CN112163598A - 一种基于增强型学习算法的非均匀无人机网格化监测方法 - Google Patents

一种基于增强型学习算法的非均匀无人机网格化监测方法 Download PDF

Info

Publication number
CN112163598A
CN112163598A CN202010929287.1A CN202010929287A CN112163598A CN 112163598 A CN112163598 A CN 112163598A CN 202010929287 A CN202010929287 A CN 202010929287A CN 112163598 A CN112163598 A CN 112163598A
Authority
CN
China
Prior art keywords
area
unmanned aerial
aerial vehicle
monitoring
target
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.)
Pending
Application number
CN202010929287.1A
Other languages
English (en)
Inventor
刘超
池明旻
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.)
Zhengzhou chaos Information Technology Co.,Ltd.
Original Assignee
Beijing Beidou Tianxun Technology 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 Beijing Beidou Tianxun Technology Co Ltd filed Critical Beijing Beidou Tianxun Technology Co Ltd
Priority to CN202010929287.1A priority Critical patent/CN112163598A/zh
Publication of CN112163598A publication Critical patent/CN112163598A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明公开了一种基于增强型学习算法的无人机非均匀网格化监测方法，涉及智慧城市建设中安防领域，本发明包括如下步骤：1、将城市防御目标按安全划分等级，2、划分监控区域、将监控区域按照目标安全等级、地形因素、信号干扰因素、保密因素作为主要因素,3、对监控区域进行标识，4、安装监控构成网点，5、各指标可综合评估网格格点发生无人机飞行概率、无人机搜索难度和无人机对目标的威胁程度；本发明结合导航定位、信号分析、无人机位置报送无线协议等技术实现对城市低慢小无人机目标的网格化监控，形成适用于城市低慢小无人机大范围监控方案。

