CN113064440B - 一种基于海洋模式的自适应观测方法 - Google Patents
一种基于海洋模式的自适应观测方法 Download PDFInfo
- Publication number
- CN113064440B CN113064440B CN202110275576.9A CN202110275576A CN113064440B CN 113064440 B CN113064440 B CN 113064440B CN 202110275576 A CN202110275576 A CN 202110275576A CN 113064440 B CN113064440 B CN 113064440B
- Authority
- CN
- China
- Prior art keywords
- observation
- cost function
- sampling
- constructing
- ocean
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 239000002245 particle Substances 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 15
- 238000010168 coupling process Methods 0.000 abstract description 15
- 238000005859 coupling reaction Methods 0.000 abstract description 15
- 238000013461 design Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于海洋模式的自适应观测方法,步骤一:构建采样背景场;步骤二:构建全局代价函数;步骤三:通过粒子群算法求解采样方案;步骤四:将采样结果用于数据同化;步骤五:更新采样方案。本发明充分利用了区域耦合模式预报数据完成了对海洋移动观测平台采样方案的设计。并将观测结果及时返回到模式中,完成对预报和采样方案的更新,形成闭环。降低了环境变化对采样方案造成的扰动,实现了对有限观测资源的充分利用。在提高了模式预报精度的情况下,增强了采样方案实时性。
Description
技术领域
本发明涉及一种自适应观测方法,尤其涉及一种基于海洋模式的自适应观测方法,属于数据同化和海洋观测领域。
背景技术
使用数值模式模拟和直接观测是研究海洋动力学的两种方式。随着大气和海洋相关研究的迅速发展,对于大气与海洋相关的数据精度和分辨率的要求也在不断提高。传统数值模式可以近似地反映海流、温度、盐度、海水密度等海洋环境信息的变化规律。然而其模拟预报结果离不开直接观测数据的修正。而直接观测得到的数据,由于设备的局限和观测点的不断变化,其结果难免存在误差。并且,由于海洋观测设备价格昂贵,仅仅依靠直接观测的方法获得足够的观测信息是困难的。数据同化方法能够结合数值模式预报和直接观测数据,从而改进模式初值和预报效果。因此将观测技术、模式预报和数据同化技术有机结合,能够大大提高观测资源的利用率,从而改善海洋数值模拟系统的预报效果。而改善后的预报值又能成为后续采样过程的重要参考。
AUV等移动观测平台相对于定点观测更具灵活性和机动性,可以有效弥补定点观测网的局限。因此对于海洋移动观测平台的路径规划,是当下海洋观测领域的一个研究热点。学者们在路径规划和自适应采样领域已经做了大量的工作。海洋移动观测平台的路径规划算法可划分为环境建模和路径搜索两类。常用环境建模方法主要有:栅格法、可视图法、维诺图法等,路径搜索算法主要包括人工势场法、快速步进法、A*算法、粒子群优化算法等。
粒子群优化算法在1995年被Kennedy和Eberhart提出。它源于对鸟群捕食的行为研究,是一种进化计算技术。其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。粒子群算法应用于海洋移动观测平台的路径规划时,易于实现且收敛速度快。申请号为200910100613.1的专利便申请了一种基于粒子群优化算法的移动机器人路径规划方法,该专利对机器人路径利用粒子群优化算法进行规划并对规划的路径进行了深度优先搜索。后续的研究中,粒子群算法经过了许多改进,并被应用于实际问题。例如申请号为201810464127.7的专利便申请了一种结合了Dijkstra算法优点的粒子群算法进行机器人路径规划,既增加了最优路径的平滑度,也提升了计算效率。
在应用模式预报信息进行海洋移动观测平台路径规划的研究中,Kevin D.Heaney等学者研究了基于遗传算法的海洋数据同化最优采样验证(Validation of geneticalgorithm-based optimal sampling for ocean data assimilation,2016)。该方法基于海洋模式,使用GA方法对水下滑翔机的采样路径进行规划,并将结果与其他方法对比,发现该方法能有效提高模式的预报精度。
发明内容
本发明的目的是为了有效利用观测资料,及时更新模式的预报信息和采样方案,进一步提高数值模拟系统的预报精度而提供一种基于海洋模式的自适应观测方法。
本发明的目的是这样实现的:
步骤一:构建采样背景场
获取模式在某段时间内的预报值,通过计算采样区域中各点随时间的变化程度,构建用于指导采样的背景场。
步骤二:构建全局代价函数
