CN114548553A - 基于海浪图像遥感和人工智能海洋浮体运动预报系统 - Google Patents

基于海浪图像遥感和人工智能海洋浮体运动预报系统 Download PDF

Info

Publication number
CN114548553A
CN114548553A CN202210159402.0A CN202210159402A CN114548553A CN 114548553 A CN114548553 A CN 114548553A CN 202210159402 A CN202210159402 A CN 202210159402A CN 114548553 A CN114548553 A CN 114548553A
Authority
CN
China
Prior art keywords
floating body
data
big data
ocean
dynamic response
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
CN202210159402.0A
Other languages
English (en)
Inventor
李国旭
李可轩
周霞
李玉超
赵培博
权旭阳
李振强
钱耀博
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.)
Hainan Zhongnan Standard Quality Scientific Research Institute Co ltd
Original Assignee
Hainan Zhongnan Standard Quality Scientific Research Institute 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 Hainan Zhongnan Standard Quality Scientific Research Institute Co ltd filed Critical Hainan Zhongnan Standard Quality Scientific Research Institute Co ltd
Priority to CN202210159402.0A priority Critical patent/CN114548553A/zh
Publication of CN114548553A publication Critical patent/CN114548553A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及船舶与海洋工程领域，具体公开了基于海浪图像遥感和人工智能海洋浮体运动预报系统，包括：海洋环境传感器模块，用于获取浮体所在位置及周围的海洋环境大数据；浮体动力响应传感器模块，用于获取浮体动力响应大数据；数据预处理模块，用于判断海洋环境大数据和浮体动力响应大数据是否存在超阈值情况，若存在则直接生成第一报警指令，若不存在，则判断洋环境大数据和浮体动力响应大数据中是否存在非关联特征参数异常情况，若存在则生成第二报警指令。本方案可用于军、警、民的生产及安全信息采集、传输、汇集、存储以及浮体危险情况的预测，尤其是能够在出现未训练的样本时，进行提前的预警。

