CN112203215A - 基于海上无线组网的海上搜救系统及方法 - Google Patents
基于海上无线组网的海上搜救系统及方法 Download PDFInfo
- Publication number
- CN112203215A CN112203215A CN202010887478.6A CN202010887478A CN112203215A CN 112203215 A CN112203215 A CN 112203215A CN 202010887478 A CN202010887478 A CN 202010887478A CN 112203215 A CN112203215 A CN 112203215A
- Authority
- CN
- China
- Prior art keywords
- search
- rescue
- data
- probability distribution
- random particles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000006855 networking Effects 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 112
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000009429 distress Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 85
- 238000004458 analytical method Methods 0.000 claims description 44
- 230000000739 chaotic effect Effects 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000005284 excitation Effects 0.000 claims description 18
- 238000013499 data model Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013529 biological neural network Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线组网技术领域，具体涉及基于海上无线组网的海上搜救系统及方法，所述系统包括：由若干无线基站、若干路由节点和若干搜救节点组成的海上搜救网络、通信网、监听服务器、数据服务器、加密服务器和远程监控服务器；所述搜救节点，配置用于接收搜救目标发送的遇险信号，生成分别与所述搜救目标等效的多个随机粒子，将生成的随机粒子发送至路由节点；所述路由节点，配置用于将接收到的随机粒子，发送到无线基站；所述无线基站通过通信网将接收到的随机粒子发送到监听服务器和数据服务器；其通过无线组网技术，在搜救现场广泛布置搜救节点，多个节点之间协同工作，确定最佳搜救区域，无需人工进行搜救规划，具有搜救效率高的优点。
Description
技术领域
本发明属于无线组网技术领域，具体涉及基于海上无线组网的海上搜救系统及方法。
背景技术
海上搜救是指国家或者部门针对海上事故等做出的搜寻、救援等工作。海上搜救需要较 强的技术系统等支持，海上搜救仅靠个人的力量是远远不够的，全社会都应该联动起来。海 上搜救的求救渠道一定要畅通，海上搜救中心的求助电话要保证24小时都有人在维护，早求 救1分钟也许就能够少一分危险，挽救更多人的生命。海上搜救相比于陆地搜救有更多的不 可预测性，因此它的难度也更大。
现有的海上搜救系统基本采用交通工具进行搜救，在进行大范围的搜救过程中，其搜救 效率，搜救效果往往不佳。
组网技术就是网络组建技术，计算机网络的类型有很多，根据不同的组网技术有不同的 分类依据。设备组网配置的确定必须根据传输网络的实际需求来进行设计选择。
组网的基本网络结构有环形网和链形网。由于环形网具有良好的自愈能力， 因此只要路由分布允许，应尽可能组建环形网。铁路、公路沿线网，由于路由分 布的关系主要采用链形网。这种组网方式比较简单，使用的光纤数少，但对业务 通常不能实现保护。不过在条件允许的情况下，我们可以通过把链形网改造成环 形网来实现对业务的保护。链形网中只要各站之间的距离不太长(一般三个站之 间的最大距离≤80km)，而线路光缆又足够(四条光纤)时，我们也建议将其建 成环形网，将链形网建成环形网。
链形网变成环形网，网络的生存能力大大加强，其代价是多用了一对光纤。结合链形 网需要光纤数量少和环形网能够对重要业务进行保护的特点，可以根据实际情况采用链形网 与环形网混合组网。对于重要的业务采用环形组网方式，确保业务传输的可靠性；对不重要 的业务采用链形组网方式，保证组网的经济性。
发明内容
本发明的主要目的在于提供基于海上无线组网的海上搜救系统及方法，其通过无线组网 技术，在搜救现场广泛布置搜救节点，多个节点之间协同工作，确定最佳搜救区域，无需人 工进行搜救规划，具有搜救效率高的优点；同时，本发明的通过现场反馈的数据计算出一个 搜救区域，再通过对返回的数据进行模型计算，计算出第二个搜救区域，再两者结合计算出 最终的搜救区域，确定的搜救区域更加科学和准确。
为达到上述目的，本发明的技术方案是这样实现的：
基于海上无线组网的海上搜救系统，所述系统包括：由若干无线基站、若干路由节点和 若干搜救节点组成的海上搜救网络、通信网、监听服务器、数据服务器、加密服务器和远程 监控服务器；所述搜救节点，配置用于接收搜救目标发送的遇险信号，生成分别与所述搜救 目标等效的多个随机粒子，将生成的随机粒子发送至路由节点；所述路由节点，配置用于将 接收到的随机粒子，发送到无线基站；所述无线基站通过通信网将接收到的随机粒子发送到 监听服务器和数据服务器；所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当 前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时 间后随机粒子在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布 指定最优搜救区域，同时，将得到的最优搜救区域通过通信网发送至远程监控服务器；所述 数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常 值检测处理、数据规约处理和数据标准化处理，将处理后的结果发送至加密服务器和远程监 控服务器；所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监 控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结 果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域。
进一步的，所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地 图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒 子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计算所述随机粒子分别在 相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不同遇险场景下的、相应 的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠加，得到所述随机粒子 在当前海域的地图上的综合漂移概率分布。
进一步的，所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、 处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方法执行以下步骤：对接 收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理；然后进行数据规约处 理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从 大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间中；最后得处理后的 新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按 比例缩放，使之落设定的区间。