Description

一种基于增强型学习算法的非均匀无人机网格化监测方法
技术领域
本发明涉及智慧城市建设中安防领域，更具体的是涉及基于增强型学习算法的非均匀网格化无人机监测方法。
背景技术
无人机源于军事应用领域，常被用于战场侦察和局部军事打击。随着无线电通信和飞控技术的发展，无人机朝着民用化、消费级的方向发展。目前，无人机已在新闻、物流、能源、搜救、治安等领域得到了广泛应用，成为全球无人机生产制造的重要国家。据预测，全球无人机市场规模将超过450亿美元，仅大疆创新生产的无人机就占据了全球无人机市场70％的份额。
无人机为人们带来便利服务的同时，也存在不恰当地使用问题，“黑飞”现象频发，“扰航”、“炸机”、“偷拍”等已成为城市低空新的公共安全威胁，无人机成为盘旋在城市低空的“定时炸弹”。更有甚者，由于无人机产品质量良好，其用途已远超“消费级”的范畴。特别地，在叙利亚、沙特等存在局部冲突的国家总的来说，无人机对城市安全的主要威胁如下：
(1)威胁民航安全：无人机入侵机场周边可能导致停航、损坏民航飞机、造成民航机场内部隐私泄密；
(2)威胁国家政要人身安全：委内瑞拉、沙特刺杀事件后，国家首脑十分关心领导驻地的安全问题，以及车队出行安全问题；
(3)威胁监狱低空安全：监狱在地面的防线已经十分充分，对于低空缺乏有效的防御手段来防御利用无人机进行消息传递、物品投掷与协助越狱；
(4)威胁能源设施安全：国家安监部门下发紧急通知关注无人机防御技术，以确保核电站、炼化厂、矿山基础设施安全不被破坏，发生事故避免无人机偷拍造成舆情隐患；
(5)威胁民众隐私安全；针对国内精品别墅区、国外城堡等周界和隐私安全进行防护。
无人机具有“低空、慢速、微小”等典型特征，不易被空军的防控雷达发现。在城市中，受建筑遮挡和人口密集等因素的影响，无人机黑飞更加难以监管与遏制。城市低慢小无人机防控存在防控范围大、环境干扰多、反制手段可能造成二次伤害、落地取证难等技术与管理难题。在某些地区，消费级无人机被应用于远程侦察与打击，成为高效费比的新型战争武器。
现有的无人机管控技术包括无线电测向定位、光学探测、雷达探测、声音探测技术。在城市环境复杂电磁环境和建筑遮挡下，上述技术均存在局限性。无线电测向定位技术依赖的无人机测控链路信号受城市同频段信号源干扰。光学探测技术受雨、雪、雾等天气影响大。雷达探测技术受建筑遮挡大，且存在辐射。声学探测技术受背景噪声干扰大。此外，上述技术产品受限于系统软硬件成本，无法在城市进行广泛应用与推广。
发明内容
本发明的目的在于：为了解决上述技术问题，本发明提供一种基于增强型学习算法的非均匀无人机网格化监测方法，结合导航定位、信号分析、无人机位置报送无线协议等技术实现对城市低慢小无人机目标的网格化监控，形成适用于城市低慢小无人机大范围监控方案。
本发明为了实现上述目的具体采用以下技术方案：
一种基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：包括如下步骤：
步骤1、将城市防御目标按安全划分等级，分为要害目标、限制目标、一般目标和其它目标四个等级；
步骤2、以单个防控目标周边半径1公里到3公里的圆形区域划分防控区域，多个防控目标周边3公里到5公里的多边形区域作为防控区域，防控区域加外边界外延2公里范围内作为视野区域，作为监控区域范围；
其中监视区内，采用无线电探测手段，接收并筛选疑似无人机图传和遥控器的无线信号；控制区内采用雷达探测加光电探测手段确认监视区发现的无人机目标以及监视区内未发现的无人机目标(采取惯性导航或者无线电静默目标)；核心区采用光电探测和激光雷达成像方法确认并跟踪无人机目标。
步骤3、将监控区域按照目标安全等级、地形因素、信号干扰因素、保密因素作为主要因素，对监控区域进行标识；
步骤4、每个监控区域按照监控装置的作用范围设置1到N个格点，相邻4个格点构成网格，为每个网格区域引入无人机历史飞行次数和周期内的飞行频次作为热度指标、地形建筑特征作为复杂度指标、目标安全等级作为重要性指标、无人机搜索难度作为困难性指标、以无人机可能对防御目标造成的破坏作为威胁指标，网格划分不断的增强型学习；
步骤5、根据步骤4中的所有指标可综合评估网格格点发生无人机飞行概率、无人机搜索难度和无人机对目标的威胁程度：对于只包含单个防御目标的区域，统计监视区域内的各指标；对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
步骤6、对步骤5各指标权重规定阈值，对于重要网格点构成的防御/监视区域，增加网格点附近布设的监视设备个数，对于非重要网格点，减少网格点附近布设的监视设备个数，形成非均匀的监视网络，以增加设备安装合理性和经济性。
进一步地，步骤1中，根据国家公布的禁飞、限飞和准飞区域要求，对城市目标进行分级：要害目标指涉及政府驻地、军事基地、民航机场、监狱看守所、电厂、水库、核电站等重要单位；限制目标指如学校、体育场馆、车站等单位；一般目标指如公园、开阔地、旅游景点或者道路等开放单位；其它目标指居民区、停车场等未被列入上述目标的单位。
进一步地，步骤2中，对于单个防御目标所在的圆形监控区域，按照同心圆方式将监控区域按半径1公里、1-3公里、3-5公里三个同心圆环区域划分为核心区、控制区和监视区；对于多个防御目标所在的多边形监控区域，按照所在多变型边界内部1公里，1-3公里，外部3-5公里划分为核心区、控制区和监视区。
进一步地，步骤4中，热度指标1＝区域无人机历史飞行次数/所有区域无人机历史飞行总次数；热度指标2＝区域一定周期的无人机飞行次数/无人机历史飞行次数；复杂度指标＝建筑密集度或地形变化指标；重要性指标＝目标属性、保密等级或防爆安全性等级；困难性指标＝发现无人机飞行次数/捕获无人机次数；威胁性指标＝泄密风险系数或经济损失。
