CN109447359B - 一种数据采集点部署方法及系统 - Google Patents

一种数据采集点部署方法及系统 Download PDF

Info

Publication number
CN109447359B
CN109447359B CN201811310492.9A CN201811310492A CN109447359B CN 109447359 B CN109447359 B CN 109447359B CN 201811310492 A CN201811310492 A CN 201811310492A CN 109447359 B CN109447359 B CN 109447359B
Authority
CN
China
Prior art keywords
sampling point
fitness
particle
grid
optimal solution
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
CN201811310492.9A
Other languages
English (en)
Other versions
CN109447359A (zh
Inventor
沈艳
章洁
张榕
金耀
胡英杰
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.)
Hefei Longtutem Information Technology Co ltd
Shanghai Shenliang Intelligent Technology Co ltd
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN201811310492.9A priority Critical patent/CN109447359B/zh
Publication of CN109447359A publication Critical patent/CN109447359A/zh
Priority to US16/561,325 priority patent/US20200143002A1/en
Application granted granted Critical
Publication of CN109447359B publication Critical patent/CN109447359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开一种数据采集点部署方法及系统，结合待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差，构建适应度函数，然后利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，根据采样点位置集合的最优解部署数据采样点。该方法对水域的最大化覆盖监测的同时，能够较好的重构整个水域的水质分布特征，从而根据其采样值能够较好的的反映整个水环境监测区域的水质。