进一步的，所述加密服务器，将接收到的结果进行数据加密的方法执行以下步骤：将数 据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进行加密；具体 包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列；按照如下公式，将 混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
进一步的，所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远 程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分 析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法执行以下步骤： 步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概率分布，根据计 算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上的综合漂移概率 分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2：将搜救区域分析 结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量；所述sin(x+1)i至 少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函数，用wi表示，将 最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设定一个激励函数， 所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中 间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终的搜 救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其 中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误差越来 越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重 w的值，直到模型误差达到最小后停止训练，完成模型创建。
一种基于海上无线组网的海上搜救方法，所述方法执行以下步骤：步骤1：由若干无线 基站、若干路由节点和若干搜救节点组成海上搜救网络；通信网、监听服务器、数据服务器、 加密服务器和远程监控服务器基于海上搜救网络，确定搜救区域；步骤2：搜救节点，配置 用于接收搜救目标发送的遇险信号，生成分别与所述搜救目标等效的多个随机粒子，将生成 的随机粒子发送至路由节点；步骤3：路由节点，将接收到的随机粒子，发送到无线基站； 无线基站通过通信网将接收到的随机粒子发送到监听服务器和数据服务器；步骤4：监听服 务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布， 根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综 合漂移概率分布，根据计算得到的综合漂移概率分布指定最优搜救区域，同时，将得到的最 优搜救区域通过通信网发送至远程监控服务器；步骤5：数据服务器，对接收到的随机粒子 进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据 标准化处理，将处理后的结果发送至加密服务器和远程监控服务器；步骤6：加密服务器， 将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到的结果进 行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建 立的数据模型，生成最终的搜救区域。
进一步的，所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地 图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒 子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计算所述随机粒子分别在 相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不同遇险场景下的、相应 的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠加，得到所述随机粒子 在当前海域的地图上的综合漂移概率分布。
进一步的，所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、 处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方法执行以下步骤：对接 收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理；然后进行数据规约处 理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从 大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间中；最后得处理后的 新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按 比例缩放，使之落设定的区间。
进一步的，所述加密服务器，将接收到的结果进行数据加密的方法执行以下步骤：将数 据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进行加密；具体 包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列；按照如下公式，将 混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
进一步的，所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远 程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分 析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法执行以下步骤： 步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概率分布，根据计 算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上的综合漂移概率 分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2：将搜救区域分析 结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量；所述sin(x+1)i至 少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函数，用wi表示，将 最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设定一个激励函数， 所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中 间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终的搜 救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其 中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误差越来 越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重 w的值，直到模型误差达到最小后停止训练，完成模型创建。
