CN115271375A - 一种基于无人船的改进逆流搜索及污染源声明算法 - Google Patents

一种基于无人船的改进逆流搜索及污染源声明算法 Download PDF

Info

Publication number
CN115271375A
CN115271375A CN202210784797.3A CN202210784797A CN115271375A CN 115271375 A CN115271375 A CN 115271375A CN 202210784797 A CN202210784797 A CN 202210784797A CN 115271375 A CN115271375 A CN 115271375A
Authority
CN
China
Prior art keywords
search
unmanned ship
pollution source
concentration
algorithm
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
CN202210784797.3A
Other languages
English (en)
Inventor
李若华
葛金都
丁涛
黄霄宇
胡立芳
李金页
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.)
China Jiliang University
Zhejiang Tongji Vocational College of Science and Technology
Original Assignee
China Jiliang University
Zhejiang Tongji Vocational College of Science and Technology
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 China Jiliang University, Zhejiang Tongji Vocational College of Science and Technology filed Critical China Jiliang University
Priority to CN202210784797.3A priority Critical patent/CN115271375A/zh
Publication of CN115271375A publication Critical patent/CN115271375A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开一种基于无人船的改进逆流搜索及污染源声明算法，其利用灵活、快速的无人船进行水体污染源定位，在逆流搜索算法及污染源声明部分进行了优化。一种基于无人船的改进逆流搜索及污染源声明算法，该算法通过大范围搜索发现污染带，采用改进逆流搜索算法对水域中的污染源进行溯源，结合了动态步长策略以及浓度更新策略，并在最后对污染源进行声明，提高了水体污染源搜索的效率，大大缩短了溯源时间，提高了定位的准确性。

Description

一种基于无人船的改进逆流搜索及污染源声明算法
技术领域
本发明涉及水体污染源定位领域，具体地说是涉及一种基于无人船的改进逆流搜索及污染源声明算法。
背景技术
水是人们生活和生产的重要支柱，与我们的身体健康息息相关。近年来，随着我国经济的快速发展和城镇化的加剧，工业企业污染物排放量逐渐增加，导致部分河流的水质状况愈加恶劣，频繁发生的水污染事件均造成了严重的社会影响。据统计，造成水污染事故的主要原因可分为突发性水体污染和企业违法排污两类。针对水污染事件的防治，其核心问题是如何在第一时间对突发水环境污染事件进行定位，得到污染源的相关信息，以便及时制定相应的处理措施，以最快速度和最大限度地减小水污染事件的影响程度和范围，对防治水环境污染具有意义重大。
目前对于水体中污染源定位的方法主要以基站监测为主，通过长期监控水文水质信息，结合该水域实时湍流方向构建算法模型推算出污染源位置，例如《一种基于云边协同的流域突发水污染溯源方法》(公开号：CN112711840A)，该方法通过布设各种联网终端设备获取水质信息，根据终端实时监控信息进行污染源的三级筛查，逐步搜索疑似水文水质情景，发布污染源位置。但此种方式受水域地形因素限制较大，耗材耗力，并且通过算法推算出的污染源位置准确度较低，但突发水污染事故或企业违法排污在时间和地点上具有很大的不确定性，因此固定监测站的监测和溯源方式具有很大的局限性。而无人船不受地形因素的限制，具有优异的机动、灵活性能，特别是在突发应急条件下，通过无人船对污染源进行定位具备远程、高效、安全等突出特点，大大减少了时间成本。
在污染水域中对污染源的定位一般分为以下三个步骤：污染带发现、污染源搜索、污染源声明。但在搜索的过程中，水流方向的改变会影响污染带的扩散，从而对污染源定位造成一定的影响，并且最后一步污染源声明非常关键，很多算法往往忽略这一步骤，如《一种基于改进细菌趋化算法的二维水污染源定位方法》(公开号：CN109946432B)，这会导致污染源位置与真实位置偏差较大的情况发生。
发明内容
鉴于以上背景技术的缺点，本发明的目的是提供一种基于无人船的改进逆流搜索及污染源声明算法，该算法通过大范围搜索发现污染带，采用改进逆流搜索算法对水域中的污染源进行溯源，结合了动态步长策略以及浓度更新策略，并在最后对污染源进行声明，提高了水体污染源搜索的效率，大大缩短了溯源时间，提高了定位的准确性。其利用灵活、快速的无人船进行水体污染源定位，在逆流搜索算法及污染源声明部分进行了优化。
为解决上述技术问题，本发明的目的是这样实现的：
一种基于无人船的改进逆流搜索及污染源声明算法，包括以下步骤：
步骤1：无人船在疑似事故下游检测到水质异常变化后立即启动溯源程序，采用大范围搜索策略主动发现水体中污染带；
步骤2：无人船自身搭载目标污染物检测传感器，沿水流横截面方向运动并记录传感器数据，获取横截面各点的水体污染物浓度数据C(Xi，Yi)；
步骤3：无人船返回至该横截面浓度最大值点Cmax(Xi，Yi)；
步骤4：无人船采用动态步长策略搜索水体污染源，传感器对左右两侧污染物浓度进行检测，若左侧浓度Cleft大于右侧浓度Cright，则无人船向左移动一个动态步长L的距离，反之，则无人船向右移动一个动态步长L的距离，若左右两侧浓度一致，则逆流向上游移动一个动态步长L的距离；
步骤5：无人船采用浓度更新策略应对湍流场变化的影响；
步骤6：无人船不断重复步骤2、3、4、5，迭代改进逆流搜索算法，逐渐接近水体污染源；
步骤7：无人船采用污染源声明算法确定水体污染源位置，若成功输出污染源位置信息，则说明无人船完成溯源任务。
在上述方案的基础上并作为上述方案的优选方案：步骤1：目标污染物浓度的变化率ΔC/Δt，其中ΔC为目标污染物浓度在Δt时段内的变化量，Δt为时间间隔，如果ΔC/Δt小于事先设定的标准值或3倍标准差3σ，σ为目标污染物浓度变化率的标准差，则水质属于正常波动，否则水质变化归类为异常变化。
在上述方案的基础上并作为上述方案的优选方案：步骤1：无人船从任意起始位置(X0，Y0)出发，与水流流向成一定角度在搜索区域内大范围搜索，在到达水域边界后迅速折转，重新开始搜索至另一边界处，直至发现污染带。
在上述方案的基础上并作为上述方案的优选方案：步骤2：无人船在沿水流横截面方向运动时，每隔2s传感器读取一次对应位置的污染物浓度数据。
在上述方案的基础上并作为上述方案的优选方案：步骤4：动态步长策略在迭代初期具有较大的搜索步长，可以在全局范围内进行搜索，随着迭代的进行，逐渐减小搜索步长，算法便可以在当前最优解附近进行深度搜索，以提高算法在迭代后期的寻优精度，其动态步长L为：
L＝Lmax×(p)q
Figure BDA0003720157890000041
式中，Lmax为算法中最大步长；p为指数因子，取0.01；q为过渡参数；n为当前迭代次数；nmax为最大迭代次数。
在上述方案的基础上并作为上述方案的优选方案：步骤5：浓度更新策略分为全局浓度更新和局部浓度更新，在无人船溯源过程中，采用全局浓度更新逐渐“忘记”时间间隔较长、污染物浓度较低的位置信息；另一方面若无人船搜索至之前走过的区域，采用局部浓度更新，将原本记录浓度信息更新为新采集到的浓度信息，浓度更新频率根据平均流速大小自动调整。
在上述方案的基础上并作为上述方案的优选方案：步骤7：使用污染源声明算法确定水体污染源位置，将无人船检测点位按时间顺序排序，取最新的6个检测点位(z1，z2，z3，z4，z5，z6，)生成浓度队列Zt，分别取Zt中Xmin、Xmax、Ymin和Ymax来计算Emax，计算过程为：
Figure BDA0003720157890000042
Figure BDA0003720157890000043
Figure BDA0003720157890000044
Figure BDA0003720157890000045
Figure BDA0003720157890000051
若Emax大于设定的阈值ε，则不符合要求继续搜索水体污染源；若Emax小于设定的阈值ε，则声明污染源位置(Xlast，Ylast)；
Figure BDA0003720157890000052
Figure BDA0003720157890000053
本发明相比现有技术突出且有益的技术效果是：
1.本发明基于无人船平台进行水体污染物溯源，具有快速、灵活、准确的优势，在溯源的过程中不受环境因素的限制，适用范围广泛。
2.本发明引入改进逆流搜索算法，该算法在水流影响的水域中可以利用湍流方向快速搜索并定位污染源，提升溯源效率。
3.本发明结合了动态步长策略以及浓度更新策略，充分发挥了该溯源算法的优势，动态步长策略在加快算法收敛速度的同时，提高了局部挖掘能力和求解精度；而浓度更新策略则在一定程度上减少了冗余信息对无人船溯源决策的影响，增强了算法的探测能力，提高了搜索效率。
4.现有的溯源算法大多忽略污染源声明这一步骤，导致定位的污染源存在一定偏差，而本发明则对污染源进行声明，通过该方法优化了污染源位置信息，提高了定位的准确性，使得溯源结果具有较高的可信度。
附图说明
图1是本发明的算法流程图。
图2是本发明的污染源声明流程图。
图3是污染位置声明示意图。
图4是本发明实施例的水体污染溯源仿真图。
图5是算法改进前后的对比图。
具体实施方式
下面结合附图以具体实施例对本发明作进一步描述；
本实施例给出了一种基于无人船的改进逆流搜索及污染源声明算法，其流程图如图1所示，具体步骤如下：
步骤1：无人船在疑似事故下游检测到水质异常后立即启动溯源程序，采用大范围搜索策略主动发现水体中污染带；
水质异常：目标污染物浓度的变化率ΔC/Δt，其中ΔC为目标污染物浓度在Δt时段内的变化量，Δt为时间间隔，如果ΔC/Δt小于事先设定的标准值或3倍标准差3σ，σ为目标污染物浓度变化率的标准差，则水质属于正常波动，否则水质变化归类为异常变化；
无人船从任意起始位置(X0，Y0)出发，与水流流向成一定角度在搜索区域内大范围搜索，在到达水域边界后迅速折转，重新开始搜索至另一边界处，直至发现污染带；
步骤2：无人船自身搭载目标污染物检测传感器，沿水流横截面方向运动并记录传感器数据，获取横截面各点的水体污染物浓度数据C(Xi，Yi)；
无人船在沿水流横截面方向运动时，每隔2s传感器读取一次对应位置的污染物浓度数据；
步骤3：无人船返回至该横截面浓度最大值点Cmax(Xi，Yi)；当搜寻过程中，污染物浓度数据出现增大--最大值点--减小这一过程，则回到浓度最大值点Cmax(Xi，Yi)。
步骤4：无人船采用动态步长策略搜索水体污染源，传感器对左右两侧污染物浓度进行检测，若左侧浓度Cleft大于右侧浓度Cright，则无人船向左移动一个动态步长L的距离，反之，则无人船向右移动一个动态步长L的距离；
动态步长策略在迭代初期具有较大的搜索步长，可以在全局范围内进行搜索，随着迭代的进行，逐渐减小搜索步长，算法便可以在当前最优解附近进行深度搜索，以提高算法在迭代后期的寻优精度，其动态步长L为：
L＝Lmax×(p)q
Figure BDA0003720157890000071
式中，Lmax为算法中最大步长；p为指数因子，取0.01；q为过渡参数；n为当前迭代次数；nmax为最大迭代次数；
步骤5：无人船采用浓度更新策略应对湍流场变化的影响；
浓度更新策略分为全局浓度更新和局部浓度更新，在无人船溯源过程中，采用全局浓度更新逐渐“忘记”(替换掉)时间间隔较长、污染物浓度较低的位置信息；另一方面若无人船搜索至之前走过的区域，采用局部浓度更新，将原本记录浓度信息更新为新采集到的浓度信息，浓度更新频率根据平均流速大小自动调整；
步骤6：无人船不断重复步骤2、3、4、5，迭代改进逆流搜索算法，逐渐接近水体污染源；
步骤7：无人船采用污染源声明算法确定水体污染源位置，若成功输出污染源位置信息，则说明无人船完成溯源任务。
使用污染源声明算法确定水体污染源位置，将无人船检测点位按时间顺序排序，取最新的6个检测点位(z1，z2，z3，z4，z5，z6，)生成浓度队列Zt，分别取Zt中Xmin、Xmax、Ymin和Ymax来计算Emax，计算过程为：
Figure BDA0003720157890000081
Figure BDA0003720157890000082
Figure BDA0003720157890000083
Figure BDA0003720157890000084
Figure BDA0003720157890000085
Xmin为浓度队列中X方向的最小值；
Xmax为浓度队列中X方向的最大值；
Ymin为浓度队列中Y方向的最小值；
Ymax为浓度队列中Y方向的最大值；
若Emax大于设定的阈值ε，则不符合要求继续搜索水体污染源；若Emax小于设定的阈值ε，则声明污染源位置(Xlast，Ylast)；
Figure BDA0003720157890000086
Figure BDA0003720157890000091
Xlast为X点位置的平均值；
Ylast为Y点位置的平均值。
本实例中无人船水体污染溯源过程仿真路线如图4所示，污染浓度沿左上角逐渐变大，无人船沿着左上角方向移动，查找污染源所在位置。
本改进算法在相应迭代次数后所在位置污染带浓度信息如图5所示。对应于图5，表1为改进逆流搜索及污染源声明算法其相应迭代次数所在位置污染带浓度信息数据。
表1：
Figure BDA0003720157890000092
例如：通过无人船，利用改进逆流搜索及污染源声明算法对某河道中甲醛污染物进行溯源实验，各水质检测点对应迭代次数与甲醛污染物浓度数据如表2所示。
表2：
迭代次数 浓度:mg/L 迭代次数 浓度:mg/L 迭代次数 浓度:mg/L
5 3.2 40 5.4 75 10.1
10 3.5 45 5.9 80 10.1
15 3.6 50 6.8 85 10.2
20 4.1 55 7.9
25 4.6 60 8.5
30 4.9 65 9.2
35 5.1 70 9.5
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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。在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；
上述实施例仅为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (7)

1.一种基于无人船的改进逆流搜索及污染源声明算法，其特征在于，包括以下步骤：
步骤1：无人船在疑似事故下游检测到水质异常变化后立即启动溯源程序，采用大范围搜索策略主动发现水体中污染带；
步骤2：无人船自身搭载目标污染物检测传感器，沿水流横截面方向运动并记录传感器数据，获取横截面各点的水体污染物浓度数据C(Xi，Yi)；
步骤3：无人船返回至该横截面浓度最大值点Cmax(Xi，Yi)；
步骤4：无人船采用动态步长策略搜索水体污染源，传感器对左右两侧污染物浓度进行检测，若左侧浓度Cleft大于右侧浓度Cright，则无人船向左移动一个动态步长L的距离，反之，则无人船向右移动一个动态步长L的距离，若左右两侧浓度一致，则逆流向上游移动一个动态步长L的距离；
步骤5：无人船采用浓度更新策略应对湍流场变化的影响；
步骤6：无人船不断重复步骤2、3、4、5，迭代改进逆流搜索算法，逐渐接近水体污染源；
步骤7：无人船采用污染源声明算法确定水体污染源位置，若成功输出污染源位置信息，则说明无人船完成溯源任务。
2.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤1：目标污染物浓度的变化率ΔC/Δt，其中ΔC为目标污染物浓度在Δt时段内的变化量，Δt为时间间隔，如果ΔC/Δt小于事先设定的标准值或3倍标准差3σ，σ为目标污染物浓度变化率的标准差，则水质属于正常波动，否则水质变化归类为异常变化。
3.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤1：无人船从任意起始位置(X0，Y0)出发，与水流流向成一定角度在搜索区域内大范围搜索，在到达水域边界后迅速折转，重新开始搜索至另一边界处，直至发现污染带。
4.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤2：无人船在沿水流横截面方向运动时，每隔2s传感器读取一次对应位置的污染物浓度数据。
5.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤4：动态步长策略在迭代初期具有较大的搜索步长，可以在全局范围内进行搜索，随着迭代的进行，逐渐减小搜索步长，算法便可以在当前最优解附近进行深度搜索，以提高算法在迭代后期的寻优精度，其动态步长L为：
L＝Lmax×(p)q
Figure FDA0003720157880000021
式中，Lmax为算法中最大步长；p为指数因子，取0.01；q为过渡参数；n为当前迭代次数；nmax为最大迭代次数。
6.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤5：浓度更新策略分为全局浓度更新和局部浓度更新，在无人船溯源过程中，采用全局浓度更新逐渐“忘记”时间间隔较长、污染物浓度较低的位置信息；另一方面若无人船搜索至之前走过的区域，采用局部浓度更新，将原本记录浓度信息更新为新采集到的浓度信息，浓度更新频率根据平均流速大小自动调整。
7.根据权利要求1所述的基于无人船的改进逆流搜索及污染源声明算法，其特征在于：步骤7：使用污染源声明算法确定水体污染源位置，将无人船检测点位按时间顺序排序，取最新的6个检测点位(z1，z2，z3，z4，z5，z6，)生成浓度队列Zt，分别取Zt中Xmin、Xmax、Ymin和Ymax来计算Emax，计算过程为：
Figure FDA0003720157880000031
Figure FDA0003720157880000032
Figure FDA0003720157880000033
Figure FDA0003720157880000034
Figure FDA0003720157880000035
若Emax大于设定的阈值ε，则不符合要求继续搜索水体污染源；若Emax小于设定的阈值ε，则声明污染源位置(Xlast，Ylast)；
Figure FDA0003720157880000036
Figure FDA0003720157880000037
CN202210784797.3A 2022-06-29 2022-06-29 一种基于无人船的改进逆流搜索及污染源声明算法 Pending CN115271375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210784797.3A CN115271375A (zh) 2022-06-29 2022-06-29 一种基于无人船的改进逆流搜索及污染源声明算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210784797.3A CN115271375A (zh) 2022-06-29 2022-06-29 一种基于无人船的改进逆流搜索及污染源声明算法

Publications (1)

Publication Number Publication Date
CN115271375A true CN115271375A (zh) 2022-11-01

Family

ID=83764476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210784797.3A Pending CN115271375A (zh) 2022-06-29 2022-06-29 一种基于无人船的改进逆流搜索及污染源声明算法

Country Status (1)

Country Link
CN (1) CN115271375A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662919A (zh) * 2023-07-28 2023-08-29 芯视界（北京）科技有限公司 水体逆流识别方法及装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662919A (zh) * 2023-07-28 2023-08-29 芯视界（北京）科技有限公司 水体逆流识别方法及装置、电子设备和存储介质
CN116662919B (zh) * 2023-07-28 2023-10-20 芯视界（北京）科技有限公司 水体逆流识别方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
US20220358266A1 (en) Method and system of sudden water pollutant source detection by forward-inverse coupling
CN109063071B (zh) 一种基于拓扑关联的水污染溯源方法及设备
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN109117549A (zh) 一种污染物扩散预测方法及系统
CN115271375A (zh) 一种基于无人船的改进逆流搜索及污染源声明算法
CN102102992A (zh) 基于多级网络划分的匹配道路初筛方法及地图匹配系统
CN105547310B (zh) 一种基于pm2.5健康出行的路径规划装置及方法
CN113533445B (zh) 一种考虑参数不确定性的二维水污染溯源方法
CN115388344B (zh) 一种基于分布式协调检测的管道泄漏监测方法
CN110595954B (zh) 一种场地地下水污染物自动溯源方法
CN112881611B (zh) 一种污染源溯源方法
CN111399082B (zh) 一种适用于船舶尾气监测站的船舶尾气信号自动识别方法
CN112188387A (zh) 一种基于边界盒模型的BFOA-Fang高精度定位方法
CN112017480B (zh) 一种航空器绿色巡航轨迹的动态记忆规划方法
CN106840165A (zh) 一种语义位置历史的构建方法及装置
CN111175446A (zh) 一种气体溯源方法及装置
CN109946432A (zh) 一种基于改进细菌趋化算法的二维水污染源定位方法
CN107516007A (zh) 一种气团停留时长计算方法
CN113344043B (zh) 一种基于自组织多通道深度学习网络的河流浊度监测方法
CN111157038B (zh) 测量待测区域内的污染物排放量测算方法
Jiang et al. Time synchronized velocity error for trajectory compression
CN111174790A (zh) 一种地形剖面跟踪路径的形成方法
CN113722923B (zh) 一种基于改进rrt的多无人机协同气体泄漏源定位方法
CN110727749A (zh) 一种自适应候选路段搜索方法
CN114971544B (zh) 基于模式模拟的区域臭氧环境综合治理系统及方法

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