Description

一种数据采集点部署方法及系统
技术领域
本发明涉及水质监测领域，特别是涉及一种数据采集点部署方法及系统。
背景技术
在对水环境场进行采样点部署的时候，通常以考虑监测覆盖率的方式进行采样点的均匀部署，即构建基于覆盖率的代价函数，利用粒子群优化算法寻优方式进行迭代搜索，获得最优的采样点部署结构。这种只考虑覆盖率而均匀部署采样点的方式仅仅适用于水环境特征均匀分布的情况，而且粒子群算法具有收敛速度慢、易陷入局部最优等缺点，对于水环境特征为高斯分布的情况下，通过这种方法获得的数据信息不足以反映整个区域的水质状态。
发明内容
本发明的目的是提供一种数据采样点部署方法及系统，使得依据其采样值能够较好地反映整个水环境监测区域的水质状态。
为实现上述目的，本发明提供了如下方案：
一种数据采集点部署方法，其特征在于，所述方法包括：
确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差；
结合所述网格覆盖率和所述标量场重构误差，构建适应度函数；
根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值；
按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
可选的，所述确定待检测水域的网格覆盖率具体包括：
将所述待监测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure BDA0001854819870000021
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p(x,y)的欧几里得距离：
Figure BDA0001854819870000022
Rs为监测点的有效感知半径；
根据所述判断结果确定被覆盖的网格数目为Cs；
按照公式
Figure BDA0001854819870000023
计算所述网格覆盖率。
可选的，所述确定水质特征非均匀分布环境场的标量场重构误差，具体包括：
确定误差分析的位置点(x,y)个数为I；
获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
利用公式
Figure BDA0001854819870000024
计算所述标量场重构误差。
可选的，所述构建适应度函数具体包括：
以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差。
可选的，利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，具体包括：
(1)初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure BDA0001854819870000025
所述速度满足公式
Figure BDA0001854819870000026
所述粒子代表一组采样点位置集合，即
Figure BDA0001854819870000031
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure BDA0001854819870000032
表示粒子i的位置，Vid表示采样点d的速度，
Figure BDA0001854819870000033
表示粒子i的速度；
(2)确定最大迭代次数Gmax；
(3)根据所述适应度函数计算所述粒子的适应度值
Figure BDA0001854819870000034
(4)比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure BDA0001854819870000035
(5)判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure BDA0001854819870000036
若否，利用公式
Figure BDA0001854819870000037
更新每一所述粒子的所述速度和所述位置，并返回步骤(3)；
其中，
Figure BDA0001854819870000038
表示粒子i的速度矩阵的转置，
Figure BDA0001854819870000039
表示粒子i的更新后的速度矩阵的转置，
Figure BDA00018548198700000310
表示粒子i的位置矩阵的转置，
Figure BDA00018548198700000311
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重的计算公式为：
Figure BDA00018548198700000312
为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
一种数据采集点部署系统，其特征在于，所述系统包括：
网格覆盖率和标量场重构误差确定单元，用于确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差；
适应度函数构建单元，用于结合所述网格覆盖率和所述标量场重构误差，构建适应度函数；
寻优单元，用于根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值；
部署单元，用于按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
可选的，所述网格覆盖率和标量场重构误差确定单元包括网格覆盖率确定子单元，所述网格覆盖率确定子单元，用于确定待检测水域的网格覆盖率；所述网格覆盖率确定子单元具体包括：
网格划分模块，用于将所述待监测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
随机部署模块，用于在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
布尔感知模型判断模块，用于采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure BDA0001854819870000041
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p＝(x,y)的欧几里得距离：
Figure BDA0001854819870000042
Rs为监测点的有效感知半径；
被覆盖网格数目确定模块，用于根据所述判断结果确定被覆盖的网格数目为Cs；
网格覆盖率计算模块，用于按照公式
Figure BDA0001854819870000043
计算所述网格覆盖率。
可选的，所述网格覆盖率和标量场重构误差确定单元还包括标量场重构误差确定子单元，所述标量场重构误差确定子单元用于确定水质特征非均匀分布环境场的标量场重构误差，所述标量场重构误差确定子单元具体包括：
误差分析点确定模块，用于确定误差分析的位置点(x,y)个数为I；
温度获取模块，用于获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
标量场重构误差计算模块，用于利用公式
Figure BDA0001854819870000051
计算所述标量场重构误差。
可选的，所述适应度函数构建单元用于构建适应度函数，所述适应度函数构建单元具体包括：
适应度函数构建子单元，用于以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差。
可选的，所述寻优单元利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，所述寻优单元具体包括：
粒子初始化子单元，用于初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure BDA0001854819870000052
所述速度满足公式
Figure BDA0001854819870000053
所述粒子代表一组采样点位置集合，即
Figure BDA0001854819870000054
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure BDA0001854819870000055
表示粒子i的位置，Vid表示采样点d的速度，
Figure BDA0001854819870000056