本发明的基于海上无线组网的海上搜救系统及方法，具有如下有益效果：其通过无线组 网技术，在搜救现场广泛布置搜救节点，多个节点之间协同工作，确定最佳搜救区域，无需 人工进行搜救规划，具有搜救效率高的优点；同时，本发明的通过现场反馈的数据计算出一 个搜救区域，再通过对返回的数据进行模型计算，计算出第二个搜救区域，再两者结合计算 出最终的搜救区域，确定的搜救区域更加科学和准确。主要通过以下过程实现：1.监听服务 器根据搜救节点获取的随机粒子计算概率分布：根据接收到到的随机粒子，计算随机粒子在 当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设 时间后随机粒子在当前海域的地图上的综合漂移概率分布；然后，根据计算得到的综合漂移 概率分布指定最优搜救区域，这样可以在基于初始数据计算出一个最优搜救区域，在随机粒 子还没有进行任何处理的情况下，计算出的搜救区域作为最终搜救区域确定的一部分，将极 大提升准确率；2.最终搜救区域的确定：远程监控服务器，将接收到的结果进行搜救区域分 析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建立的数据模型， 生成最终的搜救区域，基于最佳搜救区域和搜救区域分析结果，得到的最终的搜救区域，确 定的搜救区域更加科学和准确；3.数据的处理和加密：针对获取的随机粒子进行数据的保存， 但由于搜救数据对于保密性要求较高，所以针对该数据进行加密，加密服务器进行加密的过 程，基于混沌调制进行，将数据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后 的每一行数据进行加密，相较于现有技术的加密方法，其加密安全性更高。
附图说明
图1为本发明的实施例提供的基于海上无线组网的海上搜救系统的系统结构示意图；
图2为本发明的实施例提供的基于海上无线组网的海上搜救方法的方法流程示意图；
图3为本发明的实施例提供的基于海上无线组网的海上搜救系统及方法的搜救方法流程 示意图；
图4为本发明的实施例提供的基于海上无线组网的海上搜救系统及方法的数据处理流程 示意图；
图5为本发明的实施例提供的基于海上无线组网的海上搜救系统及方法的加密服务器的 加密流程示意图；
图6为本发明的实施例提供的基于海上无线组网的海上搜救系统及方法的组网网络的网 路吞吐量随着节点数量的曲线变化示意图与现有技术的对比实验效果示意图。
图7为本发明的实施例提供的基于海上无线组网的海上搜救系统及方法的组网网络的平 均传输延时随着节点数量的曲线变化示意图与现有技术的对比实验效果示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：
实施例1
如图1所示，基于海上无线组网的海上搜救系统，所述系统包括：由若干无线基站、若 干路由节点和若干搜救节点组成的海上搜救网络、通信网、监听服务器、数据服务器、加密 服务器和远程监控服务器；所述搜救节点，配置用于接收搜救目标发送的遇险信号，生成分 别与所述搜救目标等效的多个随机粒子，将生成的随机粒子发送至路由节点；所述路由节点， 配置用于将接收到的随机粒子，发送到无线基站；所述无线基站通过通信网将接收到的随机 粒子发送到监听服务器和数据服务器；所述监听服务器，根据接收到到的随机粒子，计算随 机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布， 计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂 移概率分布指定最优搜救区域，同时，将得到的最优搜救区域通过通信网发送至远程监控服 务器；所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺 失值、异常值检测处理、数据规约处理和数据标准化处理，将处理后的结果发送至加密服务 器和远程监控服务器；所述加密服务器，将接收到的结果进行数据加密后，进行数据存储； 所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救 区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域。
采用上述技术方案，其通过无线组网技术，在搜救现场广泛布置搜救节点，多个节点之 间协同工作，确定最佳搜救区域，无需人工进行搜救规划，具有搜救效率高的优点；同时， 本发明的通过现场反馈的数据计算出一个搜救区域，再通过对返回的数据进行模型计算，计 算出第二个搜救区域，再两者结合计算出最终的搜救区域，确定的搜救区域更加科学和准确。 主要通过以下过程实现：1.监听服务器根据搜救节点获取的随机粒子计算概率分布：根据接 收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到 的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分 布；然后，根据计算得到的综合漂移概率分布指定最优搜救区域，这样可以在基于初始数据 计算出一个最优搜救区域，在随机粒子还没有进行任何处理的情况下，计算出的搜救区域作 为最终搜救区域确定的一部分，将极大提升准确率；2.最终搜救区域的确定：远程监控服务 器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最 优搜救区域输入预先建立的数据模型，生成最终的搜救区域，基于最佳搜救区域和搜救区域 分析结果，得到的最终的搜救区域，确定的搜救区域更加科学和准确；3.数据的处理和加密： 针对获取的随机粒子进行数据的保存，但由于搜救数据对于保密性要求较高，所以针对该数 据进行加密，加密服务器进行加密的过程，基于混沌调制进行，将数据按照每一行进行拆解， 得到拆解后的每一行数据；对拆解后的每一行数据进行加密，相较于现有技术的加密方法， 其加密安全性更高。
实施例2
在上一实施例的基础上，所述监听服务器，根据接收到到的随机粒子，计算随机粒子在 当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设 时间后随机粒子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计算所述随 机粒子分别在相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不同遇险场 景下的、相应的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠加，得到 所述随机粒子在当前海域的地图上的综合漂移概率分布。
实施例3
在上一实施例的基础上，所述数据服务器，对接收到的随机粒子进行数据处理，包括： 去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方法执行 以下步骤：对接收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理；然后 进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向 量、对特征值从大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间中； 最后得处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化 处理，将数据按比例缩放，使之落设定的区间。
具体的，在数据分析之前，我们通常需要先将数据标准化(normalization)，利用标准化 后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数 据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不 同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质， 使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要 解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score 标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指 标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
