CN111914462B - 一种海上搜救目标漂移预测方法及装置 - Google Patents
一种海上搜救目标漂移预测方法及装置 Download PDFInfo
- Publication number
- CN111914462B CN111914462B CN202010709689.0A CN202010709689A CN111914462B CN 111914462 B CN111914462 B CN 111914462B CN 202010709689 A CN202010709689 A CN 202010709689A CN 111914462 B CN111914462 B CN 111914462B
- Authority
- CN
- China
- Prior art keywords
- drift
- rescue
- search
- target
- model
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种海上搜救目标漂移预测方法及装置,涉及海洋搜救技术领域,包括:确定漂移轨迹预测模型;根据漂移轨迹预测模型建立目标粒子漂移速度的高阶模型;确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型;获取漂流浮标数据,根据漂流浮标数据对搜救范围计算模型进行参数解算,确定最优参数化方案及最优参数化方案中各参数在各个时间节点的最优解的时间序列;将最优参数化方案及时间序列输入高阶模型,对海上搜救目标进行集合漂移轨迹预测,确定搜救范围。本发明通过构建高阶的拉格朗日粒子追踪模型,且考虑各参数扰动项之间的相关性,可在有限数据集的基础上最大化的提高海上搜救目标漂移预测模型的精度。
Description
技术领域
本发明涉及海洋搜救技术领域,具体而言,涉及一种海上搜救目标漂移预测方法及装置。
背景技术
近年来,随着我国国民经济的快速发展,国内外贸易的拓展推动了海上交通运输和水上旅游业的繁荣,我国从事水上工作的人员数量迅速增加,与此同时,海难事故的风险也不断增长,导致遇难人数也持续攀升。提高船舶、船员的脱险能力以及加强我国搜救系统信息化建设,切实提高处理海上重大突发事件的能力,对保障人民群众生命财产安全、维护我国的国际形象具有不可替代的作用。
我国海域辽阔,海上交通流量大、运输密度高、通航范围大、环境复杂,加上气候变化异常等因素,都加大了海上搜救工作的难度。而且影响搜索成功率的因素很多,例如事发位置、事发海域的海面风力、洋流、波浪、温度等海洋环境因素,以及遇险目标的类型、形状大小和搜救设施的航速、搜寻方式等,都会影响搜救的成功率。且当遇险目标涉及人员生命时,为了保证遇险人员的生命安全,在现有搜救效率较低的情况下,只能加大投入海上搜救力量,例如延长搜索时间及扩大搜索范围等,由此也会增加非常多的经济投入。而且较低的搜救成功率也会造成不良的社会影响,引发一系列的经济、社会问题。如果能提供高效的搜救策略,保证能够在事发后尽量快速的找到遇险人员,不但能挽救更多遇险人员的生命,也能节省大量的人力、物力和财力的投入。
目前,海上遇险目标漂移预测的研究能够在投入力量有限的情况下更为有效的调动搜救力量,降低搜救工作的盲目性,为海上搜寻与救助工作提供决策辅助,为最大限度的减少人身及财产损失提供科学方法和技术支持。因此,为提高海上搜救指挥和协调工作的效率和准确性,对海上搜救目标漂移预测的研究至关重要。但现有技术中,对目标进行漂移轨迹模拟时,仅仅将粒子运动考虑为马尔科夫过程,且采用蒙特卡洛随机扰动使用的各参数均依赖于现场跟踪试验,而忽略了真实环境下各参数间的相关性,影响了对海上搜救目标漂移轨迹预测的准确性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题,为达上述目的,第一方面,本发明提供了一种海上搜救目标漂移预测方法,其包括:
根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型;
基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型;
根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型;
获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列;
将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。
进一步地,所述基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型包括:
根据所述漂移轨迹预测模型对时间求导,确定粒子运动的速度;
根据所述粒子运动的速度对时间求导,确定所述粒子运动的加速度,并根据所述粒子运动的所述速度的时间尺度和所述加速度的时间尺度建立所述高阶模型。
进一步地,所述高阶模型表示为:
du=adt;
其中,s(0)=0,和是服从正态分布的零均值、标准差分别为σ和σa的随机变量,分别表示所述粒子运动的所述速度和所述加速度,K*表示扩散系数,dw*表示零均值正态分布的随机项,T表示所述速度的时间尺度,Ta表示所述加速度的时间尺度,R(τ)表示粒子运动速度的自相关函数,τ表示时间滞后。