表示粒子i的速度；
迭代次数确定子单元，用于确定最大迭代次数Gmax；
适应度函数计算子单元，用于根据所述适应度函数计算所述粒子的适应度值
Figure BDA0001854819870000057
适应度值比较子单元，用于比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure BDA0001854819870000061
迭代次数判断子单元，用于判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure BDA0001854819870000062
若否，利用公式
Figure BDA0001854819870000063
更新每一所述粒子的所述速度和所述位置，并返回步骤(3)；
其中，
Figure BDA0001854819870000064
表示粒子i的速度矩阵的转置，
Figure BDA0001854819870000065
表示粒子i的更新后的速度矩阵的转置，
Figure BDA0001854819870000066
表示粒子i的位置矩阵的转置，
Figure BDA0001854819870000067
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重的计算公式为：
Figure BDA0001854819870000068
其中wmax为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明在构建适应度函数时，将同时考虑覆盖性能和能反映采样数据优劣的重构性能，使得采样点达到对环境标量场的最大化覆盖，在搜索最优采样点时，将传统粒子群优化算法与引力搜索算法结合，对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，以提高算法收敛速度和精度，使得依据其采样值能够较好地反映整个水环境监测区域的水质状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1为本发明的实施例1提供的数据采集点部署方法的流程图；
图2为本发明的实施例2提供的数据采集点部署系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种数据采集点部署方法及系统，依据其采样值能够较好地反映整个水环境监测区域的水质状态。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供的数据采集点部署方法包括：
步骤101：确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差；
在本实施例中，具体采用以下步骤确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差。
所述确定待检测水域的网格覆盖率具体包括：
将所述待监测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure BDA0001854819870000071
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p(x,y)的欧几里得距离：
Figure BDA0001854819870000072
Rs为监测点的有效感知半径；
根据所述判断结果确定被覆盖的网格数目为Cs；
按照公式
Figure BDA0001854819870000081
计算所述网格覆盖率。
根据布尔感知模型确定的网格覆盖率，能够更加准确地反映实际覆盖情况，可以直接作为水环境检测覆盖率的度量指标。
所述确定水质特征非均匀分布环境场的标量场重构误差，具体包括：
确定误差分析的位置点(x,y)个数为I；
获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
利用公式
Figure BDA0001854819870000082
计算所述标量场重构误差。
针对水质特征非均匀分布环境场，将较多的采样位置部署在变化较大、特征明显的区域中，而在变化平缓的区域中部署相对少的采样点，这相比于完全均匀部署的方式能够获得更好的环境标量场重构性能。
步骤102：结合所述网格覆盖率和所述标量场重构误差，构建适应度函数；
所述构建适应度函数具体包括：
以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差，1-f1将覆盖率的最大化转化为覆盖空洞的最小化，使得寻优目标变成求解函数最小值的问题。
由适应度函数建立了基于最大化覆盖率和最小化标量场的重构误差的水环境检测性能衡量准则，使得采样点部署能达到对环境标量场的最大化覆盖。
步骤103：根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值；
所述利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，具体包括：
(1)初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure BDA0001854819870000091
所述速度满足公式
Figure BDA0001854819870000092
所述粒子代表一组采样点位置集合，即
Figure BDA0001854819870000093
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure BDA0001854819870000094
表示粒子i的位置，Vid表示采样点d的速度，
Figure BDA0001854819870000095
表示粒子i的速度；
(2)确定最大迭代次数Gmax；
(3)根据所述适应度函数计算所述粒子的适应度值
Figure BDA0001854819870000096
(4)比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure BDA0001854819870000097
(5)判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure BDA0001854819870000098
若否，利用公式
Figure BDA0001854819870000099
更新每一所述粒子的所述速度和所述位置，并返回步骤(3)；
其中，
Figure BDA00018548198700000910
表示粒子i的速度矩阵的转置，
Figure BDA00018548198700000911
表示粒子i的更新后的速度矩阵的转置，
Figure BDA00018548198700000912
表示粒子i的位置矩阵的转置，
Figure BDA00018548198700000913
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重，能够体现粒子继承当前速度的能力，为了平衡算法的全局搜索能力和局部改良能力，所述惯性权重采用自适应权重，计算公式为：
Figure BDA00018548198700000914
其中wmax为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，实现对水域的最大化覆盖监测的同时，能够较好的重构整个水域的水质分布特征，从而较好的反映整个水环境监测区域的水质状态。
步骤104：按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
本申请提出的数据采集点部署方法，通过网格覆盖率和标量场重构误差两者相结合，作为水环境测试性能衡量标准，建立与衡量标准相关的适应度函数，利用寻优，确定采样点位置集合的最优解及所述最优解对应的适应度值，实现对水域的最大化覆盖监测的同时，能够较好的重构整个水域的水质分布特征，从而较好的反映整个水环境监测区域的水质状态。
实施例2
如图2所示，本实施例提供的数据采集点部署系统包括：网格覆盖率和标量场重构误差确定单元201、适应度函数构建单元202、寻优单元203和部署单元204。
网格覆盖率和标量场重构误差确定单元201，用于确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差。