进一步地，网格划分的增强型学习方法，包括如下步骤：
1、根据各防御单位的地理坐标(经纬度)，利用K-means方法进行聚类，将防区按照远近距离分成多个圆形区域；
2、统计各圆形区域所包含的防御点个数和密度；
3、根据单个区域的指标和历史数据，计算区域各指标：
a、对于只包含单个防御目标的区域，统计监视区域内的各指标；
b、对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
c、计算防御目标所在区域的重要指标，按照核心区、限制区和监视区进行区分。
对上述指标各权重规定阈值，对于重要网格点构成的防御/监视区域，增加网格点附近布设的监视设备个数，对于非重要网格点，减少网格点附近布设的监视设备个数，形成非均匀的监视网络，以增加设备安装合理性和经济性。
本发明的有益效果如下：
本发明提供了一种非均匀网格的城市无人机网格化管理方法。该方法可精细化指导无人机监测系统的布设，特别适用本发明中的无人机监测装置。
本发明结合导航定位、信号分析、无人机位置报送无线协议等技术实现对城市低慢小无人机目标的网格化监控，形成适用于城市低慢小无人机大范围监控方案。
具体实施方式
为了本技术领域的人员更好的理解本发明，以下实施例对本发明作进一步详细描述。
实施例1
本实施例提供一种基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：包括如下步骤：
步骤1、将城市防御目标按安全划分等级，分为要害目标、限制目标、一般目标和其它目标四个等级；
步骤2、以单个防控目标周边半径1公里到3公里的圆形区域划分防控区域，多个防控目标周边3公里到5公里的多边形区域作为防控区域，防控区域加外边界外延2公里范围内作为视野区域，作为监控区域范围；
步骤3、将监控区域按照目标安全等级、地形因素、信号干扰因素、保密因素作为主要因素，对监控区域进行标识；
步骤4、每个监控区域按照监控装置的作用范围设置1到N个格点，相邻4个格点构成网格，为每个网格区域引入无人机历史飞行次数和周期内的飞行频次作为热度指标、地形建筑特征作为复杂度指标、目标安全等级作为重要性指标、无人机搜索难度作为困难性指标、以无人机可能对防御目标造成的破坏作为威胁指标，网格划分不断的增强型学习；
其中，网格划分的增强型学习方法，包括如下步骤：
1)根据各防御单位的地理坐标(经纬度)，利用K-means方法进行聚类，将防区按照远近距离分成多个圆形区域；
2)统计各圆形区域所包含的防御点个数和密度；
3)根据单个区域的指标和历史数据，计算区域各指标：
a、对于只包含单个防御目标的区域，统计监视区域内的各指标；
b、对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
c、计算防御目标所在区域的重要指标，按照核心区、限制区和监视区进行区分。
步骤5、根据步骤4中的所有指标可综合评估网格格点发生无人机飞行概率、无人机搜索难度和无人机对目标的威胁程度：对于只包含单个防御目标的区域，统计监视区域内的各指标；对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
步骤6、对步骤各指标权重规定阈值，对于重要网格点构成的防御/监视区域，增加网格点附近布设的监视设备个数，对于非重要网格点，减少网格点附近布设的监视设备个数，形成非均匀的监视网络，以增加设备安装合理性和经济性。
步骤1中，根据国家公布的禁飞、限飞和准飞区域要求，对城市目标进行分级：要害目标指涉及政府驻地、军事基地、民航机场、监狱看守所、电厂、水库、核电站等重要单位；限制目标指如学校、体育场馆、车站等单位；一般目标指如公园、开阔地、旅游景点或者道路等开放单位；其它目标指居民区、停车场等未被列入上述目标的单位。
实施例2
本实施例是在实施例1的基础上做了进一步的优化，具体是：
进一步地，步骤2中，对于单个防御目标所在的圆形监控区域，按照同心圆方式将监控区域按半径1公里、1-3公里、3-5公里三个同心圆环区域划分为核心区、控制区和监视区；对于多个防御目标所在的多边形监控区域，按照所在多变型边界内部1公里，1-3公里，外部3-5公里划分为核心区、控制区和监视区。
步骤4中，热度指标1＝区域无人机历史飞行次数/所有区域无人机历史飞行总次数；热度指标2＝区域一定周期的无人机飞行次数/无人机历史飞行次数，周期可以设定为1个月，1年或者自主定义。
复杂度指标＝建筑密集度或地形变化指标，其中，建筑密集度＝区域内平均每平方公里建筑数量＝区域内总建筑数/区域面积；地形变化指标＝地形等高线疏密度，按照等高线疏密划分为3级别。0级：平均坡度小于10度，1级：平均坡度大于10度小于30度，2级：平均坡度大于30度。
重要性指标＝目标属性、保密等级或防爆安全性等级，目标属性＝[3非常重要、2重要、1一般]，保密等级＝[3绝密、2机密、1秘密、0普通]，防爆安全性等级＝[1级、2级、3级]。
困难性指标＝发现无人机飞行次数/捕获无人机次数或无人机平均搜索时间，平均搜索时间＝区域内总搜索时间/区域内搜索次数，单位秒；
威胁性指标＝泄密风险系数或经济损失，泄密风险系数＝[3高风险、2中风险、1一般风险、4低风险]，经济损失系数＝损失经济总值/入侵无人机总价值。
根据上述指标可综合评估网格格点发生无人机飞行概率、无人机搜索难度和无人机对目标的威胁程度等。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书的内容所作的等同变化，同理均应包含在本发明的保护范围内。