具体的，对于小型或中型数据集，一般的数据预处理步骤已经足够。但对真正大型数据 集来讲，在应用数据挖掘技术以前，更可能采取一个中间的、额外的步骤-数据归约。本步骤 中简化数据的主题是维归约，主要问题是是否可在没有牺牲成果质量的前提下，丢弃这些已 准备和预处理的数据，能否在适量的时间和空间里检查已准备的数据和已建立的子集。
对数据的描述，特征的挑选，归约或转换是决定数据挖掘方案质量的最重要问题。在实 践中，特征的数量可达到数百，如果我们只需要上百条样本用于分析，就需要进行维归约， 以挖掘出可靠的模型；另一方面，高维度引起的数据超负，会使一些数据挖掘算法不实用， 唯一的方法也就是进行维归约。预处理数据集的3个主要维度通常以平面文件的形式出现： 列(特征)，行(样本)和特征的值，数据归约过程也就是三个基本操作：删除列，删除行， 减少列中的值。
实施例4
在上一实施例的基础上，所述加密服务器，将接收到的结果进行数据加密的方法执行以 下步骤：将数据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进 行加密；具体包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列； 按照如下公式，将混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
实施例5
在上一实施例的基础上，所述加密服务器，将接收到的结果进行数据加密后，进行数据 存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果， 将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法 执行以下步骤：步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概 率分布，根据计算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上 的综合漂移概率分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2： 将搜救区域分析结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量； 所述sin(x+1)i至少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函 数，用wi表示，将最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设 定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值 为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为： 
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终 的搜救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误 差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调 整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
具体的，生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑 是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个 神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网 络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在 探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要 任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应 的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此， 生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。
实施例6
如图2所示，一种基于海上无线组网的海上搜救方法，所述方法执行以下步骤：步骤1： 由若干无线基站、若干路由节点和若干搜救节点组成海上搜救网络；通信网、监听服务器、 数据服务器、加密服务器和远程监控服务器基于海上搜救网络，确定搜救区域；步骤2：搜 救节点，配置用于接收搜救目标发送的遇险信号，生成分别与所述搜救目标等效的多个随机 粒子，将生成的随机粒子发送至路由节点；步骤3：路由节点，将接收到的随机粒子，发送 到无线基站；无线基站通过通信网将接收到的随机粒子发送到监听服务器和数据服务器；步 骤4：监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初 始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域 的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布指定最优搜救区域，同时， 将得到的最优搜救区域通过通信网发送至远程监控服务器；步骤5：数据服务器，对接收到 的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约 处理和数据标准化处理，将处理后的结果发送至加密服务器和远程监控服务器:步骤6：加密 服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到 的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输 入预先建立的数据模型，生成最终的搜救区域。
实施例7
参考图3，在上一实施例的基础上，所述监听服务器，根据接收到到的随机粒子，计算 随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布， 计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计 算所述随机粒子分别在相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不 同遇险场景下的、相应的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠 加，得到所述随机粒子在当前海域的地图上的综合漂移概率分布。
实施例8
参考图4，上一实施例的基础上，所述数据服务器，对接收到的随机粒子进行数据处理， 包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方 法执行以下步骤：对接收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理； 然后进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特 征向量、对特征值从大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间 中；最后得处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标 准化处理，将数据按比例缩放，使之落设定的区间。
实施例9