所述网格覆盖率和标量场重构误差确定单元201包括网格覆盖率确定子单元和标量场重构误差确定子单元；
所述网格覆盖率确定子单元具体包括：
网格划分模块，用于将所述待监测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
随机部署模块，用于在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
布尔感知模型判断模块，用于采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure BDA0001854819870000101
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p＝(x,y)的欧几里得距离：
Figure BDA0001854819870000111
Rs为监测点的有效感知半径；
被覆盖网格数目确定模块，用于根据所述判断结果确定被覆盖的网格数目为Cs；
网格覆盖率计算模块，用于按照公式
Figure BDA0001854819870000112
计算所述网格覆盖率。
根据布尔感知模型确定的网格覆盖率，能够更加准确地反映实际覆盖情况，可以直接作为水环境检测覆盖率的度量指标。
所述标量场重构误差确定子单元具体包括：
误差分析点确定模块，用于确定误差分析的位置点(x,y)个数为I；
温度获取模块，用于获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
标量场重构误差计算模块，用于利用公式
Figure BDA0001854819870000113
计算所述标量场重构误差。
针对水质特征非均匀分布环境场，将较多的采样位置部署在变化较大、特征明显的区域中，而在变化平缓的区域中部署相对少的采样点，这相比于完全均匀部署的方式能够获得更好的环境标量场重构性能。
适应度函数构建单元202，用于结合所述网格覆盖率和所述标量场重构误差，构建适应度函数。所述适应度函数构建单元202具体包括：
适应度函数构建子单元，用于以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差，1-f1将覆盖率的最大化转化为覆盖空洞的最小化，使得寻优目标变成求解函数最小值的问题。
由适应度函数建立了基于最大化覆盖率和最小化标量场的重构误差的水环境检测性能衡量准则，使得采样点部署能达到对环境标量场的最大化覆盖。
寻优单元203，用于根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值。所述寻优单元203具体包括：
粒子初始化子单元，用于初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure BDA0001854819870000121
所述速度满足公式
Figure BDA0001854819870000122
所述粒子代表一组采样点位置集合，即
Figure BDA0001854819870000123
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure BDA0001854819870000124
表示粒子i的位置，Vid表示采样点d的速度，
Figure BDA0001854819870000125
表示粒子i的速度；
迭代次数确定子单元，用于确定最大迭代次数Gmax；
适应度函数计算子单元，用于根据所述适应度函数计算所述粒子的适应度值
Figure BDA0001854819870000126
适应度值比较子单元，用于比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure BDA0001854819870000127
迭代次数判断子单元，用于判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure BDA0001854819870000128
若否，利用公式
Figure BDA0001854819870000129
更新每一所述粒子的所述速度和所述位置，并返回所述适应度函数计算子单元；
其中，
Figure BDA00018548198700001210
表示粒子i的速度矩阵的转置，
Figure BDA00018548198700001211
表示粒子i的更新后的速度矩阵的转置，
Figure BDA00018548198700001212
表示粒子i的位置矩阵的转置，
Figure BDA00018548198700001213
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重，能够体现粒子继承当前速度的能力，为了平衡算法的全局搜索能力和局部改良能力，所述惯性权重采用自适应权重，计算公式为：
Figure BDA0001854819870000131
其中wmax为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，实现对水域的最大化覆盖监测的同时，能够较好的重构整个水域的水质分布特征，从而较好的反映整个水环境监测区域的水质状态。
部署单元204，用于按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
本申请提出的数据采集点部署系统，通过网格覆盖率确定子单元和标量场重构误差确定子单元两者相结合，作为水环境测试性能衡量标准，建立与衡量标准相关的适应度函数构建单元，利用寻优单元，确定采样点位置集合的最优解及所述最优解对应的适应度值，实现对水域的最大化覆盖监测的同时，能够较好的重构整个水域的水质分布特征，从而较好的反映整个水环境监测区域的水质状态。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种数据采集点部署方法，其特征在于，所述方法包括：
确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差；
结合所述网格覆盖率和所述标量场重构误差，构建适应度函数；
根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值；
按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点；
所述确定水质特征非均匀分布环境场的标量场重构误差，具体包括：
确定误差分析的位置点(x,y)个数为I；
获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
利用公式
Figure FDA0002755077300000011
计算所述标量场重构误差；
所述构建适应度函数具体包括：
以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差。
2.根据权利要求1所述的数据采集点部署方法，其特征在于，所述确定待检测水域的网格覆盖率具体包括：
将所述待检测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure FDA0002755077300000021
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p(x,y)的欧几里得距离：
Figure FDA0002755077300000022
Rs为监测点的有效感知半径；
根据所述判断结果确定被覆盖的网格数目为Cs；
按照公式
Figure FDA0002755077300000023
计算所述网格覆盖率。
3.根据权利要求1所述的数据采集点部署方法，其特征在于，所述利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，具体包括：
(1)初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure FDA0002755077300000024
所述速度满足公式
Figure FDA0002755077300000025
所述粒子代表一组采样点位置集合，即
Figure FDA0002755077300000026
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure FDA0002755077300000027