进一步地,所述根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型包括:结合多个所述漂移运动模型,选取不同漂移运动模型的多个蒙特卡洛扰动参数构成不同的参数化方案,以建立所述搜救范围计算模型。
进一步地,所述搜救范围计算模型的通用扰动参数包括风场、流场、浪场、风致漂移系数、浪致漂移系数、流致漂移系数,多个所述漂移运动模型包括AP98模型和漂移动力学模型。
进一步地,所述根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列包括:
确定每个所述参数化方案的集合向量,待解参数集为所述集合向量中各参数的均值和标准差;
获取数据库中业务化区域高时空分辨率的流场和风场数据输入所述高阶模型来进行高阶拉格朗日粒子追踪,确定漂流浮标的多条轨迹;
根据多个所述参数化方案计算联合密度概率函数;
根据所述联合密度概率函数确定所述待解参数集的最优估计值;
根据所述漂流浮标数据和多条所述轨迹采用自回归滑动平均模型求解所述最优估计值,以确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列。
进一步地,所述联合密度概率函数为:
进一步地,所述根据所述漂流浮标数据和多条所述轨迹采用自回归滑动平均模型求解所述最优估计值,以确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列包括:
为所述集合向量中各参数定义新的随机过程z,使其变换为具有标准的正态随机分布,表示为:
z=φ-1[FY(Y)]
其中,FY表示和边缘分布相关的累积分布函数,Y表示原始随机变量,φ表示标准正态随机变量;
根据所述漂流浮标数据和多条所述轨迹,对于每一个特定轨迹样本,建立单变量自回归滑动平均模型,表示为:
进一步地,所述将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围包括:
将所述最优参数化方案及所述时间序列输入所述高阶模型,确定所述海上搜救目标的集合漂移轨迹预测结果;
根据预测时间步长,以预设时间间隔逐步输出粒子轨迹坐标;
根据凸包算法对各个时间节点的所述粒子轨迹坐标确定各时间节点的所述海上搜救目标的搜救范围。
进一步地,所述根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型的步骤之前,还包括:
建立海上搜救应急保障大数据系统,包括对大数据的采集、分析和可视化。
为达上述目的,第二方面,本发明提供了一种海上搜救目标漂移预测装置,其包括:
模型建立模块,用于根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型;还用于基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型;还用于根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型;
处理模块,用于获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列;
预测模块,用于将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。
使用本发明的海上搜救目标漂移预测方法或装置,通过在失事目标搜救范围计算的过程中考虑到了真实情况下粒子运动的速度、甚至加速度的时间相关性,并基于此构建了高阶的拉格朗日粒子追踪模型,能够在一定程度上提高搜救目标粒子追踪的模拟精度。本发明还通过针对不同数据集以及不同模型对失事目标搜救范围计算的影响来确定最优参数化方案。本发明充分考虑各个参数扰动项之间的相关性,挖掘了不同数据集对不同模型、各个参数扰动项的影响,能够在有限数据集的基础上最大化的提高海上搜救目标漂移预测模型的精度。
为达上述目的,第三方面,本发明提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现根据本发明第一方面所述的海上搜救目标漂移预测方法。
为达上述目的,第四方面,本发明提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现根据本发明第一方面所述的海上搜救目标漂移预测方法。
根据本发明的非临时性计算机可读存储介质和计算设备,具有与根据本发明第一方面的海上搜救目标漂移预测方法具有类似的有益效果,在此不再赘述。
附图说明
图1为根据本发明实施例的海上搜救目标漂移预测方法的流程示意图;
图2为根据本发明实施例的建立漂移轨迹预测模型的高阶模型的流程示意图;
图3为根据本发明实施例的对搜救范围计算模型进行参数解算的示意图;
图4为根据本发明实施例的采用自回归滑动平均模型求解最优估计值的流程示意图;
图5为根据本发明实施例的确定搜救范围的流程示意图;
图6为根据本发明实施例的海上搜救目标漂移预测装置的结构示意图;
图7为根据本发明实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图详细描述根据本发明的实施例,描述涉及附图时,除非另有表示,不同附图中的相同附图标记表示相同或相似的要素。要说明的是,以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子,本发明的范围并不局限于此。在不矛盾的前提下,本发明各个实施例中的特征可以相互组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