在获得采样背景场的基础之上,加入其他必要的约束如避障约束、航程约束等,通过加权的方式构建全局代价函数。
步骤三:通过粒子群算法求解采样方案
通过基本粒子群算法求解全局代价函数,得到满足使全局代价函数值最小的最优采样方案。
步骤四:将采样结果用于数据同化
将采样结果运用数据同化技术结合海洋耦合模式的预报值,得到分析值,并作为初始条件完成下一阶段的预报。
步骤五:更新采样方案
以当前海洋移动观测平台的位置作为起点,终点不变,利用更新后的预报值,构建新的背景场,结合新背景场构成的全局代价函数对采样路径进行重新规划。
所述步骤一种构建背景场的方法表示为:
所述步骤二中构建全局代价函数的方法表示为:
F=c1w1Fσ+c2w2D+c3w3P+B
其中c1,c2,c3为标准化系数,用来保证各局部代价函数的数值保持在同一数量级,w1,w2,w3为权重系数,确定各局部代价函数所占有的权重,Fσ为基于背景场构建的局部代价函数;D为距离势约束,确保各采样点之间间隔一定的距离,避免重复采样;P为航程约束即路径的总长度;B为边界条件;
所述步骤三中粒子群算法的基本公式为:
vid=ωvid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xgd)
Xid=Xid+vid
其中,ω为惯性系数,C1与C2为加速度常数,vid代表粒子的移动速度,Xid代表粒子的位置。
与现有技术相比,本发明的有益效果是:
本发明充分利用了区域耦合模式预报数据完成了对海洋移动观测平台采样方案的设计。并将观测结果及时返回到模式中,完成对预报和采样方案的更新,形成闭环。降低了环境变化对采样方案造成的扰动,实现了对有限观测资源的充分利用。在提高了模式预报精度的情况下,增强了采样方案实时性。
附图说明
图1是大气海洋数据同化流程图;
图2是基于海洋模式的自适应观测技术流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
步骤一:构建采样背景场
本发明使用区域耦合海洋模式的模式预报值作为构建背景场的依据,首先需要选择合适的海洋模式,然后对区域耦合海洋模式在有效预报时间内所得到的预报数据进行加工处理,最后得到用于设计采样方案的背景场。具体方法如下:
步骤1.1获取模式预报值
本发明在一个中等复杂程度的耦合环流模式(ICCM)的基础上进行对应的改动与调整。这个ICCM具有能量守恒特性,所以其在模拟大气、海洋以及陆地温度的演化过程方面具有独特的优势。本发明选择西北太平洋部分地区作为待测海域,以温度变化作为研究对象。
ICCM本质上是具有全球分辨率的耦合模式系统,其水平分辨率为3.75°。而如此粗的分辨率难以满足区域耦合/海洋环境精细化分析预报的需求,必须针对待测海域进行网格加密处理。在基于全球粗分辨率的环流模式ICCM的基础上,采用多层嵌套加密技术将西北太平洋部分区域(15-30°N,120-135°E区域)加密到水平分辨率1/10°。
基于上述多层嵌套的区域耦合模式系统,并结合一种结合最优观测时间窗口的耦合数据同化方法与一种模式参数敏感度决定的耦合多参数同步优化方法,构建区域耦合环境分析预报系统,实现区域耦合/海洋环境的分析预报,并输出未来5天内的海表温度分析预报信息。
步骤1.2完成背景场的构建
布设海洋观测网络的目的在于利用观测网络中观测平台捕捉海洋环境要素的变化特性,所以当观测资源有限时,观测更应该集中在变化剧烈的区域。在获取模式在某段时间内的预报值之后,通过计算采样区域中各点随时间的变化程度,构建用于指导采样的背景场。本发明中构建背景场的方法可以表示为:
步骤二:构建全局代价函数
获得采样背景场后,加入其他必要的约束如避障约束、航程约束等,通过加权的方式构建全局代价函数。构建全局代价函数的方法可表示为:
F=c1w1Fσ+c2w2D+c3w3P+B
其中c1,c2,c3为标准化系数,用来保证各局部代价函数的数值保持在同一数量级,w1,w2,w3为权重系数,确定各局部代价函数所占有的权重,Fσ为基于背景场构建的局部代价函数;D为距离势约束,确保各采样点之间间隔一定的距离,避免重复采样;P为航程约束即路径的总长度;B为边界条件。具体方法如下:
步骤2.1构建基于背景场的局部代价函数
步骤2.2构建基于多个平台之间的避碰与重叠约束的局部代价函数
对于单个移动观测平台而言,由于存在观测范围,所以观测点之间的距离需大于等于其观测范围半径的2倍才能有效避免观测出现重叠;而对于多移动平台的观测网而言,还应该考虑任意时刻各个观测平台测量点之间的距离。这里,以观测平台的测量范围为基准,考虑同一观测平台不同测量点间的间距约束以及不同观测平台之间的距离约束,引入距离势Ri,j来进行表征对应的局部代价函数D。Ri,j的数学表达式如下:
对应的局部代价函数D则为任意两点之间的距离势之和。(i,j)为路径上某观测点x的坐标。Lmax代表距离势约束的作用距离,一般大于等于其观测范围半径的2倍。
步骤2.3构建基于移动观测平台测量属性约束的局部代价函数
本发明针对观测平台的自身的测量属性(测量时间间隔、测量范围、续航里程)也构建了相应的局部代价函数。合理的观测点数量一方面要保证观测充足,另一方面要避免局部区域内出现重复观测。移动观测平台续航里程则对整个观测平台的观测轨迹的总长度P进行限制。对于多移动观测平台而言,则为多平台的观测轨迹的总长度均值。
步骤2.4构建基于移动观测平台避障约束的局部代价函数