Description

基于海浪图像遥感和人工智能海洋浮体运动预报系统
技术领域
本发明涉及船舶与海洋工程领域，特别涉及基于海浪图像遥感和人工智能海洋浮体运动预报系统。
背景技术
海洋平台是人们探索海洋、开发海洋矿产资源的重要工具，广泛应用于海洋工程汇中的各个领域。从海洋平台的设计到营运的全生命周期内，海洋风浪环境及其所导致的海洋平台运动响应始终是平台海上作业与平台结构安全的主要影响因素。过大的海浪与平台运动会对海上吊装、采油、钻井、动力定位、平台直升机起飞降落等作业带来不利影响。
海洋风浪是引起平台运动外部激励的主要因素，而平台运动又会对平台海上作业和平台结构安全造成威胁。因而，平台周围海浪及平台的运动性能进行实时预报，对保障海洋浮体作业安全具有重要的意义。一方面，通过预报，可为开展钻井作业、直升机起飞降落、平台海上安装、平台起重作业等，提供一个安全的作业窗口；另一方面，海洋风浪及平台运动的实时预报信息又可作为动力定位系统的控制决策输入，提高海洋平台的定位性能。
关于浮体运动的实时预报，现有的方法主要基于海浪理论和浮体水动力学的建模方法。由于物理过程复杂，这类建模方法实现困难，需要很长的研制周期，而且需要投入的研究成本较大。而随着计算机水平的发展，人工智能技术得到了飞速发展，由于其具有强大的学习能力，人工智能技术被广泛用于分析复杂的物理问题。
针对这一情况，中国专利公开号为CN 107545250 A的文献中，公开了一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统。首先由海洋环境传感器模块获得海洋环境大数据，同时由浮体动力响应传感器模块获得浮体动力响应大数据，然后将两类数据传送给数据存储，再存储到数据库中，接着利用数据存储中存储的数据训练来训练人工智能学习模块，建立基于海洋图像输入的反应浮体运动的人工智能预报模型，最后由训练后的人工智能预报模型，并基于海洋环境大数据和浮体动力响应大数据，建立浮体运动响应实时预报模块，并将结果全部传送到辅助决策模块和计算机中。该发明声称为受浮体运动影响的海上作业提供安全的作业窗口和辅助决策信息，解决了如何在浮体发生摇荡情况下进行安全、高效作业的问题。
但是在实际使用过程中，该方案主要是通过获得浮体所在位置及周围的海洋环境大数据，然后获得浮体动力响应大数据，在然后存储到数据库中，利用大数据对浮体运动实时预报模型进行深度学习，对神经网络模型进行大量训练，建立基于海洋图像输入的反应浮体运动的人工智能预报模型；最后由训练后的人工智能预报模型，并基于传感器系统实时采集的海洋环境大数据和浮体动力响应大数据，建立浮体运动响应实时预报模块。这样的设计本质上就是依靠单一的神经网络模型，是最为基础的人工智能模型，在使用过程中，如果海洋环境大数据和获得浮体动力响应大数据出现了未训练的样本，则无法得到相关的预测结果。
发明内容
本发明提供了基于海浪图像遥感和人工智能海洋浮体运动预报系统，能够在出现未训练的样本时，进行提前的预警。
为了解决上述技术问题，本申请提供如下技术方案：
基于海浪图像遥感和人工智能海洋浮体运动预报系统，包括：
海洋环境传感器模块，用于获取浮体所在位置及周围的海洋环境大数据；
浮体动力响应传感器模块，用于获取浮体动力响应大数据；
数据预处理模块，用于判断海洋环境大数据和浮体动力响应大数据是否存在超阈值情况，若存在则直接生成第一报警指令，若不存在，则判断洋环境大数据和浮体动力响应大数据中是否存在非关联特征参数异常情况，若存在则生成第二报警指令；若不存在则生成正常处理指令；
人工智能学习模块，用于在接收到正常处理指令后，将洋环境大数据和浮体动力响应大数据输入至预先训练好的BP神经网络模型中，然后得到预测结果。
基础方案原理及有益效果如下：本方案可用于军、警、民的生产及安全信息采集、传输、汇集、存储以及浮体危险情况的预测。通过数据预处理模块提前对相关数据进行预先的判断，在超过神经网络模型的功能外，增加了预警，能够提升整个系统的可靠性。能够在出现未训练的样本时，进行提前的预警。
进一步，所述数据预处理模块还用于预测海洋浪高，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO-BP模型中，混沌粒子群优化算法(CPSO)在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO-BP模型或CPSO-ELM模型进行海洋预警领域浪高预测。
能够提升对海浪高度预测的准确性。机器学习方法能够在较短的时间内构建海浪高度预测模型。相对于传统浪高预测物理模型，本发明提供的海洋浪高预测方法，使用深度学习方法进行浪高预测有着准确性高、成本低、运行速度快的优点；在海洋预警中的浪高预测问题上，非常适合使用深度学习方法进行浪高预测。
进一步，所述在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面MSL、10米风速U分量U10、10米风速V分量V10、平均海波方向MWD、平均海波周期MWP五项特征。
能够提升输入数据的准确性。
进一步，所述的海洋环境传感器模块包括风速计、流速计、X波段导航雷达系统、双目视觉系统、随船浪高仪、集成数采、传感器采集终端，10米风速U分量U10、10米风速V分量V10通过上述设备获取到数值后，根据方位信息，得到10米风速U分量U10、10米风速V分量V10的准确信息；平均海波方向MWD、平均海平面MSL和平均海波周期MWP可由X波段导航雷达系统、双目视觉系统进行采集。
能够保证输入数据的准确获取。