表示粒子i的位置，Vid表示采样点d的速度，
Figure FDA0002755077300000028
表示粒子i的速度；
(2)确定最大迭代次数Gmax；
(3)根据所述适应度函数计算所述粒子的适应度值
Figure FDA0002755077300000029
(4)比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure FDA0002755077300000031
(5)判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure FDA0002755077300000032
若否，利用公式
Figure FDA0002755077300000033
更新每一所述粒子的所述速度和所述位置，并返回步骤(3)；
其中，
Figure FDA0002755077300000034
表示粒子i的速度矩阵的转置，
Figure FDA0002755077300000035
表示粒子i的更新后的速度矩阵的转置，
Figure FDA0002755077300000036
表示粒子i的位置矩阵的转置，
Figure FDA0002755077300000037
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重的计算公式为：
Figure FDA0002755077300000038
其中wmax为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
4.一种数据采集点部署系统，其特征在于，所述系统包括：
网格覆盖率和标量场重构误差确定单元，用于确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差；
适应度函数构建单元，用于结合所述网格覆盖率和所述标量场重构误差，构建适应度函数；
寻优单元，用于根据适应度函数，利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值；
部署单元，用于按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点；
所述网格覆盖率和标量场重构误差确定单元还包括标量场重构误差确定子单元，所述标量场重构误差确定子单元用于确定水质特征非均匀分布环境场的标量场重构误差，所述标量场重构误差确定子单元具体包括：
误差分析点确定模块，用于确定误差分析的位置点(x,y)个数为I；
温度获取模块，用于获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z'；
标量场重构误差计算模块，用于利用公式
Figure FDA0002755077300000041
计算所述标量场重构误差；
所述适应度函数构建单元用于构建适应度函数，所述适应度函数构建单元具体包括：
适应度函数构建子单元，用于以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标，构建适应度函数；所述适应度函数为：fitness＝a*(1-f1)+b*f2；
其中，a，b为常数因子，f1为所述网格覆盖率，f2为所述标量场重构误差。
5.根据权利要求4所述的数据采集点部署系统，其特征在于，所述网格覆盖率和标量场重构误差确定单元包括网格覆盖率确定子单元，所述网格覆盖率确定子单元，用于确定待检测水域的网格覆盖率；所述网格覆盖率确定子单元具体包括：
网格划分模块，用于将所述待检测水域中二维平面S区域离散化为等单位边长的网格；所述网格的数量为C；
随机部署模块，用于在所述网格上随机部署D个采样点；每个所述采样点的位置为Xd＝(xd,yd),d＝1,2,…,D；
布尔感知模型判断模块，用于采用布尔感知模型判断所述采样点所在的网格是否被覆盖，得到判断结果；所述布尔感知模型为：
Figure FDA0002755077300000051
其中，Dis(Xd,p)≤RS时，P(Xd,p)＝1，表示所述采样点所在的网格被覆盖；Dis(Xd,p)＞RS时，P(Xd,p)＝0，表示所述采样点所在的网格未被覆盖；Dis(Xd,p)为所述采样点d与任意所述网格的中心点p＝(x,y)的欧几里得距离：
Figure FDA0002755077300000052
Rs为监测点的有效感知半径；
被覆盖网格数目确定模块，用于根据所述判断结果确定被覆盖的网格数目为Cs；
网格覆盖率计算模块，用于按照公式
Figure FDA0002755077300000053
计算所述网格覆盖率。
6.根据权利要求4所述的数据采集点部署系统，其特征在于，所述寻优单元利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理，确定采样点位置集合的最优解及所述最优解对应的适应度值，所述寻优单元具体包括：
粒子初始化子单元，用于初始化粒子群中每个粒子的位置和速度，所述位置满足公式
Figure FDA0002755077300000054
所述速度满足公式
Figure FDA0002755077300000055
所述粒子代表一组采样点位置集合，即
Figure FDA0002755077300000056
其中Xid＝(xid,yid)，i＝1,2,…,N，d＝1,2,…,D，其中，Xid表示采样点d的位置，
Figure FDA0002755077300000057
表示粒子i的位置，Vid表示采样点d的速度，
Figure FDA0002755077300000058
表示粒子i的速度；
迭代次数确定子单元，用于确定最大迭代次数Gmax；
适应度函数计子单元，用于根据所述适应度函数计算所述粒子的适应度值
Figure FDA0002755077300000061
适应度值比较子单元，用于比较所述粒子群中的所有所述粒子的适应度值的大小，确定所述适应度值的最小值，以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解；以所述适应度值的最小值做为所述最优解对应的适应度值
Figure FDA0002755077300000062
迭代次数判断子单元，用于判断迭代次数是否达到最大迭代次数，若是，输出所述采样点位置集合的最优解及所述最优解对应的适应度值
Figure FDA0002755077300000063
若否，利用公式
Figure FDA0002755077300000064
Figure FDA0002755077300000065
更新每一所述粒子的所述速度和所述位置，并返回所述适应度函数计子单元；
其中，
Figure FDA0002755077300000066
表示粒子i的速度矩阵的转置，
Figure FDA0002755077300000067
表示粒子i的更新后的速度矩阵的转置，
Figure FDA0002755077300000068
表示粒子i的位置矩阵的转置，
Figure FDA0002755077300000069
表示粒子i的更新后的位置矩阵的转置，c表示学习因子，randi表示[0,1]的均匀随机数，Lbest为寻优过程中的全局最优解，w为惯性权重；
所述惯性权重的计算公式为：
Figure FDA00027550773000000610
其中wmax为所述惯性权重的最大值、wmin为所述惯性权重的最小值；f表示粒子的适应度函数值，favg表示所有粒子的平均适应度函数值，fmin表示所有粒子的最小适应度函数值。
CN201811310492.9A 2018-11-06 2018-11-06 一种数据采集点部署方法及系统 Active CN109447359B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811310492.9A CN109447359B (zh) 2018-11-06 2018-11-06 一种数据采集点部署方法及系统
US16/561,325 US20200143002A1 (en) 2018-11-06 2019-09-05 Data acquisition point deployment method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811310492.9A CN109447359B (zh) 2018-11-06 2018-11-06 一种数据采集点部署方法及系统