目前,在进行海上搜索与救援行动时,由于海上自然状况和搜救资源状况的不确定性,无论采用什么行动都会因为自然状态和搜救资源的不同而出现不同的结果。因此需要通过一定的决策支持,提高对海难事件的应急能力,使救援行动更加高效和安全。对海上遇险目标漂移预测的研究就显得尤为重要,通过对搜救目标粒子漂移轨迹的模拟预测,以及确定有效合理的搜救范围,对提高海上搜救的成功率有着重大影响。但现有的海上遇险目标漂移预测方法大多基于仅将粒子运动考虑为马尔科夫过程,忽略了真实环境下运动的时间相关性;且蒙特卡洛随机扰动采用的各参数的均值和标准差依赖于现场跟踪试验,也忽略了各参数扰动项之间的相关性,影响了模拟预测结果的准确性。
本发明通过在失事目标搜救范围计算的过程中考虑到了真实情况下粒子运动的速度及加速度的时间相关性,构建高阶的拉格朗日粒子追踪模型,还通过针对不同数据集以及不同模型对失事目标搜救范围计算的影响,来确定最优参数化方案,充分考虑各个参数扰动项之间的相关性,能够在有限数据集的基础上最大化的提高海上搜救目标漂移预测模型的精度。
图1所示为根据本发明实施例的海上搜救目标漂移预测方法的流程示意图,包括步骤S1至S5。
在步骤S1中,根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型。在本发明实施例中,建立的漂移轨迹预测模型在风漂作用的基础上,充分考虑风、浪、流的共同作用。漂移轨迹预测模型表达式为:
ds=([VF-surface-current(t′)+VF-wind(t′)+VF-wave(t′)]+u)dt (1)
其中,VF-surface-current(t′)、VF-wind(t′)、VF-wave(t′)分别表示流致漂移速度,风致漂移速度和浪致漂流速度。s和t分别表示目标位置和时间,u表示对目标漂移速度的随机扰动(也可以认为是湍流致目标运动速度)。
在本发明实施例中,风致漂移速度和流致漂移速度的计算可采用AP98模型和漂移动力学模型两种方案进行计算。其中,AP98模型方案为:
VF-surface-current=λVsurface-current+εsurface-current (3)
其中,VF-wind表示风致漂移速度大小,a、b表示拟合系数,εsurface-current表示拟合标准差,下角标d,c+,c-分别对应顺风向、右偏风向、左偏风向,w10表示海面l0米高度风速,VF-surface-current表示流致漂移速度,γ表示流致漂移系数,Vsurface-current表示表层流速。
VF-wind=VF-wind-d+κVF-wind-c++(1-κ)VF-wind-c- (4)
其中,κ表示0-1分布的随机变量。可以理解的是,对于已知遇险目标类型及其风压左偏和右偏概率的案例,可以设置κ~B(x,pκ),pκ为目标往风压左偏的概率。
在本发明其他实施例中,漂移动力学模型方案为:
Vwind-current=(CD)Vwind+(1-CD')Vsurface-current+εwind-current (5)
其中,CD和CD'分别表示风和流对漂移目标的拖曳力作用系数,通常可以也认为有CD'+CD=1,εwind-current表示拟合标准差。
在本发明实施例中,浪致漂移速度的计算同样分为两种:
方案一为:
其中,VF-wave表示沿波浪传播方向的浪致漂移速度,H1/3表示有义波高,λ表示波长,α1、α2和α3表示拟合系数,εwave表示拟合标准差。
方案二为:
其中,T表示波周期,H1/3表示有义波高,αw表示拟合系数,VH表示浪致Stokes漂移速度。
在步骤S2中,基于所述目标漂移速度的随机扰动及其加速度变化的连续性,建立所述漂移轨迹预测模型的高阶模型。在本发明实施例中,考虑到海上漂移目标运动速度和加速度的连续性,即式(1)中目标漂移速度的随机扰动项u及其加速度a均为马尔可夫变量,其变化均存在一定的时间相关尺度,因此建立目标粒子漂移速度的高阶模型。图2所示为根据本发明实施例的建立漂移轨迹预测模型的高阶模型的流程示意图,包括步骤S21至S22。
在步骤S21中,根据所述漂移轨迹预测模型对时间求导,确定粒子运动的速度。在本发明实施例中,根据上述漂移轨迹预测模型对时间求导,得到关于粒子运动的速度的公式如下式(8)所示:
du=adt (8)
在步骤S22中,根据所述粒子运动的速度对时间求导,确定所述粒子运动的加速度,并根据所述粒子运动的所述速度的时间尺度和所述加速度的时间尺度建立所述高阶模型。在本发明实施例中,考虑真实情况下粒子运动的速度及其加速度的时间相关性,对粒子运动的速度求导,得到关于粒子运动加速度的公式如下式(9)所示:
其中,s(0)=0,和是服从正态分布的零均值、标准差分别为σ和σa的随机变量,分别表示粒子运动的加速度和速度,K*表示扩散系数,dw*为零均值正态分布的随机项,并且其二阶矩<dw*·dw*>=2dt。
在本发明实施例中,模型假设粒子运动加速度a符合一阶自回归方程(9),忽略加速度的变化率da/dt,即假设加速度的变化率为无穷小。因此模型中存在两个时间尺度:T表示速度的时间尺度,Ta表示加速度的时间尺度。确定粒子运动速度的自相关函数为:
其中,τ表示时间滞后。
可以理解的是,上述公式(8)至(12)所示为本发明实施例构建的目标粒子漂移速度的高阶模型,也即高阶拉格朗日粒子追踪模型。