Claims (9)

1.一种基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：包括如下步骤：
步骤1、将城市防御目标按安全划分等级，分为要害目标、限制目标、一般目标和其它目标四个等级；
步骤2、以单个防控目标周边半径1公里到3公里的圆形区域划分防控区域，多个防控目标周边3公里到5公里的多边形区域作为防控区域，防控区域加外边界外延2公里范围内作为视野区域，作为监控区域范围；
步骤3、将监控区域按照目标安全等级、地形因素、信号干扰因素、保密因素作为主要因素，对监控区域进行标识；
步骤4、每个监控区域按照监控装置的作用范围设置1到N个格点，相邻4个格点构成网格，为每个网格区域引入无人机历史飞行次数和周期内的飞行频次作为热度指标、地形建筑特征作为复杂度指标、目标安全等级作为重要性指标、无人机搜索难度作为困难性指标、以无人机可能对防御目标造成的破坏作为威胁指标，网格划分不断的增强型学习；
步骤5、根据步骤4中的所有指标可综合评估网格格点发生无人机飞行概率、无人机搜索难度和无人机对目标的威胁程度：对于只包含单个防御目标的区域，统计监视区域内的各指标；对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
步骤6、对步骤5中的各指标权重规定阈值，对于重要网格点构成的防御/监视区域，增加网格点附近布设的监视设备个数，对于非重要网格点，减少网格点附近布设的监视设备个数，形成非均匀的监视网络。
2.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤1中，根据国家公布的禁飞、限飞和准飞区域要求，对城市目标进行分级：要害目标指涉及政府驻地、军事基地、民航机场、监狱看守所、电厂、水库、核电站等重要单位；限制目标指如学校、体育场馆、车站等单位；一般目标指如公园、开阔地、旅游景点或者道路等开放单位；其它目标指居民区、停车场等未被列入上述目标的单位。
3.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤2中，对于单个防御目标所在的圆形监控区域，按照同心圆方式将监控区域按半径1公里、1-3公里、3-5公里三个同心圆环区域划分为核心区、控制区和监视区；对于多个防御目标所在的多边形监控区域，按照所在多变型边界内部1公里，1-3公里，外部3-5公里划分为核心区、控制区和监视区。
4.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，网格划分的增强型学习方法，包括如下步骤：
1)根据各防御单位的地理坐标(经纬度)，利用K-means方法进行聚类，将防区按照远近距离分成多个圆形区域；
2)统计各圆形区域所包含的防御点个数和密度；
3)根据单个区域的指标和历史数据，计算区域各指标：
a)对于只包含单个防御目标的区域，统计监视区域内的各指标；
b)对于包含多个防御目标的区域，按照网格格点附近设施目标综合平均，即设施个数、设施重要性、格点距设施的距离进行加权平均和最大值加权；
c)计算防御目标所在区域的重要指标，按照核心区、限制区和监视区进行区分。
5.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，热度指标1＝区域无人机历史飞行次数/所有区域无人机历史飞行总次数；热度指标2＝区域一定周期的无人机飞行次数/无人机历史飞行次数，周期可以设定为1个月，1年或者自主定义。
6.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，，复杂度指标＝建筑密集度或地形变化指标，其中，建筑密集度＝区域内平均每平方公里建筑数量＝区域内总建筑数/区域面积；地形变化指标＝地形等高线疏密度，按照等高线疏密划分为3级别，0级：平均坡度小于10度，1级：平均坡度大于10度小于30度，2级：平均坡度大于30度。
7.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，重要性指标＝目标属性、保密等级或防爆安全性等级，目标属性＝[3非常重要、2重要、1一般]，保密等级＝[3绝密、2机密、1秘密、0普通]，防爆安全性等级＝[1级、2级、3级]。
8.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，困难性指标＝发现无人机飞行次数/捕获无人机次数或无人机平均搜索时间，平均搜索时间＝区域内总搜索时间/区域内搜索次数，单位秒。
9.根据权利要求1所述的基于增强型学习算法的无人机非均匀网格化监测方法，其特征在于：步骤4中，威胁性指标＝泄密风险系数或经济损失，泄密风险系数＝[3高风险、2中风险、1一般风险、4低风险]，经济损失系数＝损失经济总值/入侵无人机总价值。
CN202010929287.1A 2020-09-07 2020-09-07 一种基于增强型学习算法的非均匀无人机网格化监测方法 Pending CN112163598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010929287.1A CN112163598A (zh) 2020-09-07 2020-09-07 一种基于增强型学习算法的非均匀无人机网格化监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010929287.1A CN112163598A (zh) 2020-09-07 2020-09-07 一种基于增强型学习算法的非均匀无人机网格化监测方法

