维大地坐标系下与X轴夹角，αC为洋流方向与二维大地坐标系下X轴夹角。
3.根据权利要求2所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤②中海风对海洋生物进入核电厂入水口时的相对速度为：VWR＝VWcos(αW-αR)，其中VWR为海风相对于核电厂入水口的相对风速；VW为海风风速。
4.根据权利要求3所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤③中洋流入侵系数和海风入侵系数分别为KCR和KWR，其中KCR＝βCRtan-1(VCR)，KWR＝βWRtan-1(VWR)。
5.根据权利要求1所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤③中对应的温度和盐度系数公式分别为和其中μT＝23，σT＝1.25，μS＝26，σS＝6。
6.根据权利要求1所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤④中将洋流入侵系数和海风入侵系数以及对应的温度和盐度系数添加到预警模型中后，得到公式GR＝N(1+KCR+KWR+KT+KS)，其中GR为入侵强度。
7.根据权利要求1所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤⑤中线性多元回归模型估计法如下：根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的对象特征进行比较，或将观测数据特征与物理模型所得到的模拟特征进行比较；比较过程涉及到计算预测数据和实测数据的相关关系，如果相关系数超过一个预先设定的值，则认为两者存在匹配关系(身份相同)；利用最小二乘的多参数函数估计方法，将洋流入侵系数和海风入侵系数公式以及对应的温度和盐度系数公式代入入侵强度公式，则有
定义
则变为：Y＝βCR·x1+βWR·x2+βT·x3+βS·x4
对应的拟合入侵强度GRN为：GRN＝(Y+1)N
利用传感器采集到的数据，采用MATLAB自带线性回归函数进行多参数估计得到四个参数βCRβWRβT·βS，即得到GR完整的公式，拟合误差errornihe：errornihe＝GR-GRN，线性多元回归拟合方法的欧式距离为
8.根据权利要求1所述的核电厂海生物探测预警多源信息融合算法，其特征在于：步骤⑥中的模糊神经网络估计法如下：采用5输入1输出的网络结构，输入为X_input＝[N,VCR,VWR,T,S]，输出为Y_output＝GR，定义拟合误差errorFNN为errorFNN＝GR-GRN，
其中：GRN为基于线性多元回归拟合方法拟合的入侵强度；
则FNN预测方法的欧式距离为
CN201811316285.4A 2018-11-07 2018-11-07 一种核电厂海生物探测预警多源信息融合方法 Active CN109190718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811316285.4A CN109190718B (zh) 2018-11-07 2018-11-07 一种核电厂海生物探测预警多源信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811316285.4A CN109190718B (zh) 2018-11-07 2018-11-07 一种核电厂海生物探测预警多源信息融合方法

Publications (2)

Publication Number Publication Date
CN109190718A true CN109190718A (zh) 2019-01-11
CN109190718B CN109190718B (zh) 2021-02-12

Family

ID=64942134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811316285.4A Active CN109190718B (zh) 2018-11-07 2018-11-07 一种核电厂海生物探测预警多源信息融合方法

Country Status (1)