对于固定存在障碍物,移动观测平台需要考虑避障,从而构建对应的避障约束的局部代价函数。为了满足任意时刻任意位置的避障需求,则避障需作为强约束条件。这里假设当观测路径穿过障碍物点时,则在代价函数上赋予一个极大的惩罚值B(惩罚值较代价函数值高好3个量级),即能使规划的最优观测路径偏移上述障碍点。
步骤三:通过粒子群算法求解采样方案
通过基本粒子群算法求解全局代价函数,得到满足使全局代价函数值最小的最优采样方案。粒子群算法的基本公式为:
vid=ωvid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xgd)
Xid=Xid+vid
其中,ω为惯性系数,C1与C2为加速度常数。vid代表粒子的移动速度,Xid代表粒子的位置。为了使算法更快更准确地找到最小值,需要反复试验确定参数ω、C1与C2的取值。本发明选取了一种各参数随算法迭代而变化的参数确定方法。在对最优解进行搜索的初始阶段,全局最小值只是从有限个个体最小值中选择出来的,为了避免结果陷入局部最小值,应该减小初始时刻全局最小值对粒子寻优的影响,因此要选择一个较大的C1和一个较小的C2。随着迭代次数的增加,C1逐渐减小而C2逐渐增大。此时C1、C2取值与迭代次数i的关系如下:
其中,Cmax与Cmin分别是C1与C2取值范围的最大值与最小值,i是迭代步数,而n为迭代次数的最大值。
同理,为了避免结果陷入局部最小值,在对最优解进行搜索的初始阶段要选择一个较大的步长,随着迭代次数的增大,步长逐渐减小,而与步长的设置相反,惯性系数ω则会随着迭代次数的增加而逐渐增大,即:
step代表步长值,stepmax、stepmin与ωmax、ωmin则分别代表step与ω取值范围的最大值与最小值。
步骤四:将采样结果用于数据同化
将采样结果运用数据同化技术结合海洋耦合模式的预报值,得到分析值,并作为初始条件完成下一阶段的预报。
步骤五:更新采样方案
如果区域海洋观测网只进行观测而不定时返回观测信息,则区域耦合/海洋环境要素的现报与预报数据将不会更新,观测方案也会依照初始时刻的规划而不会发生更改。但考虑到海洋环境的分析预报值较其真实值,依然存在误差,且随着预报时间的延长,误差会越来越明显,海洋移动观测网络观测方案也会偏离最优。而观测网络能定期返回实测的海洋要素信息,耦合/海洋环境预报系统通过融入这些海洋实测信息,即能有效的限制其模式误差的增长,减小随着预报时间延长而引起的误差。
耦合/海洋环境预报系统再定期预报出新的海洋环境要素的分析预报场,并基于这些更新后的海洋环境要素现报与预报信息构建新的局部代价函数以及相应的全局代价函数,进行全局优化求解,并以当前时刻的观测平台的位置作为后续观测平台观测轨迹规划的起点,即能得到更新后的区域海洋移动观测网络观测方案。
本发明在基本粒子群算法的基础上,结合海洋模式预报信息,提出了一种自适应观测技术。与原有技术相比,本发明的显著特征在于:不仅参考模式预报信息设计移动观测平台的采样方案,从而运用数据同化技术提高采样的精度。本发明中数据同化后的结果还将反馈给移动观测平台,完成对采样方案的改进。
Claims (4)
1.一种基于海洋模式的自适应观测方法,其特征在于,包括如下步骤:
步骤一:构建采样背景场
获取海洋模式在某段时间内的预报值,通过计算采样区域中各点随时间的变化程度,构建用于指导采样的背景场;
步骤二:构建全局代价函数
在获得采样背景场的基础之上,加入约束,通过加权的方式构建全局代价函数;
步骤三:通过粒子群算法求解采样方案
通过基本粒子群算法求解全局代价函数,得到满足使全局代价函数值最小的最优采样方案;
步骤四:将采样结果用于数据同化
将采样结果运用数据同化技术结合海洋模式的预报值,得到分析值,并作为初始条件完成下一阶段的预报;
步骤五:更新采样方案
以当前海洋移动观测平台的位置作为起点,终点不变,利用更新后的预报值,构建新的背景场,结合新背景场构成的全局代价函数对采样路径进行重新规划。
3.根据权利要求1所述的一种基于海洋模式的自适应观测方法,其特征在于,所述步骤二中构建全局代价函数的方法表示为:
F=c1w1Fσ+c2w2D+c3w3P+B
其中c1,c2,c3为标准化系数,用来保证各局部代价函数的数值保持在同一数量级,w1,w2,w3为权重系数,确定各局部代价函数所占有的权重,Fσ为基于背景场构建的局部代价函数;D为距离势约束,确保各采样点之间间隔一定的距离,避免重复采样;P为航程约束即路径的总长度;B为边界条件;具体方法如下:
步骤2.1构建基于背景场的局部代价函数
步骤2.2构建基于多个平台之间的避碰与重叠约束的局部代价函数
以观测平台的测量范围为基准,考虑同一观测平台不同测量点间的间距约束以及不同观测平台之间的距离约束,引入距离势Ri,j来进行表征对应的局部代价函数D,Ri,j的数学表达式如下:
对应的局部代价函数D则为任意两点之间的距离势之和,(i,j)为路径上某观测点x的坐标,Lmax代表距离势约束的作用距离,大于等于其观测范围半径的2倍;
步骤2.3构建基于移动观测平台测量属性约束的局部代价函数
针对观测平台的自身的测量属性:测量时间间隔、测量范围、续航里程,构建了相应的局部代价函数,合理的观测点数量一方面要保证观测充足,另一方面要避免局部区域内出现重复观测,移动观测平台续航里程则对整个观测平台的观测轨迹的总长度P进行限制,对于多移动观测平台而言,则为多平台的观测轨迹的总长度均值;
步骤2.4构建基于移动观测平台避障约束的局部代价函数
对于固定存在障碍物,移动观测平台需要考虑避障,从而构建对应的避障约束的局部代价函数,为了满足任意时刻任意位置的避障需求,则避障需作为强约束条件,假设当观测路径穿过障碍物点时,则在代价函数上赋予一个极大的惩罚值B,惩罚值较代价函数值高好3个量级,即能使规划的最优观测路径偏移上述障碍点。