在步骤S3中,根据多个漂移运动模型确定蒙特卡洛扰动的多个参数化方案,建立海上搜救目标的搜救范围计算模型。在本发明实施例中,结合多个所述漂移运动模型,选取不同漂移运动模型的多个蒙特卡洛扰动参数构成不同的参数化方案,以建立所述搜救范围计算模型。其中,模型通用扰动参数包括对风场、流场、浪场、风致漂移系数、浪致漂移系数、流致漂移系数,漂移运动模型包括AP98模型和漂移动力学模型。
以下列举几组具有代表性的参数化方案,包括:
方案一:AP98模型(ad,bd,ac,bc,),流场随机游走模型Dc1,Dc2,浪致漂移模型(αw);
方案三:漂移动力学模型(CD,),流场随机游走模型Dc1,Dc2,风场随机游走模型Dw1,Dw2,浪致漂移模型(αw);
可以理解的是,在本发明实施例中,选取的参数化方案不仅限于以上四种,尤其当建立的海上搜救应急保障大数据系统中大气海洋观测数据不完整,或者获取的全球漂流浮标轨迹数据样本量较少时,可以对以上四个方案进行简化,或者对几组方案进行重构。
在步骤S4中,获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列。
在本发明实施例中,可下载提取位于业务化海上搜救目标漂移预测系统应用海区范围内的美国国家海洋和大气管理局(National Oceanic and AtmosphericAdministration,NOAA)全球海洋观测系统(Global Ocean Observing System,GOOS)中的全球漂流浮标轨迹数据。其中NOAA全球海洋观测系统中的漂流浮标根据其挂载状态的不同可以分为锚帆和非锚帆两种(锚帆指漂流浮标下十米水深处悬挂了亲水帆布),两类浮标因其结构的不同受到风和流的拖曳力的影响也有所不同,但可以理解的是,上述两类浮标数据进行分类处理后均可以作为本发明实施例的模型解算数据。
图3所示为根据本发明实施例的对搜救范围计算模型进行参数解算的流程示意图,包括步骤S41至S45。
在步骤S41中,确定每个所述参数化方案的集合向量,待解参数集为所述集合向量中各参数的均值和标准差。在本发明实施例中,假设所有参数服从正态分布,以上述方案一为例,模型参数化方案集合向量为P=(ad,bd,ac,bc,Dc1,Dc2,αw),待解参数θ为集合中各参数的均值和标准差,则待解参数集为
在步骤S42中,获取数据库中业务化区域高时空分辨率的流场和风场数据输入所述高阶模型来进行高阶拉格朗日粒子追踪,确定漂流浮标的多条轨迹。在本发明实施例中,利用数据库中业务化区域高时空分辨率的流场和风场数据作为模型输入来进行高阶拉格朗日粒子追踪,选取漂流浮标的nd条轨迹:假设各变量之间相互独立,第i个目标在t时刻的轨迹位置为则以方案一为例的模型参数集合向量P满足以下约束:
其中,Ua表示漂移平流速度,Us表示漂移随机扩散速度,γw表示漂移平流速度和大地坐标系X轴的夹角。
在步骤S43中,根据多个所述参数化方案计算联合密度概率函数。在本发明实施例中,联合密度概率函数如下式(19)所示:
其中,k表示参数化方案中参数集合向量P的维度,对于集合向量P中符合正态分布的各个参数均有:
在步骤S45中,根据所述漂流浮标数据和多条所述轨迹采用自回归滑动平均模型求解所述最优估计值,以确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列。在本发明实施例中,根据上述高阶拉格朗日粒子追踪计算方法,可知k=1,…,np是一组具有相关性的时间序列,因此结合浮标样本数据和参数化模型进一步采用自回归滑动平均模型对θ的最优估计值进行求解。图4所示为根据本发明实施例的采用自回归滑动平均模型求解最优估计值的流程示意图,包括步骤S451至S453。
在步骤S451中,为所述集合向量中各参数定义新的随机过程z,使其变换为具有标准的正态随机分布,表示为:
z=φ-1[FY(Y)] (22)
其中,FY表示和边缘分布相关的累积分布函数,Y表示原始随机变量,φ表示标准正态随机变量。在本发明实施例中,自回归滑动平均模型要求与随机过程相关的随机分布为正态分布。为了能够利用自回归滑动平均模型进行建模,保持模型中每个随机模型变量的原始随机分布,通过上述变换,为参数集合向量P中的每个变量定义了一个新的随机过程,使其具有标准的正态随机分布。以Dc1为例,则经过上述变换后,得到:
在步骤S452中,根据所述漂流浮标数据和多条所述轨迹,对于每一个特定轨迹样本,对所述参数化方案中的每一个随机参数进行上述变换后,建立单变量自回归滑动平均模型,表示为:
在步骤S453中,求解自回归参数滑动平均参数以及方差确定所述最优估计值,得到各个时间节点的所述随机过程z,并确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列。在本发明实施例中,确定得到各个时间节点的随机过程z后,根据式(22)可以反推出各参数在各个时间节点的最优解的时间序列。
在步骤S5中,将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。图5所示为根据本发明实施例的确定搜救范围的流程示意图,包括步骤S51至S53。
在步骤S51中,将所述最优参数化方案及所述时间序列输入所述高阶模型,确定所述海上搜救目标的集合漂移轨迹预测结果。在本发明实施例中,将上述步骤中确定的最优参数化方案及时间序列重新带入建立的漂移轨迹预测模型的高阶模型中,结合实际海上搜救目标重新进行高阶拉格朗日粒子追踪,对海上搜救目标进行集合漂移轨迹预测。
在步骤S52中,根据预测时间步长,以预设时间间隔逐步输出粒子轨迹坐标。在本发明实施例中,将搜救目标集合轨迹预测结果根据预测时间步长,以一小时为时间间隔逐步输出粒子轨迹坐标,确定各时间节点对搜救目标的坐标预测。