Publications (1)

Publication Number Publication Date
CN112163598A true CN112163598A (zh) 2021-01-01

Family

ID=73858342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010929287.1A Pending CN112163598A (zh) 2020-09-07 2020-09-07 一种基于增强型学习算法的非均匀无人机网格化监测方法

Country Status (1)

Country Link
CN (1) CN112163598A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862914A (zh) * 2021-02-04 2021-05-28 浙江科技学院 基于多层级多核心的低空飞行器防御区域可视化融合方法
CN113740884A (zh) * 2021-09-08 2021-12-03 中国人民解放军战略支援部队信息工程大学 低慢小无人飞行器目标诱骗干扰效果评估方法
CN113835446A (zh) * 2021-10-14 2021-12-24 中国人民解放军空军预警学院 预警机与无人机协同探测空域配置方法及设备
CN114322668A (zh) * 2021-12-15 2022-04-12 中国船舶重工集团公司第七0九研究所 一种用于要地防御的无人机反制辅助决策方法
CN114322668B (zh) * 2021-12-15 2024-04-19 中国船舶重工集团公司第七0九研究所 一种用于要地防御的无人机反制辅助决策方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104039009A (zh) * 2014-06-23 2014-09-10 西北大学 一种基于区域划分的目标无线设备定位方法
CN107070968A (zh) * 2016-12-27 2017-08-18 中国人民解放军空军预警学院监控系统工程研究所 对监控区域部署传感器的方法
CN109448365A (zh) * 2018-10-16 2019-03-08 北京航空航天大学 一种跨尺度空基平台区域道路交通系统综合监视方法
CN110764078A (zh) * 2019-01-25 2020-02-07 中国航空无线电电子研究所 一种低空无人机综合探测处置方法及其装置
CN111506974A (zh) * 2020-02-21 2020-08-07 中国民用航空总局第二研究所 一种无人机超低空飞行区域分类划设方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104039009A (zh) * 2014-06-23 2014-09-10 西北大学 一种基于区域划分的目标无线设备定位方法
CN107070968A (zh) * 2016-12-27 2017-08-18 中国人民解放军空军预警学院监控系统工程研究所 对监控区域部署传感器的方法
CN109448365A (zh) * 2018-10-16 2019-03-08 北京航空航天大学 一种跨尺度空基平台区域道路交通系统综合监视方法
CN110764078A (zh) * 2019-01-25 2020-02-07 中国航空无线电电子研究所 一种低空无人机综合探测处置方法及其装置
CN111506974A (zh) * 2020-02-21 2020-08-07 中国民用航空总局第二研究所 一种无人机超低空飞行区域分类划设方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何敬松;宗容;刘刚;王若男;: "网格化无线电监测网监测站点布局规划探索", 无线电工程, no. 09 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862914A (zh) * 2021-02-04 2021-05-28 浙江科技学院 基于多层级多核心的低空飞行器防御区域可视化融合方法
CN112862914B (zh) * 2021-02-04 2024-02-20 浙江科技学院 基于多层级多核心的低空飞行器防御区域可视化融合方法
CN113740884A (zh) * 2021-09-08 2021-12-03 中国人民解放军战略支援部队信息工程大学 低慢小无人飞行器目标诱骗干扰效果评估方法
CN113835446A (zh) * 2021-10-14 2021-12-24 中国人民解放军空军预警学院 预警机与无人机协同探测空域配置方法及设备
CN113835446B (zh) * 2021-10-14 2023-06-16 中国人民解放军空军预警学院 预警机与无人机协同探测空域配置方法及设备
CN114322668A (zh) * 2021-12-15 2022-04-12 中国船舶重工集团公司第七0九研究所 一种用于要地防御的无人机反制辅助决策方法
CN114322668B (zh) * 2021-12-15 2024-04-19 中国船舶重工集团公司第七0九研究所 一种用于要地防御的无人机反制辅助决策方法