进一步，所述X波段导航雷达系统为具有雷达跟踪功能的X波段导航雷达系统，包括距离跟踪支路、方位角跟踪支路和仰角跟踪支路。
能够更准确的获取相关数据。
进一步，所述的双目视觉系统包括左摄像机和右摄像机、操控单元、电源模块、测量模块、定位模块、交换机和安装支架，其中，测量模块包括两个军标级大面阵高灵敏度相机和定位支架，定位模块包括罗经、加速度计和差分GPS。
更加方便相关数据的获取。
进一步，所述的浮体动力响应大数据包括浮体的横摇、纵摇、艏摇、横荡、纵荡与垂荡即六个自由度的运动及关键作业区域的结构参数。
保证数据获取的全面性。
进一步，所述的浮体动力响应大数据还包括海浪影响深度数据，浮体动力响应传感器模块还包括海浪深度数据测量模块，海浪深度数据测量模块包括外壳、压力测量单元、数据传输线、拉力测量单元以及处理单元，外壳上设有引水孔，压力测量单元固定在外壳内，压力测量单元采集所受的压力数据并传输至数据传输线，数据传输线外设置有保护数据传输线的保护层，数据传输线的下端与外壳固定连接，数据传输线的另一端与拉力测量单元固定连接，数据传输线将压力数据传输至处理单元，拉力测量单元将所受的拉力数据传输至处理单元；处理单元根据压力数据和拉力数据是否存在周期性变化，判断海浪影响深度是否影响到外壳处所在深度，若同时存在压力数据和拉力数据周期性变化，且变化周期相同，则判断海浪影响深度为外壳处，增加数据传输线长度至压力数据和拉力数据变化周期不相同，根据数据传输线长度得到海浪影响深度数据。
能够对地质变化引起的海浪进行提前的预警。地质变化引起的海浪很容易形成海啸(传播至海岸时，海浪影响的深度会转化为海浪的高度，即海浪的动能转化为海浪的势能)。因此本方案能够较为准确的获取海浪影响深度数据，即能够保证浮体，又能够保证海岸的安全。
附图说明
图1为基于海浪图像遥感和人工智能海洋浮体运动预报系统实施例一的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
本实施例的基于海浪图像遥感和人工智能海洋浮体运动预报系统(如图1所示)，包括：
基于海浪图像遥感和人工智能海洋浮体运动预报系统，包括：
海洋环境传感器模块，用于获取浮体所在位置及周围的海洋环境大数据；
浮体动力响应传感器模块，用于获取浮体动力响应大数据；
数据预处理模块，用于判断海洋环境大数据和浮体动力响应大数据是否存在超阈值情况，若存在则直接生成第一报警指令，若不存在，则判断洋环境大数据和浮体动力响应大数据中是否存在非关联特征参数异常情况，若存在则生成第二报警指令；若不存在则生成正常处理指令；
人工智能学习模块，用于在接收到正常处理指令后，将洋环境大数据和浮体动力响应大数据输入至预先训练好的BP神经网络模型中，然后得到预测结果。所述数据预处理模块还用于预测海洋浪高，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO-BP模型中，混沌粒子群优化算法(CPSO)在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO-BP模型或CPSO-ELM模型进行海洋预警领域浪高预测。
所述在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面MSL、10米风速U分量U10、10米风速V分量V10、平均海波方向MWD、平均海波周期MWP五项特征。。
所述的海洋环境传感器模块包括风速计、流速计、X波段导航雷达系统、双目视觉系统、随船浪高仪、集成数采、传感器采集终端，10米风速U分量U10、10米风速V分量V10通过上述设备获取到数值后，根据方位信息，得到10米风速U分量U10、10米风速V分量V10的准确信息；平均海波方向MWD、平均海平面MSL和平均海波周期MWP可由X波段导航雷达系统、双目视觉系统进行采集。
所述的双目视觉系统包括左摄像机和右摄像机、操控单元、电源模块、测量模块、定位模块、交换机和安装支架，其中，测量模块包括两个军标级大面阵高灵敏度相机和定位支架，定位模块包括罗经、加速度计和差分GPS。
所述的浮体动力响应大数据包括浮体的横摇、纵摇、艏摇、横荡、纵荡与垂荡即六个自由度的运动及关键作业区域的结构参数。
具体使用时，本方案可用于军、警、民的生产及安全信息采集、传输、汇集、存储以及浮体危险情况的预测。通过数据预处理模块提前对相关数据进行预先的判断，在超过神经网络模型的功能外，增加了预警，能够提升整个系统的可靠性。能够在出现未训练的样本时，进行提前的预警。
由海洋环境传感器模块获得浮体所在位置及周围的海洋环境图像大数据，通过不同测量范围的传感器系统组合，构建测量范围能够覆盖浮体所在位置到周围几公里的海洋环境感知模块。
由浮体动力响应传感器模块获取浮体运动大数据。
在传感器采集终端上，通过集成数采由海洋环境传感器模块和浮体动力响应传感器模块实时获取海洋环境大数据和浮体动力响应大数据。
将海洋环境大数据和浮体动力响应大数据得到的数据输入至人工智能学习模块中，得到结果。
实施例二
本实施例和实施例一的区别在于，本实施例中，所述的浮体动力响应大数据还包括海浪影响深度数据，浮体动力响应传感器模块还包括海浪深度数据测量模块，海浪深度数据测量模块包括外壳、压力测量单元、数据传输线、拉力测量单元以及处理单元，外壳上设有引水孔，压力测量单元固定在外壳内，压力测量单元采集所受的压力数据并传输至数据传输线，数据传输线外设置有保护数据传输线的保护层，数据传输线的下端与外壳固定连接，数据传输线的另一端与拉力测量单元固定连接，数据传输线将压力数据传输至处理单元，拉力测量单元将所受的拉力数据传输至处理单元；处理单元根据压力数据和拉力数据是否存在周期性变化，判断海浪影响深度是否影响到外壳处所在深度，若同时存在压力数据和拉力数据周期性变化，且变化周期相同，则判断海浪影响深度为外壳处，增加数据传输线长度至压力数据和拉力数据变化周期不相同，根据数据传输线长度得到海浪影响深度数据。