Publications (2)

Publication Number Publication Date
CN109447359A CN109447359A (zh) 2019-03-08
CN109447359B true CN109447359B (zh) 2021-04-16

Family

ID=65551153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811310492.9A Active CN109447359B (zh) 2018-11-06 2018-11-06 一种数据采集点部署方法及系统

Country Status (2)

Country Link
US (1) US20200143002A1 (zh)
CN (1) CN109447359B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166567B (zh) * 2019-06-04 2021-10-08 长春理工大学 一种基于区块链的物联网资源共享方法及系统
CN111818535B (zh) * 2020-06-05 2023-04-18 温州大学 一种融合多种群优化算法的无线局域网三维优化部署方法
CN112052694B (zh) * 2020-07-07 2024-02-23 中国计量大学 一种有长方体障碍物的三维空间读写器天线优化部署方法
CN112052933B (zh) * 2020-08-31 2022-04-26 浙江工业大学 基于粒子群优化的深度学习模型的安全性测试方法和修复方法
CN112880704A (zh) * 2021-01-19 2021-06-01 中国人民解放军海军工程大学 光纤陀螺捷联惯导系统智能标定方法
CN113242562B (zh) * 2021-06-17 2022-11-29 西安邮电大学 一种WSNs覆盖增强方法及系统
CN113406282B (zh) * 2021-06-18 2022-08-30 国网安徽省电力有限公司电力科学研究院 电站锅炉尾部烟道氧量场标定方法
CN113905386B (zh) * 2021-09-04 2022-09-06 西北工业大学 一种基于自适应混合粒子群算法的Mesh网关部署优化方法
CN114090621B (zh) * 2021-11-22 2024-06-25 中科赛悟科技(安徽)有限公司 一种地空一体化生态环境监测系统
CN114205849B (zh) * 2021-12-09 2024-01-26 华中科技大学 基于整数规划的无线传感网节点可信覆盖部署优化方法
CN115243536B (zh) * 2022-09-22 2022-12-09 深圳鸿芯微纳技术有限公司 静电防护单元的位置确定方法、装置、设备及存储介质
CN116208969B (zh) * 2023-03-09 2023-11-03 南京信息工程大学 基于改进海洋捕食者算法的无线传感器网络覆盖优化方法
CN117217044A (zh) * 2023-08-25 2023-12-12 合肥工业大学 一种基于粒子群算法的换流站内优化电场测量位置设计方法
CN116992780B (zh) * 2023-09-25 2024-01-02 中南大学 数字化电解槽的温度传感器布置方法
CN117062092B (zh) * 2023-10-11 2023-12-08 成都大学 一种无线传感器网络部署方法
CN117593486B (zh) * 2024-01-19 2024-04-09 中国空气动力研究与发展中心计算空气动力研究所 一种基于空间粒子的网格重构方法和装置
CN117805323B (zh) * 2024-02-28 2024-04-26 铜川科达化工设备有限公司 基于物联网的置于电捕焦油器前的样气监测采样分析系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016086329A1 (zh) * 2014-12-01 2016-06-09 哈尔滨工程大学 基于序列递归滤波三维变分的实测海洋环境数据同化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080319558A1 (en) * 2007-06-20 2008-12-25 Resende Mauricio Guilherme De Global optimization by continuous greedy randomized adaptive search procedure
CN102547766B (zh) * 2012-02-20 2014-04-16 江南大学 一种基于耦合模拟退火算法的无线网络覆盖优化方法
CN103945395B (zh) * 2014-02-27 2016-06-01 北京理工大学 一种基于粒子群的无线网络传感器的快速优化部署方法
CN105228159B8 (zh) * 2014-06-18 2019-12-24 北京邮电大学 基于网格化及改进粒子群算法的无线传感网覆盖增强算法
CN106162663B (zh) * 2015-03-16 2019-04-05 江南大学 一种基于改进蜂群算法的传感节点覆盖方法
CN107277830B (zh) * 2017-08-03 2020-11-13 扬州大学 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016086329A1 (zh) * 2014-12-01 2016-06-09 哈尔滨工程大学 基于序列递归滤波三维变分的实测海洋环境数据同化方法