Similar Documents

Publication Publication Date Title
CN112163598A (zh) 一种基于增强型学习算法的非均匀无人机网格化监测方法
US11782186B2 (en) Edge intelligence powered security solutions and other applications for a smart city
Meng et al. A data-driven intelligent planning model for UAVs routing networks in mobile Internet of Things
Ray et al. DeAIS project: Detection of AIS spoofing and resulting risks
Kharchenko et al. Analysis of unmanned aircraft systems application in the civil field
US11790762B2 (en) Edge intelligence powered security solutions and other applications for a smart city
JP2018505474A5 (zh)
Pathiyil et al. Enabling safe operations of unmanned aircraft systems in an urban environment: a preliminary study
Liao et al. Enable UAVs safely flight in low-altitude: A Preliminary research of the public air route network of UAVs
Lazatin A method for risk estimation analysis for unmanned aerial system operation over populated areas
Wallace et al. Exploring commercial counter-uas operations: A case study of the 2017 dominican republic festival presidente
CN212158332U (zh) 无人机识别探测装置
CN111986523A (zh) 一种城市低慢小无人机目标监测装置及监测方法
Alves et al. Lightning prediction using satellite atmospheric sounding data and feed-forward artificial neural network
Feng et al. UAS traffic management in low-altitude airspace based on three dimensional digital aerial corridor system
Oyinloye et al. Pipeline right-of-way encroachment in Arepo, Nigeria
Lefeuvre et al. Radio science's contribution to disaster emergencies
Graham GPS use in US critical infrastructure and emergency communications
Sharov et al. Analysis of navigational and meteorological risks that influence civil aviation safety
Qi et al. Construction of integrated land‐space loss prevention and crime prevention system of prison
Subedi et al. Geospatial assessment of floods in western Nepal
Krisztián et al. The Possibilities of Supporting the Public Functions with Fleet and Force Tracking Systems
Wang et al. Research on risk map based on UAV safety operation indicators
Kniaziev et al. Thunderstorm warning systems
Belikova et al. Cluster Analysis Algorithms for RS and WWLLN Data Processing

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
TA01 Transfer of patent application right

Effective date of registration: 20210723

Address after: 450000 C15-2, 50, Wutong street, Zhengzhou new hi tech Industrial Development Zone, Henan

Applicant after: Zhengzhou chaos Information Technology Co.,Ltd.

Address before: No.3511, 1st floor, building 1, No.1, Anhua street, Konggang street, Shunyi District, Beijing

Applicant before: Beijing Beidou Tianxun Technology Co., Ltd

TA01 Transfer of patent application right