4.根据权利要求1所述的一种基于海洋模式的自适应观测方法,其特征在于,所述步骤三中粒子群算法的基本公式为:
vid=ωvid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+vid
其中,ω为惯性系数,C1与C2为加速度常数,vid代表粒子的移动速度,Xid代表粒子的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275576.9A CN113064440B (zh) | 2021-03-15 | 2021-03-15 | 一种基于海洋模式的自适应观测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275576.9A CN113064440B (zh) | 2021-03-15 | 2021-03-15 | 一种基于海洋模式的自适应观测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064440A CN113064440A (zh) | 2021-07-02 |
CN113064440B true CN113064440B (zh) | 2022-08-02 |
Family
ID=76560517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275576.9A Active CN113064440B (zh) | 2021-03-15 | 2021-03-15 | 一种基于海洋模式的自适应观测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064440B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841442B (zh) * | 2022-05-10 | 2024-04-26 | 中国科学院大气物理研究所 | 一种应用于大气-海洋观测数据的强耦合方法以及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160079950A (ko) * | 2014-12-26 | 2016-07-07 | 주식회사 글로비트 | 해상가두리용 환경정보 통합관리 시스템 |
CN106485074A (zh) * | 2016-10-11 | 2017-03-08 | 哈尔滨工程大学 | 一种基于自适应采样率的海洋温盐场采样方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
CN108803313A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种基于海流预测模型的路径规划方法 |
CN108931243A (zh) * | 2018-04-17 | 2018-12-04 | 哈尔滨工程大学 | 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法 |
CN109870914A (zh) * | 2019-03-14 | 2019-06-11 | 哈尔滨工程大学 | 一种机动浮标在随机海浪干扰下的自守卫控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155811B2 (en) * | 2008-12-29 | 2012-04-10 | General Electric Company | System and method for optimizing a path for a marine vessel through a waterway |
-
2021
- 2021-03-15 CN CN202110275576.9A patent/CN113064440B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160079950A (ko) * | 2014-12-26 | 2016-07-07 | 주식회사 글로비트 | 해상가두리용 환경정보 통합관리 시스템 |
CN106485074A (zh) * | 2016-10-11 | 2017-03-08 | 哈尔滨工程大学 | 一种基于自适应采样率的海洋温盐场采样方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
CN108931243A (zh) * | 2018-04-17 | 2018-12-04 | 哈尔滨工程大学 | 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法 |
CN108803313A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种基于海流预测模型的路径规划方法 |
CN109870914A (zh) * | 2019-03-14 | 2019-06-11 | 哈尔滨工程大学 | 一种机动浮标在随机海浪干扰下的自守卫控制方法 |
Non-Patent Citations (7)
Title |
---|