Also Published As

Publication number Publication date
CN109447359A (zh) 2019-03-08
US20200143002A1 (en) 2020-05-07

Similar Documents

Publication Publication Date Title
CN109447359B (zh) 一种数据采集点部署方法及系统
US10795054B2 (en) System and method for sensing wind flow passing over complex terrain
CN103139907B (zh) 一种利用指纹法的室内无线定位方法
Wilson Performance bounds for acoustic direction-of-arrival arrays operating in atmospheric turbulence
JP7403690B2 (ja) 複雑地形においてＬｉＤＡＲで高速の風の流れを測定するためのシステムおよび方法
Kocsis et al. Premerger localization of gravitational-wave standard sirens with LISA:<? format?> Harmonic mode decomposition
CN110031001B (zh) 一种重力辅助惯性导航的适配区选取方法
CN108152868A (zh) 利用闪电定位数据计算雷暴日天数的方法及装置
JP2023517147A (ja) 複雑地形においてＬｉＤＡＲで風の流れの乱流を測定するためのシステムおよび方法
CN108650706A (zh) 基于二阶泰勒近似的传感器节点定位方法
CN113204909B (zh) 基于地基观测光度信号的卫星几何特征与姿态估计方法
CN108647418B (zh) 一种图像信噪比最优的综合孔径辐射计天线阵列排布方法
CN105187139A (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
CN109769206B (zh) 一种室内定位融合方法、装置、存储介质及终端设备
Kim et al. Two-dimensional scattering center extraction based on multiple elastic modules network
CN110888142A (zh) 基于mems激光雷达测量技术的航天器隐藏目标点测量方法
US9354339B2 (en) Systems and methods for combining triaxial geophone data for localizing nearby transient seismic sources
CN115390160A (zh) 一种台风中心自动定位方法及装置
CN110796707B (zh) 标定参数计算方法、装置以及存储介质
CN108983313B (zh) 一种定量探测海面风场的方法
CN110618466B (zh) 一种空间目标姿态可探测性度量方法
CN107506824B (zh) 一种配电网的不良观测数据检测方法及装置
Wu et al. Estimating Weak DOA Signals Using Adaptive Grid Selection
CN116087622B (zh) 检测准确度预测方法、装置、处理设备及存储介质
JP2019007808A (ja) 地盤の表面波の位相速度推定方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231120

Address after: 201400 floor 5, building 11, No. 6055, Jinhai highway, Fengxian District, Shanghai

Patentee after: Shanghai Shenliang Intelligent Technology Co.,Ltd.

Address before: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor.

Patentee before: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd.

Effective date of registration: 20231120

Address after: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor.

Patentee after: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 610000 No. 24 Xuefu Road Section, Southwest Airport Economic Development Zone, Chengdu City, Sichuan Province

Patentee before: CHENGDU University OF INFORMATION TECHNOLOGY