本实施例能够对地质变化引起的海浪进行提前的预警。地质变化引起的海浪很容易形成海啸(传播至海岸时，海浪影响的深度会转化为海浪的高度，即海浪的动能转化为海浪的势能)。因此本方案能够较为准确的获取海浪影响深度数据，即能够保证浮体，又能够保证海岸的安全。
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：包括：
海洋环境传感器模块，用于获取浮体所在位置及周围的海洋环境大数据；
浮体动力响应传感器模块，用于获取浮体动力响应大数据；
数据预处理模块，用于判断海洋环境大数据和浮体动力响应大数据是否存在超阈值情况，若存在则直接生成第一报警指令，若不存在，则判断洋环境大数据和浮体动力响应大数据中是否存在非关联特征参数异常情况，若存在则生成第二报警指令；若不存在则生成正常处理指令；
人工智能学习模块，用于在接收到正常处理指令后，将洋环境大数据和浮体动力响应大数据输入至预先训练好的BP神经网络模型中，然后得到预测结果。
2.根据权利要求1所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述数据预处理模块还用于预测海洋浪高，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO-BP模型中，混沌粒子群优化算法(CPSO)在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO-BP模型或CPSO-ELM模型进行海洋预警领域浪高预测。
3.根据权利要求2所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面MSL、10米风速U分量U10、10米风速V分量V10、平均海波方向MWD、平均海波周期MWP五项特征。
4.根据权利要求3所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述的海洋环境传感器模块包括风速计、流速计、X波段导航雷达系统、双目视觉系统、随船浪高仪、集成数采、传感器采集终端，10米风速U分量U10、10米风速V分量V10通过上述设备获取到数值后，根据方位信息，得到10米风速U分量U10、10米风速V分量V10的准确信息；平均海波方向MWD、平均海平面MSL和平均海波周期MWP可由X波段导航雷达系统、双目视觉系统进行采集。
5.根据权利要求4所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述X波段导航雷达系统为具有雷达跟踪功能的X波段导航雷达系统，包括距离跟踪支路、方位角跟踪支路和仰角跟踪支路。
6.根据权利要求5所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述的双目视觉系统包括左摄像机和右摄像机、操控单元、电源模块、测量模块、定位模块、交换机和安装支架，其中，测量模块包括两个军标级大面阵高灵敏度相机和定位支架，定位模块包括罗经、加速度计和差分GPS。
7.根据权利要求6所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述的浮体动力响应大数据包括浮体的横摇、纵摇、艏摇、横荡、纵荡与垂荡即六个自由度的运动及关键作业区域的结构参数。
8.根据权利要求7所述的基于海浪图像遥感和人工智能海洋浮体运动预报系统，其特征在于：所述的浮体动力响应大数据还包括海浪影响深度数据，浮体动力响应传感器模块还包括海浪深度数据测量模块，海浪深度数据测量模块包括外壳、压力测量单元、数据传输线、拉力测量单元以及处理单元，外壳上设有引水孔，压力测量单元固定在外壳内，压力测量单元采集所受的压力数据并传输至数据传输线，数据传输线外设置有保护数据传输线的保护层，数据传输线的下端与外壳固定连接，数据传输线的另一端与拉力测量单元固定连接，数据传输线将压力数据传输至处理单元，拉力测量单元将所受的拉力数据传输至处理单元；处理单元根据压力数据和拉力数据是否存在周期性变化，判断海浪影响深度是否影响到外壳处所在深度，若同时存在压力数据和拉力数据周期性变化，且变化周期相同，则判断海浪影响深度为外壳处，增加数据传输线长度至压力数据和拉力数据变化周期不相同，根据数据传输线长度得到海浪影响深度数据。
CN202210159402.0A 2022-02-22 2022-02-22 基于海浪图像遥感和人工智能海洋浮体运动预报系统 Pending CN114548553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210159402.0A CN114548553A (zh) 2022-02-22 2022-02-22 基于海浪图像遥感和人工智能海洋浮体运动预报系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210159402.0A CN114548553A (zh) 2022-02-22 2022-02-22 基于海浪图像遥感和人工智能海洋浮体运动预报系统