在上一实施例的基础上，所述加密服务器，将接收到的结果进行数据加密的方法执行以 下步骤：将数据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进 行加密；具体包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列； 按照如下公式，将混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
如图5所示，将数据按照每一行拆解后，在数据的尾部添加一个分隔符，便于后续的混 沌调制。
实施例10
在上一实施例的基础上，所述加密服务器，将接收到的结果进行数据加密后，进行数据 存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果， 将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法 执行以下步骤：步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概 率分布，根据计算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上 的综合漂移概率分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2： 将搜救区域分析结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量； 所述sin(x+1)i至少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函 数，用wi表示，将最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设 定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值 为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为： 
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终 的搜救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误 差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调 整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
参考图6和图7；本发明的组网技术，将搜救节点合理进行布置，单位时间内，搜救节 点采集到的数据，发送至路由节点的量将显著高于现有技术；同时，由于搜救节点的数据发 送到无线基站的平均传输延时也将减少。
现有技术中，一般使用局域网进行组网，将小区域内的各种通信设备互连在一起所形成 的网络，覆盖范围一般局限在房间、大楼或园区内。局域网的特点是：距离短、延迟小、数 据速率高、传输可靠。
常见的局域网类型包括：以太网(Ethernet)、令牌环网(TokenRing)、光纤分布式数据 接口(FDDI)、异步传输模式(ATM)等，它们在拓朴结构、传输介质、传输速率、数据格式等多方面都有许多不同。
以太网是当前应用最普遍的局域网技术。以太网最早是由Xerox(施乐)公司创建的， 在1980年由DEC、Intel和Xerox三家公司联合开发为一个标准。以太网是应用最为广泛的 局域网，包括标准以太网(10Mbps)、快速以太网(100Mbps)、千兆以太网(1000Mbps)和10G以太网，它们都符合IEEE802.3系列标准规范。
其传输延时和网络吞吐量均难以满足海上搜救的需求。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所 做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制 约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的 具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在 实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例 中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以 进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及 的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装 置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不 再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方 法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的 程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式 的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一 般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方 法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或 先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要 素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要 素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术 人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的 原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替 换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.基于海上无线组网的海上搜救系统，其特征在于，所述系统包括：由若干无线基站、若干路由节点和若干搜救节点组成的海上搜救网络、通信网、监听服务器、数据服务器、加密服务器和远程监控服务器；所述搜救节点，配置用于接收搜救目标发送的遇险信号，生成分别与所述搜救目标等效的多个随机粒子，将生成的随机粒子发送至路由节点；所述路由节点，配置用于将接收到的随机粒子，发送到无线基站；所述无线基站通过通信网将接收到的随机粒子发送到监听服务器和数据服务器；所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布指定最优搜救区域，同时，将得到的最优搜救区域通过通信网发送至远程监控服务器；所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理，将处理后的结果发送至加密服务器和远程监控服务器；所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域。
2.如权利要求1所述的系统，其特征在于，所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计算所述随机粒子分别在相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不同遇险场景下的、相应的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠加，得到所述随机粒子在当前海域的地图上的综合漂移概率分布。
3.如权利要求2所述的系统，其特征在于，所述所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方法执行以下步骤：对接收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理；然后进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间中；最后得处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落设定的区间。