Statistical Methods in Ocean Prediction;Yuxin Zhao等;《Global Oceans 2020: Singapore – U.S. Gulf Coast》;20201030;1-7 * |
Validation of genetic algorithm‑based optimal sampling for ocean data assimilation;Kevin等;《Ocean Dynamics》;20161231;第66卷;1209-1229 * |
基于多层混合模型的非高斯海洋背景场表示;贾平生等;《电声技术》;20180205(第02期);44-53 * |
欠驱动USV实时自主避障路径规划算法;董蛟等;《电光与控制》;20201231(第05期);14-17+55 * |
海洋水下立体观测技术装备发展研究;马蕊,等;《中国工程科学》;20201231;第22卷(第6期);19-25 * |
海洋环境下基于量子行为粒子群优化的时间最短路径规划方法;冯炜等;《海军工程大学学报》;20171215(第06期);76-81 * |
海洋观测中的实时操作系统分析研究;李亚文,等;《海洋技术学报》;20150430;第32卷(第2期);39-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN113064440A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110160526B (zh) | 基于遗传算法的航线规划方法 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN103968841B (zh) | 一种基于改进萤火虫算法的auv三维航路规划方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
Zhang et al. | Application of improved multi-objective ant colony optimization algorithm in ship weather routing | |
CN112556686B (zh) | 可预测动态时空环境的最短时间路径规划方法 | |
CN105160441B (zh) | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
CN113064440B (zh) | 一种基于海洋模式的自适应观测方法 | |
CN111291520B (zh) | 一种优化空间效率的海洋锚定浮标站位智能选址方法 | |
Chowdhury et al. | Optimal path planning of autonomous marine vehicles in stochastic dynamic ocean flows using a GPU-accelerated algorithm | |
Li et al. | UAV trajectory optimization for spectrum cartography: a PPO approach | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN113704695A (zh) | 一种适用于区域数值模式集合模拟预报的初值小扰动法 | |
Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
CN104899464B (zh) | 一种适应噪声条件下的抽样学习机遥感定量反演方法 | |
Ma et al. | Solving Heterogeneous USV Scheduling Problems by Problem-Specific Knowledge Based Meta-Heuristics with Q-Learning | |
Chang et al. | Neural network with multi-trend simulating transfer function for forecasting typhoon wave | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
Ding | Neural-network prediction with noisy predictors | |
Wang et al. | XiHe: A Data-Driven Model for Global Ocean Eddy-Resolving Forecasting | |
Zhang et al. | Density-weighted ant colony algorithm for ship trajectory reconstruction | |
Zhao et al. | A Periodically Updated Adaptive Sampling Framework for Marine Mobile Observation Platforms | |
CN117471575B (zh) | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
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 |