Country Link
CN (1) CN109190718B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934419A (zh) * 2019-04-11 2019-06-25 苏州热工研究院有限公司 一种核电厂取水口海洋生物量变化预测方法
CN111860613A (zh) * 2020-06-30 2020-10-30 江苏科技大学 一种基于多源异构信号的多目标追踪及状态预测方法
CN112817058A (zh) * 2021-01-25 2021-05-18 华中科技大学鄂州工业技术研究院 成群海洋生物预警方法、系统、电子设备及存储介质
CN115206040A (zh) * 2021-04-12 2022-10-18 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN116304600A (zh) * 2023-03-06 2023-06-23 四川省林业科学研究院 基于大数据分析的外来入侵物种预警方法及系统
CN116468275A (zh) * 2023-04-21 2023-07-21 中国水利水电科学研究院 考虑致灾生物运动特征及节律行为的取水风险评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700534A (zh) * 2014-12-31 2015-06-10 大亚湾核电运营管理有限责任公司 核电厂监控系统的报警方法、装置及系统
CN106491156A (zh) * 2016-10-13 2017-03-15 杭州电子科技大学 一种基于多源信息融合的汽车疲劳驾驶检测方法
WO2018032627A1 (zh) * 2016-08-19 2018-02-22 上海葡萄纬度科技有限公司 一种教育玩具套件及其海洋模具识别方法
CN107832912A (zh) * 2017-10-09 2018-03-23 中国电子科技集团公司第二十八研究所 一种密集人群风险分析方法及系统
CN108230302A (zh) * 2017-12-21 2018-06-29 岭东核电有限公司 一种核电厂冷源海域入侵海洋生物探测及处置方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700534A (zh) * 2014-12-31 2015-06-10 大亚湾核电运营管理有限责任公司 核电厂监控系统的报警方法、装置及系统
WO2018032627A1 (zh) * 2016-08-19 2018-02-22 上海葡萄纬度科技有限公司 一种教育玩具套件及其海洋模具识别方法
CN106491156A (zh) * 2016-10-13 2017-03-15 杭州电子科技大学 一种基于多源信息融合的汽车疲劳驾驶检测方法
CN107832912A (zh) * 2017-10-09 2018-03-23 中国电子科技集团公司第二十八研究所 一种密集人群风险分析方法及系统
CN108230302A (zh) * 2017-12-21 2018-06-29 岭东核电有限公司 一种核电厂冷源海域入侵海洋生物探测及处置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU YANG ET AL.: "Early warning model for marine organism detection based on BP neural network", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 *
MENG WEI ET AL.: "Early warning model for marine organism detection in nuclear power stations", 《PROCEEDINGS OF 2018 CHINESE CONTROL AND DECISION CONFERENCE》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934419A (zh) * 2019-04-11 2019-06-25 苏州热工研究院有限公司 一种核电厂取水口海洋生物量变化预测方法
CN111860613A (zh) * 2020-06-30 2020-10-30 江苏科技大学 一种基于多源异构信号的多目标追踪及状态预测方法
CN111860613B (zh) * 2020-06-30 2023-10-27 江苏科技大学 一种基于多源异构信号的多目标追踪及状态预测方法
CN112817058A (zh) * 2021-01-25 2021-05-18 华中科技大学鄂州工业技术研究院 成群海洋生物预警方法、系统、电子设备及存储介质
CN115206040A (zh) * 2021-04-12 2022-10-18 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN115206040B (zh) * 2021-04-12 2023-08-04 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN116304600A (zh) * 2023-03-06 2023-06-23 四川省林业科学研究院 基于大数据分析的外来入侵物种预警方法及系统
CN116304600B (zh) * 2023-03-06 2024-02-02 四川省林业科学研究院 基于大数据分析的外来入侵物种预警方法及系统
CN116468275A (zh) * 2023-04-21 2023-07-21 中国水利水电科学研究院 考虑致灾生物运动特征及节律行为的取水风险评估方法
CN116468275B (zh) * 2023-04-21 2023-09-29 中国水利水电科学研究院 考虑致灾生物运动特征及节律行为的取水风险评估方法

Also Published As

Publication number Publication date
CN109190718B (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN109190718A (zh) 一种核电厂海生物探测预警多源信息融合算法
Franz et al. Ocean eddy identification and tracking using neural networks
Nonnenmacher et al. Streamline-based method for intra-day solar forecasting through remote sensing
Lakshmanan et al. An automated technique to quality control radar reflectivity data
CN108230302B (zh) 一种核电厂冷源海域入侵海洋生物探测及处置方法
Chen et al. Spatial–temporal convolutional gated recurrent unit network for significant wave height estimation from shipborne marine radar data
Ma et al. A novel marine radar targets extraction approach based on sequential images and Bayesian Network
Moschos et al. Deep-sst-eddies: A deep learning framework to detect oceanic eddies in sea surface temperature images
Xing et al. Three mesoscale eddy detection and tracking methods: Assessment for the South China Sea
Jakovčević et al. Visual spatial-context based wildfire smoke sensor
Keller et al. Active/passive multiple polarization sea ice detection during initial freeze-up
Moschos et al. Computer Vision for Ocean Eddy Detection in Infrared Imagery
CN116935244A (zh) 一种融合主被动遥感数据的中小尺度涡旋特征识别方法
Mishra et al. Intelligent ocean wave height prediction system using light GBM model
Lee et al. Detection and dispersion of oil spills from satellite optical images in a coastal bay
CN109002747A (zh) 基于几何特征的星上可见光遥感图像舰船检测方法
KR102411074B1 (ko) 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법
Wang et al. Global ocean mesoscale vortex recognition based on DeeplabV3plus model
Cao et al. Ocean mesoscale eddies identification based on YOLOF
Wu et al. Automated temporal tracking of coherently evolving density fronts in numerical models
Divya et al. Ocean internal wave detection from SAR images using particle swarm optimization
Tambie et al. A new wavelet method for identification of eddies and assessment of incidents on islands of the Eastern Caribbean
Hedir et al. Automatic system for radar echoes filtering based on textural features and artificial intelligence
Martínez-Flores et al. Sea Surface Current Velocity Vectors from Passive Remote Sensing Imagery
Liu et al. Detection and Analysis of Mesoscale Eddies Based on Deep Learning

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