4.如权利要求3所述的系统，其特征在于，所述所述加密服务器，将接收到的结果进行数据加密的方法执行以下步骤：将数据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进行加密；具体包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列；按照如下公式，将混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
5.如权利要求4所述的系统，其特征在于，所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法执行以下步骤：步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2：将搜救区域分析结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量；所述sin(x+1)i至少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函数，用wi表示，将最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终的搜救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
6.一种基于权利要求1至5之一所述系统的基于海上无线组网的海上搜救方法，其特征在于，所述方法执行以下步骤：步骤1：由若干无线基站、若干路由节点和若干搜救节点组成海上搜救网络；通信网、监听服务器、数据服务器、加密服务器和远程监控服务器基于海上搜救网络，确定搜救区域；步骤2：搜救节点，配置用于接收搜救目标发送的遇险信号，生成分别与所述搜救目标等效的多个随机粒子，将生成的随机粒子发送至路由节点；步骤3：路由节点，将接收到的随机粒子，发送到无线基站；无线基站通过通信网将接收到的随机粒子发送到监听服务器和数据服务器；步骤4：监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布指定最优搜救区域，同时，将得到的最优搜救区域通过通信网发送至远程监控服务器；步骤5：数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理，将处理后的结果发送至加密服务器和远程监控服务器:步骤6：加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域。
7.如权利要求6所述的方法，其特征在于，所述监听服务器，根据接收到到的随机粒子，计算随机粒子在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后随机粒子在当前海域的地图上的综合漂移概率分布的方法执行以下步骤：计算所述随机粒子分别在相应的遇险场景下、在当前海域的地图上的综合初始概率分布；将不同遇险场景下的、相应的随机粒子在所述当前海域的地图上的所述综合初始概率分布分布叠加，得到所述随机粒子在当前海域的地图上的综合漂移概率分布。
8.如权利要求7所述的方法，其特征在于，所述所述数据服务器，对接收到的随机粒子进行数据处理，包括：去除唯一属性、处理缺失值、异常值检测处理、数据规约处理和数据标准化处理的方法执行以下步骤：对接收到的随机粒子进行去除唯一属性、处理缺失值和异常值检测及处理；然后进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大特征向量、将数据转换到特征向量构建的新空间中；最后得处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落设定的区间。
9.如权利要求8所述的方法，其特征在于，所述所述加密服务器，将接收到的结果进行数据加密的方法执行以下步骤：将数据按照每一行进行拆解，得到拆解后的每一行数据；对拆解后的每一行数据进行加密；具体包括：进行混沌粗调制，
其中，所述f(sin(x+1))为调制后的结果，sin(x+1)i为混沌序列；按照如下公式，将混沌粗调制的结果进行混沌细调制，
其中，所述sin(x+1)i为混沌序列；将调制后的数据作为加密后的数据。
10.如权利要求9所述的方法，其特征在于，所述加密服务器，将接收到的结果进行数据加密后，进行数据存储；所述远程监控服务器，将接收到的结果进行搜救区域分析，得到搜救区域分析结果，将搜救区域分析结果和最优搜救区域输入预先建立的数据模型，生成最终的搜救区域的方法执行以下步骤：步骤1：根据接收到到的结果，计算结果在当前海域的地图上的综合初始概率分布，根据计算得到的所述综合初始概率分布，计算预设时间后结果在当前海域的地图上的综合漂移概率分布，根据计算得到的综合漂移概率分布指定搜救区域分析结果；步骤2：将搜救区域分析结果作为输入变量，用sin(x+1)i表示，其中，i代表该数据中的第i个变量；所述sin(x+1)i至少包括：搜救节点数量、路由节点数量和无线基站数量；设定一个权重函数，用wi表示，将最优搜救区域与相对应的权重函数进行卷积运算，得到第一中间结果；设定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
计算前向神经网络的训练误差；由于本次训练的输出变量E为“最终的搜救区域”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。反向传播更新权重w；为让误差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010887478.6A CN112203215A (zh) | 2020-08-28 | 2020-08-28 | 基于海上无线组网的海上搜救系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010887478.6A CN112203215A (zh) | 2020-08-28 | 2020-08-28 | 基于海上无线组网的海上搜救系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112203215A true CN112203215A (zh) | 2021-01-08 |
Family
ID=74006337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010887478.6A Pending CN112203215A (zh) | 2020-08-28 | 2020-08-28 | 基于海上无线组网的海上搜救系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112203215A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112929060A (zh) * | 2021-02-03 | 2021-06-08 | 中国水产科学研究院南海水产研究所 | 一种渔业船舶救助通讯系统及方法 |
| CN116981114A (zh) * | 2023-06-16 | 2023-10-31 | 三峡高科信息技术有限责任公司 | 一种基于自组网技术的搜救系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221448A (zh) * | 2011-05-20 | 2011-10-19 | 大连海事大学 | 一种确定海上搜救区域的方法、系统及搜救模拟器 |
| CN102711246A (zh) * | 2012-06-27 | 2012-10-03 | 上海海事大学 | 一种基于无线传感器网络的海上搜救系统及方法 |
| KR20150129898A (ko) * | 2014-05-12 | 2015-11-23 | 한국해양과학기술원 | 해상 수색 구조 시스템 및 이를 이용한 해상 수색 구조 방법 |
| CN105578388A (zh) * | 2015-12-17 | 2016-05-11 | 上海海事大学 | 一种海上搜救无线传感网络系统及其鲁棒路由方法 |