Publications (1)

Publication Number Publication Date
CN114548553A true CN114548553A (zh) 2022-05-27

Family

ID=81677041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210159402.0A Pending CN114548553A (zh) 2022-02-22 2022-02-22 基于海浪图像遥感和人工智能海洋浮体运动预报系统

Country Status (1)

Country Link
CN (1) CN114548553A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117664930A (zh) * 2024-02-02 2024-03-08 海南中南标质量科学研究院有限公司 海洋环境监测及生态灾害预警系统
US20240192363A1 (en) * 2021-09-10 2024-06-13 X Development Llc Characterising wave properties based on measurement data using a machine-learning model

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240192363A1 (en) * 2021-09-10 2024-06-13 X Development Llc Characterising wave properties based on measurement data using a machine-learning model
CN117664930A (zh) * 2024-02-02 2024-03-08 海南中南标质量科学研究院有限公司 海洋环境监测及生态灾害预警系统

Similar Documents

Publication Publication Date Title
Lu et al. CONet: A cognitive ocean network
CN114548553A (zh) 基于海浪图像遥感和人工智能海洋浮体运动预报系统
CN110422281A (zh) 海洋物联网智能浮标、水面或水下目标探测系统及其方法
CN109901205B (zh) 一种水下机器人多传感器融合与运动轨迹预测方法
CN107545250A (zh) 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统
CN110608744A (zh) 一种具有动态避障功能的水质采样无人艇路径规划方法
CN112394349A (zh) 海洋浮标智能安防监控方法、装置、系统及存储介质
CN115346399B (zh) 基于相控阵雷达、ais和lstm网络的大桥防船撞预警系统
CN114018317B (zh) 一种用于海洋环境的数据采集装置及方法
CN109556829A (zh) 一种基于线谱识别的海洋内波声学实时检测方法
CN117198330A (zh) 一种声源识别方法、系统及电子设备
Brown et al. Kinematics and statistics of breaking waves observed using SWIFT buoys
Tu et al. Predicting drift characteristics of persons-in-the-water in the South China Sea
CN112633256A (zh) 一种基于激光雷达点云技术的水文测验系统
CN205898246U (zh) 一种基于雷达测量的无人值守站点潮位测量系统
Jia et al. Design of Quantitative Risk Assessment System for Ship Longitudinal Motion Based on Analytic Hierarchy Process
CN113501114B (zh) 一种基于深潜器无动力下潜实时信息的深海海流计算方法
CN115687453A (zh) 基于态势感知数据驱动的舰船运行环境动态建模方法
CN115546651A (zh) 一种多模态船舶目标检测和识别系统及装置
CN114299692A (zh) 一种基于信息融合的滑坡位移监测预警系统及方法
CN116644293A (zh) 一种基于遥感技术的海浪预报系统
CN117975667B (zh) 基于分布式振动感知的风暴潮及海啸监测预警系统及方法
Minami et al. Wave Height Measurement Systems Extended a Personal Ocean Observation Buoy
Raimondi et al. A innovative monitoring underwater buoy systems (MUnBuS) for marine and rivers installation with IR-Cam, instrumental telemetry and acoustic data acquisition Capability
Shao et al. An OCSVM Aided Integrated Navigation Fault Tolerance Strategy for Submarine-Pipeline-Detection AUV

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