在步骤S53中,根据凸包算法对各个时间节点的所述粒子轨迹坐标确定各时间节点的所述海上搜救目标的搜救范围。在本发明实施例中,利用凸包算法对各个时间节点的粒子坐标进行分析处理,计算得出各时间节点的失事目标搜救范围,并据此进行相关搜救决策,对海上遇险目标进行及时救援。
在本发明实施例中,在步骤S1之前,还可包括建立海上搜救应急保障大数据系统的步骤,包括对大数据的采集、分析和可视化。在本发明实施例中,具体地,海上搜救应急保障大数据系统包括三个模块:大数据采集模块、大数据分析模块和大数据可视化模块。
大数据采集模块包括网络爬虫子模块、URL队列子模块和数据优化子模块,采集的数据包括研究海域大气、海洋观测数据、再分析数据、全球漂流浮标轨迹数据以及不同类型遇险目标的漂移系数,记录海上失事遇险案例,存储历史案例。
针对具体的数据包,网络爬虫子模块用于从互联网上抓取网页内容,并抽取出需要的属性内容;所述URL队列子模块用于为网络爬虫提供需要抓取数据网络的URL;数据优化子模块用于对采集的数据进行优化,将无用的数据剔除。
大数据分析模块包括数据格式变换子模块、数据映射子模块和映射数据处理子模块。数据格式变换子模块用于对待处理数据的数据格式进行变换,变换后的待处理数据包括数据表头段、数据特征段、映射规则段、数据内容段。
大气海洋观测数据包括地波雷达、天气雷达、大气观测站、海洋观测站、浮标等所得观测信息;存储的全球大气再分析资料为ERA-interim,存储的全球海洋再分析资料为SOAD。不同类型遇险目标的漂移系数包括风致漂移系数、浪致漂移系数和流致漂移系数;记录海上失事遇险案例,存储历史案例的信息包括遇险时间、位置、遇险目标类型等。
大数据分析模块采用WRF、FVCOM和SWAN分别对业务化海区的风场和流场以及浪场进行模拟:利用上述多源观测数据和再分析数据作为模型同化背景,构建海试区域高时空分辨率的大气和海洋数据再分析场。
大数据可视化模块将海试区域高时空分辨率的大气和海洋数据再分析场进行实时可视化。
采用本发明实施例的海上搜救目标漂移预测方法,通过在失事目标搜救范围计算的过程中考虑到了真实情况下粒子运动的速度、甚至加速度的时间相关性,并基于此构建了高阶的拉格朗日粒子追踪模型,能够在一定程度上提高搜救目标粒子追踪的模拟精度。本发明还通过针对不同数据集以及不同模型对失事目标搜救范围计算的影响,来确定最优参数化方案。本发明充分考虑各个参数扰动项之间的相关性,挖掘了不同数据集对不同模型、各个参数扰动项的影响,能够在有限数据集的基础上最大化的提高海上搜救目标漂移预测模型的精度。
采用本发明实施例的海上搜救目标漂移预测方法,相较于现有的搜救方法(例如一种改进的海上搜救区域预测方法及系统(申请号CN201610136114.8)、一种基于风压差翻转漂移模型的海上搜寻区域估计法(申请号CN201610196900.7)),充分整合利用了现有资源(包括漂流浮标,各类海洋、气象大数据),在搜救目标漂移运动模拟过程中的每一个时间步长里均考虑到了目标运动速度以及加速度的连续性,从计算单元的层面上提高了模型模拟精度,在搜救成功率、搜救成功所需时间和相应经济投入等各方面均有改善,不但可提高对遇险人员生命安全的保障,也可节省大量经济投入,具有良好的社会效益和经济效益。
本发明第二方面的实施例还提供了一种海上搜救目标漂移预测装置。图6所示为根据本发明实施例的海上搜救目标漂移预测装置600的结构示意图,包括模型建立模块601、处理模块602以及预测模块603。
模型建立模块601用于根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型;还用于基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型;还用于根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型。
处理模块602用于获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列。
预测模块603用于将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。
在本发明实施例中,模型建立模块601还用于根据所述漂移轨迹预测模型对时间求导,确定粒子运动的速度;根据所述粒子运动的速度对时间求导,确定所述粒子运动的加速度,并根据所述粒子运动的所述速度的时间尺度和所述加速度的时间尺度建立所述高阶模型。
在本发明实施例中,模型建立模块601还用于结合多个所述漂移运动模型,选取不同漂移运动模型的多个蒙特卡洛扰动参数构成不同的参数化方案,以建立所述搜救范围计算模型。
所述海上搜救目标漂移预测装置600的各个模块的更具体实现方式可以参见对于本发明的海上搜救目标漂移预测方法的描述,且具有与之相似的有益效果,在此不再赘述。
本发明第三方面的实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现根据本发明第一方面所述的海上搜救目标漂移预测方法。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明第四方面的实施例提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现根据本发明第一方面所述的海上搜救目标漂移预测方法。
根据本发明第三、四方面的非临时性计算机可读存储介质和计算设备,可以参照根据本发明第一方面实施例具体描述的内容实现,并具有与根据本发明第一方面实施例的海上搜救目标漂移预测方法具有类似的有益效果,在此不再赘述。
图7示出了适于用来实现本公开的实施方式的示例性计算设备的框图。图7显示的计算设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,计算设备12可以通用计算设备的形式实现。计算设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性的计算机可读存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图中未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算设备12的其它模块通信。要说明的是,尽管图中未示出,可以结合计算设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁盘驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
本发明的计算设备可以是服务器,也可以有限算力的终端设备。
尽管上面已经示出和描述了本发明的实施例,应当理解的是,上述实施例是示例性的,不能解释为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种海上搜救目标漂移预测方法,其特征在于,包括如下步骤:
根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型;
基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型,所述高阶模型表示为:
du=adt;
其中, 和是服从正态分布的零均值、标准差分别为σ和σa的随机变量,分别表示粒子运动的速度和加速度,K*表示扩散系数,dw*表示零均值正态分布的随机项,T表示所述速度的时间尺度,Ta表示所述加速度的时间尺度,R(τ)表示粒子运动速度的自相关函数,τ表示时间滞后;
根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型;
获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列;
将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。
2.根据权利要求1所述的海上搜救目标漂移预测方法,其特征在于,所述根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型包括:结合多个所述漂移运动模型,选取不同漂移运动模型的多个蒙特卡洛扰动参数构成不同的参数化方案,以建立所述搜救范围计算模型。
3.根据权利要求2所述的海上搜救目标漂移预测方法,其特征在于,所述搜救范围计算模型的通用扰动参数包括风场、流场、浪场、风致漂移系数、浪致漂移系数、流致漂移系数,多个所述漂移运动模型包括AP98模型和漂移动力学模型。
4.根据权利要求1所述的海上搜救目标漂移预测方法,其特征在于,所述根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列包括:
确定每个所述参数化方案的集合向量,待解参数集为所述集合向量中各参数的均值和标准差;
获取数据库中业务化区域高时空分辨率的流场和风场数据输入所述高阶模型来进行高阶拉格朗日粒子追踪,确定漂流浮标的多条轨迹;
根据多个所述参数化方案计算联合密度概率函数;
根据所述联合密度概率函数确定所述待解参数集的最优估计值;
根据所述漂流浮标数据和多条所述轨迹采用自回归滑动平均模型求解所述最优估计值,以确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列。
6.根据权利要求4所述的海上搜救目标漂移预测方法,其特征在于,所述根据所述漂流浮标数据和多条所述轨迹采用自回归滑动平均模型求解所述最优估计值,以确定所述最优参数化方案及其中各参数在各个时间节点的最优解的所述时间序列包括:
为所述集合向量中各参数定义新的随机过程z,使其变换为具有标准的正态随机分布,表示为:
z=φ-1[FY(Y)]
其中,FY表示和边缘分布相关的累积分布函数,Y表示原始随机变量,φ表示标准正态随机变量;
根据所述漂流浮标数据和多条所述轨迹,对于每一个特定轨迹样本,建立单变量自回归滑动平均模型,表示为:
7.根据权利要求1所述的海上搜救目标漂移预测方法,其特征在于,所述将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围包括:
将所述最优参数化方案及所述时间序列输入所述高阶模型,确定所述海上搜救目标的集合漂移轨迹预测结果;
根据预测时间步长,以预设时间间隔逐步输出粒子轨迹坐标;
根据凸包算法对各个时间节点的所述粒子轨迹坐标确定各时间节点的所述海上搜救目标的搜救范围。
8.根据权利要求1-7中任一项所述的海上搜救目标漂移预测方法,其特征在于,所述根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型的步骤之前,还包括:
建立海上搜救应急保障大数据系统,包括对大数据的采集、分析和可视化。
9.一种海上搜救目标漂移预测装置,其特征在于,包括:
模型建立模块,用于根据流致漂移速度、风致漂移速度、浪致漂流速度和目标漂移速度的随机扰动,确定漂移轨迹预测模型;还用于基于所述目标漂移速度的随机扰动及其加速度变化的连续性,根据所述漂移轨迹预测模型建立目标粒子漂移速度的高阶模型,所述高阶模型表示为:
du=adt;
其中, 和是服从正态分布的零均值、标准差分别为σ和σa的随机变量,分别表示粒子运动的速度和加速度,K*表示扩散系数,dw*表示零均值正态分布的随机项,T表示所述速度的时间尺度,Ta表示所述加速度的时间尺度,R(τ)表示粒子运动速度的自相关函数,τ表示时间滞后;还用于根据多个漂移运动模型确定多个蒙特卡洛扰动参数化方案,建立海上搜救目标的搜救范围计算模型;
处理模块,用于获取漂流浮标数据,根据所述漂流浮标数据对所述搜救范围计算模型进行参数解算,确定最优参数化方案及所述最优参数化方案中各参数在各个时间节点的最优解的时间序列;
预测模块,用于将所述最优参数化方案及所述时间序列输入所述高阶模型,对所述海上搜救目标进行集合漂移轨迹预测,确定搜救范围。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现根据权利要求1-8中任一项所述的海上搜救目标漂移预测方法。
11.一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现根据权利要求1-8中任一项所述的海上搜救目标漂移预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709689.0A CN111914462B (zh) | 2020-07-22 | 2020-07-22 | 一种海上搜救目标漂移预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709689.0A CN111914462B (zh) | 2020-07-22 | 2020-07-22 | 一种海上搜救目标漂移预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914462A CN111914462A (zh) | 2020-11-10 |
CN111914462B true CN111914462B (zh) | 2021-05-14 |
Family
ID=73280602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709689.0A Active CN111914462B (zh) | 2020-07-22 | 2020-07-22 | 一种海上搜救目标漂移预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914462B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364119B (zh) * | 2020-12-01 | 2023-04-18 | 国家海洋信息中心 | 基于lstm编解码模型的海洋浮标轨迹预测方法 |
CN112712214B (zh) * | 2021-01-15 | 2022-02-18 | 中国人民解放军军事科学院国防科技创新研究院 | 海事搜救对象轨迹预测方法、系统、装置和存储介质 |
CN113486515B (zh) * | 2021-07-06 | 2022-04-05 | 国家气候中心 | 次季节-季节-年际尺度一体化气候模式集合预测系统 |
CN113963244A (zh) * | 2021-08-27 | 2022-01-21 | 上海埃威航空电子有限公司 | 基于遥感目标搜索与落水轨迹预测的海上搜救方法及系统 |
CN113989251B (zh) * | 2021-11-02 | 2022-05-24 | 河南中平自动化股份有限公司 | 一种矿用煤矸分选智能控制系统及方法 |
CN114091180B (zh) * | 2021-11-19 | 2022-06-21 | 南京航空航天大学 | 基于飞行数据的扰动风定制化建模和大气数据估计方法 |
CN114580309B (zh) * | 2022-05-09 | 2022-08-05 | 深圳市朗诚科技股份有限公司 | 漂移速度预测方法、装置、计算设备及存储介质 |
CN116541637B (zh) * | 2023-06-27 | 2023-09-01 | 中国电子科技集团公司第二十八研究所 | 一种伞降着陆搜救区域的计算方法 |
CN117094224A (zh) * | 2023-08-22 | 2023-11-21 | 中国人民解放军国防科技大学 | 海上救援搜索区域确定方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984820A (zh) * | 2018-04-11 | 2018-12-11 | 哈尔滨工程大学 | 一种基于纳什均衡的粒子重投漂移路径预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366227B (zh) * | 2013-08-08 | 2015-09-16 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
EP2866052A1 (en) * | 2013-10-23 | 2015-04-29 | Ladar Limited | A system for monitoring a maritime environment |
CN108805350B (zh) * | 2018-06-06 | 2020-02-07 | 牟林 | 基于多维蒙特卡洛理论的搜救范围预测方法 |
-
2020
- 2020-07-22 CN CN202010709689.0A patent/CN111914462B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984820A (zh) * | 2018-04-11 | 2018-12-11 | 哈尔滨工程大学 | 一种基于纳什均衡的粒子重投漂移路径预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111914462A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914462B (zh) | 一种海上搜救目标漂移预测方法及装置 | |
Wang et al. | Identification of ship manoeuvring motion based on nu-support vector machine | |
CN109977523B (zh) | 一种海量船舶ais轨迹数据在线压缩方法及装置 | |
KR20200007084A (ko) | 장면의 다차원 특징을 기반으로 하는 선박 탐지 방법 및 시스템 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
JP2013134089A (ja) | 最適航路計算装置及び最適航路計算方法 | |
CN115657693B (zh) | 一种船舶路径优化方法、电子设备及存储介质 | |
Hinostroza et al. | Parametric estimation of the directional wave spectrum from ship motions | |
Andersson et al. | An estimation-forecast set-up for iceberg drift prediction | |
CN116588282A (zh) | 一种auv智能运维系统及方法 | |
Yang et al. | An approach to ship behavior prediction based on AIS and RNN optimization model | |
CN116678422A (zh) | 基于多邻域规则格网的舰船最短时间航线自动规划方法 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
Majidian et al. | Part. A: A review of the real-time sea-state estimation, using wave buoy analogy | |
Zhou et al. | Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method | |
Tomaselli et al. | A decision-making tool for planning o&m activities of offshore wind farms using simulated actual decision drivers | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、系统、终端及存储介质 | |
CN110930024A (zh) | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 | |
CN115907084A (zh) | 一种海上漂浮物漂的预测方法、装置、设备和介质 | |
CN114610046A (zh) | 一种考虑动态水深的无人艇动态安全轨迹规划方法 | |
Lu et al. | A Novel CNN-LSTM Method for Ship Trajectory Prediction | |
CN117556623B (zh) | 一种基于数字孪生的大型船舶航行运动学模型构建方法 | |
Andersson et al. | The moving horizon estimator used in iceberg drift estimation and Forecast | |
Zhang et al. | A machine learning method for the evaluation of probabilistic grounding risk reflecting ship motion uncertainties | |
Xue et al. | System Identification of Ship Dynamics Nonlinear Model with Free-Running Tests Based on Two Step Semiconjugate Bayesian Regression |
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 |