| CN108012328A (zh) * | 2017-12-29 | 2018-05-08 | 南通航运职业技术学院 | 一种基于无线传感器网络的水下搜救区域预测方法 |
| CN110752861A (zh) * | 2019-09-25 | 2020-02-04 | 浙江海洋大学 | 采用rake接收技术的水声混沌扩频通信系统及方法 |
-
2020
- 2020-08-28 CN CN202010887478.6A patent/CN112203215A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221448A (zh) * | 2011-05-20 | 2011-10-19 | 大连海事大学 | 一种确定海上搜救区域的方法、系统及搜救模拟器 |
| CN102711246A (zh) * | 2012-06-27 | 2012-10-03 | 上海海事大学 | 一种基于无线传感器网络的海上搜救系统及方法 |
| KR20150129898A (ko) * | 2014-05-12 | 2015-11-23 | 한국해양과학기술원 | 해상 수색 구조 시스템 및 이를 이용한 해상 수색 구조 방법 |
| CN105578388A (zh) * | 2015-12-17 | 2016-05-11 | 上海海事大学 | 一种海上搜救无线传感网络系统及其鲁棒路由方法 |
| CN108012328A (zh) * | 2017-12-29 | 2018-05-08 | 南通航运职业技术学院 | 一种基于无线传感器网络的水下搜救区域预测方法 |
| CN110752861A (zh) * | 2019-09-25 | 2020-02-04 | 浙江海洋大学 | 采用rake接收技术的水声混沌扩频通信系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHUBO WANG: "A Deep-Learning-Based Sea Search and Rescue Algorithm by UAV Remote Sensing", 《2018 IEEE CSAA GUIDANCE, NAVIGATION AND CONTROL CONFERENCE (CGNCC)》 * |
| 李哲麟: "基于神经网络的海上漂浮物漂移路线预测", 《中国新通信》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112929060A (zh) * | 2021-02-03 | 2021-06-08 | 中国水产科学研究院南海水产研究所 | 一种渔业船舶救助通讯系统及方法 |
| CN116981114A (zh) * | 2023-06-16 | 2023-10-31 | 三峡高科信息技术有限责任公司 | 一种基于自组网技术的搜救系统 |
| CN116981114B (zh) * | 2023-06-16 | 2024-02-13 | 三峡高科信息技术有限责任公司 | 一种基于自组网技术的搜救系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109005173B (zh) | 一种基于交通流密度差异的车联网异常入侵检测方法 | |
| CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
| Butakova et al. | Complex event processing for network anomaly detection in digital railway communication services | |
| CN112203215A (zh) | 基于海上无线组网的海上搜救系统及方法 | |
| Kong et al. | Multimedia data fusion method based on wireless sensor network in intelligent transportation system | |
| CN110798314B (zh) | 一种基于随机森林算法的量子密钥分发参数优化方法 | |
| CN112822189A (zh) | 一种流量识别方法及装置 | |
| Steinhardt et al. | A Method to Distinguish Quiescent and Dusty Star-forming Galaxies with Machine Learning | |
| Zhang et al. | Unknown network attack detection based on open‐set recognition and active learning in drone network | |
| Sonker et al. | A new procedure for misbehavior detection in vehicular ad-hoc networks using machine learning. | |
| Damastuti et al. | Classification of ship-based automatic identification systems using k-nearest neighbors | |
| CN112311608A (zh) | 一种多层异质网络空间节点表征方法 | |
| CN112115830A (zh) | 一种基于比特域特征提取的目标分布式融合识别方法 | |
| Samaan et al. | Feature-based real-time distributed denial of service detection in SDN using machine learning and Spark | |
| Mieczyńska et al. | K-means clustering for SAT-AIS data analysis | |
| da Silva et al. | Multichannel ALOHA optimization for federated learning with multiple models | |
| CN115660538B (zh) | 一种货物运输方法及系统 | |
| CN116847335A (zh) | 一种基于北斗三代的通信报文加密压缩系统 | |
| Sun et al. | Zero-shot multi-level feature transmission policy powered by semantic knowledge base | |
| Amosov et al. | Identification of information recourses threats based on intelligent technologies, fractal and wavelet analysis | |
| Shen et al. | Deep learning based source number estimation with single-channel mixtures | |
| Prathibha et al. | Efficient scheduling of workflow in cloud enviornment using billing model aware task clustering | |
| Govindarajan et al. | Network Traffic Prediction Using Radial Kernelized-Tversky Indexes-Based Multilayer Classifier. | |
| Achituve et al. | Communication efficient distributed learning over wireless channels | |
| Liu et al. | Integration method of wireless sensor network ciphertext database based on internet of things |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |