CN117094224A - 海上救援搜索区域确定方法、装置及设备 - Google Patents
海上救援搜索区域确定方法、装置及设备 Download PDFInfo
- Publication number
- CN117094224A CN117094224A CN202311063140.9A CN202311063140A CN117094224A CN 117094224 A CN117094224 A CN 117094224A CN 202311063140 A CN202311063140 A CN 202311063140A CN 117094224 A CN117094224 A CN 117094224A
- Authority
- CN
- China
- Prior art keywords
- target
- search area
- search
- scattered
- determining
- 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 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims description 21
- 230000002457 bidirectional effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004434 saccadic eye movement Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/29—Geographical information databases
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种海上救援搜索区域确定方法、装置及设备,所述方法包括:基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;对所述目标散点基于目标算法计算目标凸包,并基于所述目标凸包形成的多边形而形成第一搜索区域;对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。本发明的海上救援搜索区域确定方法能够在执行海上救援任务时,快速有效地确定搜索区域。
Description
技术领域
本发明属于海上救援技术领域,具体涉及一种海上救援搜索区域确定方法、装置及设备。
背景技术
海上移动目标搜索路径规划是一项复杂的任务,需要考虑到海上环境的复杂性和不确定性,如海流、风向、目标位置和搜索单元搜索能力等因素。因此,如何科学的规划搜索路径,使得算法效率最高,搜索时间最短,同时保证搜索结果的准确性,对于海上安全和灾害应急响应至关重要。随着信息技术和人工智能的不断发展,海上移动目标搜索路径规划技术也可以不断创新和提高。该技术可广泛应用于海上救援、海洋环境监测和海战场目标搜寻等领域,可以为海上行业的安全和发展带来更加可靠和高效的保障。
搜索理论最早提出时,其目的是研究如何在有限的资源下,尝试寻找一个位置不确定的目标,即最大化成功概率(Probability of successful search,POS),而POS值的大小取决于包含概率(Probability ofcontainment,POC)和发现概率(Probabilityofdetection,POD)。搜索规划理论是搜索理论经过大量的简化和总结提炼出来的搜索准则,主要研究如何利用搜索理论在耗费最少搜索资源的情况下,确定最佳搜索区域、分配搜索资源和制定搜索计划等问题,这也一直是海上搜索规划领域研究的热点和难点。
目前,搜索规划理论主要包括最佳搜索区域确定、搜索资源分配和搜索路径规划等方面。其中,搜索区域确定主要确定待搜索区域,并划分为若干个子区域,以便于对每个子区域进行有序搜索;搜索资源分配则评估搜索区域和搜索能力,分配搜索资源,以便于优化和改进搜索策略。但是对于确定最佳搜索区域方面,未充分考虑多搜索单元协同搜索的情况,并且采用的算法效率也有待提升。
发明内容
本发明要解决的技术问题是提供一种能够在执行海上救援任务时,快速有效地确定搜索区域的海上救援搜索区域确定方法、装置及设备。
本发明的内容包括一种海上救援搜索区域确定方法,包括:
基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;
对所述目标散点基于目标算法计算目标凸包,并基于所述目标凸包形成的多边形而形成第一搜索区域;
对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。
作为一可选实施例,还包括:
对所述第二搜索区域进行网格化剖分;
对形成的每个网络,基于所述网格内的目标散点数量计算搜救的成功概率;
基于每个所述网络的成功概率至少确定所述第二搜索区域中的主要搜索区域。
作为一可选实施例,还包括:
基于所述预测散点数据的分布情况确定所述搜索时段。
作为一可选实施例,所述目标策略包括第一策略和第二策略,所述第一策略与第二策略分别针对不同场景,采用不同方法对所述预测散点数据进行聚类,进而确定出所述目标散点。
作为一可选实施例,所述第一策略为在搜索单元的配置固定或预测散点分布均匀的情况下,采用K-Means算法对所述预测散点数据进行聚类,聚类过程包括:
设置初始分类值K,形成K个质心;
遍历所有所述预测散点,确定所述预测散点与每个所述质心的平面距离;
将所述平面距离满足距离要求的预测散点分配至对应的质心,进而形成K个簇;
计算每个所述簇的平均几何中心;
若所述平均几何中心与该簇的质心位置不同,则以所述平均几何中心更新所述质心,并重复执行上述除设置分类值以外的步骤,直至所述质心的位置与新形成的簇的平均几何中心位置相同,以使当前形成的所述簇中均为所述目标散点。
作为一可选实施例,所述第二策略为搜索单元配置数量变化或预测散点分布稀疏的情况下,采用DBSCAN算法对所述预测散点数据进行聚类,聚类过程包括:
随机确定一个所述预设散点,并查找该预设散点的Eps邻域内的所有预设散点;
若所述邻域内的预设散点数量小于预置的最少聚类散点数,则将随机确定的所述预设散点确定为噪声数据,反之则将随机确定的所述预设散点及其Eps邻域内的预设散点归为一个簇;
基于上述两个步骤遍历所有未被归为任意一个簇内的预设散点,直至所有所述预设散点中的目标散点均被归类。
作为一可选实施例,所述对所述目标散点基于目标算法计算目标凸包,包括:
基于多边形快速凸包算法,选取所述目标散点中精度坐标最小的点作为起点P1,并将其加入到由所述目标散点形成的双向队列中;
选取所述目标散点中经度坐标次小的点P2,使用向量叉积判断所述点P2是否在由所述双向队列的头尾之间形成的凸包内,若是,则将所述点P2加入到所述双向队列的列头或列尾,若不是,则将所述列头或列尾剔除,并重新判断所述点P2是否-在新形成的列头与列尾之间形成的凸包内,直至所述点P2位于由当前列头与列尾之间形成的凸包内;
重复执行上述步骤,直至所有所述目标散点均被加入所述双向队列中;
将所述双向队列中所有目标散点按顺序连接起来,形成所述目标凸包。
作为一可选实施例,所述第一搜索区域为多边形,所述对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,包括:
将所述第一搜索区域的平面坐标转换为墨卡托投影下的大地坐标;
选取在大地坐标系下的所述第一搜索区域的任意一条边,并计算所述第一搜索区域的剩余顶点分别与所述边形成的三角形的面积;
选取形成最大三角形面积的所述顶点作为矩形的上边界,并基于向量点积散发判断所述矩形的左、右边界,进而形成所述矩形的外框;
基于向量叉积算法确定所述矩形的每个顶点坐标;
记录所述矩形的面积;
重新选取在大地坐标系下的所述第一搜索区域的另一条边,并基于上述步骤重新计算得到新矩形;
对比当前矩形与上一矩形的面积,并以更小矩形的信息更新矩形坐标信息;
重复执行上述以选取所述第一搜索区域的边为起始的多个步骤,直至得到最小面积矩形坐标信息,由所述最小面积矩形坐标信息确定的矩形在沿其相切边逆时针旋转时,旋转轨迹包围所述第一搜索区域;
将由所述最小面积矩形坐标信息确定的矩形进行投影及坐标变换,得到所述最小覆盖矩形。
本发明另一实施例同时提供一种海上救援搜索区域确定装置,包括:
预测模块:基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
第一确定模块,用于在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;
第一计算模块,用于对所述目标散点基于目标算法计算凸包,并基于所述凸包形成的多边形而形成第一搜索区域;
第二计算模块:对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。
本发明另一实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如上文中任一项实施例所述的海上救援搜索区域确定方法。
本发明的有益效果包括通过对预测散点数据基于不同的搜索需求确定匹配地目标策略,以基于目标策略来对预测散点进行聚类,得到目标散点,接着对目标散点计算凸包以形成第一搜索区域,最后对第一搜索区域计算最小覆盖矩形,以得到最终的搜索区域,基于本发明的方法能够快速有效地确定出搜索区域,准确度高,且显著提升了搜救效率。
附图说明
图1为本发明实施例中的海上救援搜索区域确定方法的流程图。
图2为本发明实施例中的海上救援搜索区域确定方法的应用流程图。
图3为本发明一应用实例中的漂移预测结果图。
图4为本发明一应用实例中的搜索时段选择结果图。
图5为本发明一应用实例中应用第一策略处理预测散点后的聚类结果图。
图6为本发明一应用实例中应用第二策略处理预测散点后的聚类结果图。
图7为本发明一应用实例中的对应散点完全覆盖模式的凸包解算结果图。
图8a为本发明一应用实例中的对应第一策略的凸包解算结果图。
图8b为本发明一应用实例中的对应第二策略的凸包解算结果图。
图9为本发明一应用实例中的对应完全覆盖模式的最小覆盖矩形解算结果图。
图10a为本发明一应用实例中的对应第一策略的最小覆盖矩形解算结果图。
图10b为本发明一应用实例中的对应第二策略的最小覆盖矩形解算结果图。
图11为本发明一应用实例中的网格化剖分结果图。
图12为本发明一应用实例中的网格单元POS计算结果图。
图13为本发明实施例中的海上救援搜索区域确定装置的结构框图。
具体实施方式
如图1所示,本发明实施例提供包括一种海上救援搜索区域确定方法,包括:
S1:基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
S2:在搜索时段确定的情况下,基于搜索需求及预测散点数据确定目标策略,目标策略用于在预测散点数据中确定出位于搜索时段下的对应待搜救目标的目标散点;
S3:对目标散点基于目标算法计算目标凸包,并基于目标凸包形成的多边形而形成第一搜索区域;
S4:对第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,第二搜索区域的搜救效率高于第一搜索区域。
其中,在确定搜索时段时,包括:
S5:基于预测散点数据的分布情况确定搜索时段。
例如,可以采用已有的海上搜救支持系统(NMSARSS)漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据,之后需要根据具体情况,如预测散点数据的分布情况、实际搜索条件等而选择合适的预测时间范围,即确定搜索时段,以开展搜索任务。之后,可以根据搜索需求,如搜索单元(用于执行搜索、搜救任务的主体)的数量配置、能力配置等及预测散点分布情况来确定目标策略,该目标策略用于对预测散点数据进行聚类处理,以得到位于搜索时段下对应不同类型待搜救目标的目标散点,也可认为是用于辅助确定第一搜索区域,因为搜索区域是基于目标散点确定的。接着,计算目标散点的凸包,并将其作为基准的搜索区域,即第一搜索区域。最后通过求解第一搜索区域的最小覆盖矩形以得到第二搜索区域,该第二搜索区域更为规则,更加便于搜索单元开展搜索。
基于上述内容可知,本实施例的有益效果包括通过对预测散点数据基于不同的搜索需求确定匹配地目标策略,以基于目标策略来对预测散点进行聚类,得到目标散点,接着对目标散点计算凸包以形成第一搜索区域,最后对第一搜索区域计算最小覆盖矩形,以得到最终的更加利于搜索单元开展搜索行动的搜索区域,基于上述方法能够快速有效地确定出最佳搜索区域,且准确度高,显著提升了海上搜救效率。
如图2所示,在一些实施例中,所述方法还包括:
S6:对第二搜索区域进行网格化剖分;
S7:对形成的每个网络,基于网格内的目标散点数量计算搜救的成功概率;
S8:基于每个网络的成功概率至少确定第二搜索区域中的主要搜索区域。
具体地,在确定最佳搜索区域后,可以基于场模型将搜索区域划分为规则的网格单元,网格单元的大小根据搜索单元的有效扫视宽度确定。进行网格化剖分的方法有以下优点:
(1)数据结构简单,方便将相关网格单元信息存储为网格矩阵;
(2)判断目标散点的覆盖状态更为直接,而且在网格矩阵中,标记和区分已搜索区域与未搜索区域也更加容易;
(3)方便处理海上的障碍物,如山体、礁石等,将障碍物标记为不可通过的网格单元,避免搜索单元进入障碍区域,确保搜索单元的安全。
(4)简化搜索路径规划,可以避免在连续空间中直接搜索的复杂性,同时也能有效地减少搜索时间和计算量。
在对第二搜索区域进行网格化剖分时,算法思路可参考下述步骤:
(1)确定矩形的方位角,旋转矩形使之朝向正北方向;
(2)计算网格的宽和高,并与搜索单元的扫视宽度进行取余运算,若余数小于扫视宽度的二分之一,则扩展矩形边界,否则保持矩形边界不变。
(3)以搜索单元的扫视宽度为步长,按行或列遍历计算所有网格单元;
(4)计算每个网格单元的坐标,并利用旋转矩阵将坐标转化至原矩形所在坐标系,并存入结果集,也即形成原矩形坐标系下的网格剖分结果。
进一步地,本实施例中的目标策略是基于高值区域优先理论而设置的,其包括第一策略和第二策略,第一策略与第二策略分别针对不同场景,采用不同方法对预测散点数据进行聚类,进而确定出目标散点,也即辅助确定出第一搜索区域。当然,用于辅助得到第一搜索区域的策略也并不局限于本实施例中的上述两个策略,还可以采用完全覆盖策略/完全覆盖模式,该策略的核心在于充分利用所有预测散点的位置,以确定搜索区域的最大边界。其优点在于能够覆盖所有可能的目标位置,防止遗漏目标,适用于预测散点位置聚集,且覆盖面积较小时使用。而若不满足该条件或者场景,则优选使用本实施例提出的策略来辅助确定搜索区域。
具体地,在搜索时段确定后,可根据搜索需求和预测散点分布情况选用第一策略或第二策略辅助确定最佳搜索区域。本实施例中的两个策略均是采用聚类算法处理预设散点数据,聚类是数据挖掘研究领域的一种重要数据预处理方法,其目的是从无标签数据集中获得有价值数据集的内在分布结构,进而简化数据集的描述。本实施例中提出的目标策略是通过根据搜索单元配置和预测散点分布情况选择合适的聚类算法对预测散点进行聚类分析,使得系统能够基于聚类分析结果而确定出热点/搜救价值不同的区域,并基于该区域辅助形成搜救区域,其中高值区域作为热点区域,搜索单元可按照热点区域的优先级进行搜索。本实施例提出的上述策略的优点在于能够快速定位可能的目标位置,提高搜索效率,同时不会遗漏低值区域中的目标。
进一步地,在确定具体使用的策略时,首先考虑搜索单元配置的情况。当搜索单元的数量固定时,需要为每个搜索单元分配搜索区域的情况下,可以采用第一策略,将搜索单元配置数量作为K值,并使用K-Means算法进行分类;而如果需要通过聚类算法确定如何配置搜索单元,则可以爱用第二策略,基于DBSCAN算法进行分类。其次考虑预测散点分布的情况,若散点分布较为均匀,并且希望将更多散点囊括进来,则可选用第一策略,利用K-Means算法进行分类;若散点分布较为集中,并希望去除部分噪声数据,则可以选用第二策略,利用DBSCAN算法进行分类。
而本实施例中之所以选择该两种算法,是因为K-Means是一种基于划分的聚类算法,其固定K值的特性不利于处理数据规模不确定的情况;相反,DBSCAN是一种基于密度的聚类算法,可以处理簇数量不确定的情况;同时,K-Means适用于高维稠密数据,而DBSCAN更擅长于处理低维稀疏数据。故该两种算法的优缺点互补,恰好可以涵盖所有遇到的情况。
具体地,在基于第一策略中的算法对预测散点数据进行聚类时,聚类过程包括:
S9:设置初始分类值K,形成K个质心;
S10:遍历所有预测散点,确定预测散点与每个质心的平面距离;
S11:将平面距离满足距离要求的预测散点分配至对应的质心,进而形成K个簇;
S12:计算每个簇的平均几何中心;
S13:若平均几何中心与该簇的质心位置不同,则以平均几何中心更新质心,并重复执行上述除设置分类值以外的步骤,直至质心的位置与新形成的簇的平均几何中心位置相同,以使当前形成的簇中均为目标散点。
S14:在基于第二策略中的算法对预测散点数据进行聚类时,聚类过程包括:
S15:随机确定一个预设散点,并查找该预设散点的Eps邻域内的所有预设散点;
S16:若邻域内的预设散点数量小于预置的最少聚类散点数,则将随机确定的预设散点确定为噪声数据,反之则将随机确定的预设散点及其Eps邻域内的预设散点归为一个簇;
S17:基于上述两个步骤遍历所有未被归为任意一个簇内的预设散点,直至所有预设散点中的目标散点均被归类。
其中,在计算散点与质心间的距离,以及计算散点间距离以查找Eps邻域内的所有散点时,均可以使用Haversine公式计算两点间的大圆距离。当然具体距离计算方式不限,也可采用其他算法计算。
进一步地,直接对生成的预测散点进行搜索是不现实的。一方面,漂移预测的结果可能不完全准确,导致待搜救目标被遗漏;另一方面,会导致算力开销过大,难以保证算法稳定收敛。平面点集的凸包是指包含平面点集内所有点且顶点属于平面点集的最小简单凸多边形。在求算凸包时的方法有很多,但相对效率较低,本实施例通过一改进算法来求解凸包,效率得到了明显提升,具体地,对目标散点基于目标算法计算目标凸包,包括:
S18:基于多边形快速凸包算法,选取目标散点中精度坐标最小的点作为起点P1,并将其加入到由目标散点形成的双向队列中;
S19:选取目标散点中经度坐标次小的点P2,使用向量叉积判断点P2是否在由双向队列的头尾之间形成的凸包内,若是,则将点P2加入到双向队列的列头或列尾,若不是,则将列头或列尾剔除,并重新判断点P2是否-在新形成的列头与列尾之间形成的凸包内,直至点P2位于由当前列头与列尾之间形成的凸包内;
S20:重复执行上述步骤,直至所有目标散点均被加入双向队列中;
S21:将双向队列中所有目标散点按顺序连接起来,形成目标凸包。
当求解了目标凸包(第一搜索区域)后,若直接基于由目标凸包形成的搜索区域(即第一搜索区域)进行搜索的话,由于第一搜索区域为多边形,而在凸多边形搜索区域内进行搜索会徒增大量计算,同时也对搜索单元的转向能力和转弯耗时提出过高的要求。因此,需要再进一步求解散点凸包的最小覆盖矩形,作为最佳搜索区域,即第二搜索区域。
例如,在执行对第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域的步骤时,包括:
S22:将第一搜索区域的平面坐标转换为墨卡托投影下的大地坐标;
S23:选取在大地坐标系下的第一搜索区域的任意一条边,并计算第一搜索区域的剩余顶点分别与边形成的三角形的面积;
S24:选取形成最大三角形面积的顶点作为矩形的上边界,并基于向量点积散发判断矩形的左、右边界,进而形成矩形的外框;
S25:基于向量叉积算法确定矩形的每个顶点坐标;
S26:记录矩形的面积;
S27:重新选取在大地坐标系下的第一搜索区域的另一条边,并基于上述步骤重新计算得到新矩形;
S28:对比当前矩形与上一矩形的面积,并以更小矩形的信息更新矩形坐标信息;
S29:重复执行上述以选取第一搜索区域的边为起始的多个步骤,直至得到最小面积矩形坐标信息,由最小面积矩形坐标信息确定的矩形在沿其相切边逆时针旋转时,旋转轨迹包围第一搜索区域;
S30:将由最小面积矩形坐标信息确定的矩形进行投影及坐标变换,得到最小覆盖矩形。
采用本实施例的上述方法可以得到更紧凑、更规则的搜索区域,不仅减少了计算量,而且提高了搜索效率,并且矩形形状符合实际搜索情况,更适合搜索单元进行路径规划。该种效果在散点数量越大时越为明显,因为散点数量的增加可以得到更多的凸包边,在此基础上,求得的最小覆盖矩形也会更为紧凑,空白区域更小。
为了更好地对本申请进行说明,以下结合附图及具体应用实例进行说明:
首先,采用NMSARSS的漂移预测模型进行漂移预测。在实验过程中,利用了500个粒子的预测范围来确定漂移范围。漂移预测模型参数设置如下表所示:
参数名称 | 参数值 |
预测时间 | 2023年4月29日16时 |
搜索目标 | 落水人员 |
预测时长 | 48小时 |
预测起始坐标 | 116°02′E,21°17′N |
风场作用参数 | 0.02 |
流场作用参数 | 1 |
漂移预测结果如图3所示,图中散点可视为一组时间序列数据,每小时均为500个预测散点。
之后,可以根据散点分布情况选择第2至第4时刻(即17时至19时)三个时刻作为搜索时段,该时段下的散点如图4所示。
在对预测散点进行聚类时,若采用第一策略,则基于K-Means算法进行聚类的结果如图5所示,该图中的聚类数为2,即分为两类预测散点。图中不同灰度的预测散点代表不同分类类别。另外,由于此案例中的散点分布符合时空聚集趋势,在采用K-means算法进行分类时,分类结果也主要围绕预测时刻聚集。
而若采用第二策略,则基于DBSCAN算法聚类结果如图6所示,参数设置:邻域半径80m,最少点数10。图中预测散点被分为三类,每类聚集在对应预测时刻位置周围,并剔除了噪点。
进一步地,解算目标凸包时,若基于完全覆盖策略/完全覆盖模式,目标凸包则囊括了所有预测散点,解算结果如图7所示。
若基于高值区域优先理论,采用第一策略或第二策略计算时,需要分别解算不同类别散点的目标凸包,解算结果如图8a和图8b所示。
在对形成的目标凸包,即第二预测领域计算最小覆盖矩形时,其最小覆盖矩形如图9所示。若基于第一策略及第二策略计算最小覆盖矩形时,最小覆盖矩形解算结果如图10a和图10b所示。其中在K-means聚类结果下计算的矩形结果中,存在重叠区域,但同样覆盖了所有散点,空白区域显著减少。在DBSCAN聚类结果下计算的矩形结果中,各区域不存在重叠,空白区域也同样较少。
接着,例如以最简单的基于完全覆盖模式计算的搜索区域为例,如图11所示,将区域进行网格化剖分。网格中心数值为网格序号,参数设置为:扫视宽度0.2海里。之后,对剖分结果进行分析,例如可以利用ArcGIS Pro软件中的【空间连接】工具计算每个网格单元所包含散点数,并使用【汇总统计数据】工具查看数据分布。剖分结果共有66个网格单元,其中有23个网格单元包含的散点数小于5,包含的散点数总和为43,占全部散点数的2.8%。具体网格POS计算结果如图12所示。图中网格颜色表示不同的POS值,由浅至深分别代表≤0.5%,0.5%-1%,1%-2%,2%-4%,≥5%。
如图13所示,本发明另一实施例同时提供一种海上救援搜索区域确定装8置100,包括:
预测模块:基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
第一确定模块,用于在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;
第一计算模块,用于对所述目标散点基于目标算法计算凸包,并基于所述凸包形成的多边形而形成第一搜索区域;
第二计算模块:对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。
作为一可选实施例,还包括:
剖分模块,用于对所述第二搜索区域进行网格化剖分;
第三计算模块,用于对形成的每个网络,基于所述网格内的目标散点数量计算搜救的成功概率;
第二确定模块,用于根据每个所述网络的成功概率至少确定所述第二搜索区域中的主要搜索区域。
作为一可选实施例,还包括:
第三确定模块,用于根据所述预测散点数据的分布情况确定所述搜索时段。
作为一可选实施例,所述目标策略包括第一策略和第二策略,所述第一策略与第二策略分别针对不同场景,采用不同方法对所述预测散点数据进行聚类,进而确定出所述目标散点。
作为一可选实施例,所述第一策略为在搜索单元的配置固定或预测散点分布均匀的情况下,采用K-Means算法对所述预测散点数据进行聚类,聚类过程包括:
设置初始分类值K,形成K个质心;
遍历所有所述预测散点,确定所述预测散点与每个所述质心的平面距离;
将所述平面距离满足距离要求的预测散点分配至对应的质心,进而形成K个簇;
计算每个所述簇的平均几何中心;
若所述平均几何中心与该簇的质心位置不同,则以所述平均几何中心更新所述质心,并重复执行上述除设置分类值以外的步骤,直至所述质心的位置与新形成的簇的平均几何中心位置相同,以使当前形成的所述簇中均为所述目标散点。
作为一可选实施例,所述第二策略为搜索单元配置数量变化或预测散点分布稀疏的情况下,采用DBSCAN算法对所述预测散点数据进行聚类,聚类过程包括:
随机确定一个所述预设散点,并查找该预设散点的Eps邻域内的所有预设散点;
若所述邻域内的预设散点数量小于预置的最少聚类散点数,则将随机确定的所述预设散点确定为噪声数据,反之则将随机确定的所述预设散点及其Eps邻域内的预设散点归为一个簇;
基于上述两个步骤遍历所有未被归为任意一个簇内的预设散点,直至所有所述预设散点中的目标散点均被归类。
作为一可选实施例,所述对所述目标散点基于目标算法计算目标凸包,包括:
基于多边形快速凸包算法,选取所述目标散点中精度坐标最小的点作为起点P1,并将其加入到由所述目标散点形成的双向队列中;
选取所述目标散点中经度坐标次小的点P2,使用向量叉积判断所述点P2是否在由所述双向队列的头尾之间形成的凸包内,若是,则将所述点P2加入到所述双向队列的列头或列尾,若不是,则将所述列头或列尾剔除,并重新判断所述点P2是否-在新形成的列头与列尾之间形成的凸包内,直至所述点P2位于由当前列头与列尾之间形成的凸包内;
重复执行上述步骤,直至所有所述目标散点均被加入所述双向队列中;
将所述双向队列中所有目标散点按顺序连接起来,形成所述目标凸包。
作为一可选实施例,所述第一搜索区域为多边形,所述对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,包括:
将所述第一搜索区域的平面坐标转换为墨卡托投影下的大地坐标;
选取在大地坐标系下的所述第一搜索区域的任意一条边,并计算所述第一搜索区域的剩余顶点分别与所述边形成的三角形的面积;
选取形成最大三角形面积的所述顶点作为矩形的上边界,并基于向量点积散发判断所述矩形的左、右边界,进而形成所述矩形的外框;
基于向量叉积算法确定所述矩形的每个顶点坐标;
记录所述矩形的面积;
重新选取在大地坐标系下的所述第一搜索区域的另一条边,并基于上述步骤重新计算得到新矩形;
对比当前矩形与上一矩形的面积,并以更小矩形的信息更新矩形坐标信息;
重复执行上述以选取所述第一搜索区域的边为起始的多个步骤,直至得到最小面积矩形坐标信息,由所述最小面积矩形坐标信息确定的矩形在沿其相切边逆时针旋转时,旋转轨迹包围所述第一搜索区域;
将由所述最小面积矩形坐标信息确定的矩形进行投影及坐标变换,得到所述最小覆盖矩形。
本发明另一实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如上文中任一项实施例所述的海上救援搜索区域确定方法。
进一步地,本发明一实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的海上救援搜索区域确定方法。应理解,本实施例中的各个方案具有上述方法实施例中对应的技术效果,此处不再赘述。
进一步地,本发明实施例还提供了一种计算机程序产品,所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可读指令,所述计算机可执行指令在被执行时使至少一个处理器执行诸如上文所述实施例中的海上救援搜索区域确定方法。
需要说明的是,本发明的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、天线、光缆、RF等等,或者上述的任意合适的组合。
另外,本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种海上救援搜索区域确定方法,其特征在于,包括:
基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;
对所述目标散点基于目标算法计算目标凸包,并基于所述目标凸包形成的多边形而形成第一搜索区域;
对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。
2.根据权利要求1所述的海上救援搜索区域确定方法,其特征在于,还包括:
对所述第二搜索区域进行网格化剖分;
对形成的每个网络,基于所述网格内的目标散点数量计算搜救的成功概率;
基于每个所述网络的成功概率至少确定所述第二搜索区域中的主要搜索区域。
3.根据权利要求1所述的海上救援搜索区域确定方法,其特征在于,还包括:
基于所述预测散点数据的分布情况确定所述搜索时段。
4.根据权利要求1所述的海上救援搜索区域确定方法,其特征在于,所述目标策略包括第一策略和第二策略,所述第一策略与第二策略分别针对不同场景,采用不同方法对所述预测散点数据进行聚类,进而确定出所述目标散点。
5.根据权利要求4所述的海上救援搜索区域确定方法,其特征在于,所述第一策略为在搜索单元的配置固定或预测散点分布均匀的情况下,采用K-Means算法对所述预测散点数据进行聚类,聚类过程包括:
设置初始分类值K,形成K个质心;
遍历所有所述预测散点,确定所述预测散点与每个所述质心的平面距离;
将所述平面距离满足距离要求的预测散点分配至对应的质心,进而形成K个簇;
计算每个所述簇的平均几何中心;
若所述平均几何中心与该簇的质心位置不同,则以所述平均几何中心更新所述质心,并重复执行上述除设置分类值以外的步骤,直至所述质心的位置与新形成的簇的平均几何中心位置相同,以使当前形成的所述簇中均为所述目标散点。
6.根据权利要求4所述的海上救援搜索区域确定方法,其特征在于,所述第二策略为搜索单元配置数量变化或预测散点分布稀疏的情况下,采用DBSCAN算法对所述预测散点数据进行聚类,聚类过程包括:
随机确定一个所述预设散点,并查找该预设散点的Eps邻域内的所有预设散点;
若所述邻域内的预设散点数量小于预置的最少聚类散点数,则将随机确定的所述预设散点确定为噪声数据,反之则将随机确定的所述预设散点及其Eps邻域内的预设散点归为一个簇;
基于上述两个步骤遍历所有未被归为任意一个簇内的预设散点,直至所有所述预设散点中的目标散点均被归类。
7.根据权利要求1所述的海上救援搜索区域确定方法,其特征在于,所述对所述目标散点基于目标算法计算目标凸包,包括:
基于多边形快速凸包算法,选取所述目标散点中精度坐标最小的点作为起点P1,并将其加入到由所述目标散点形成的双向队列中;
选取所述目标散点中经度坐标次小的点P2,使用向量叉积判断所述点P2是否在由所述双向队列的头尾之间形成的凸包内,若是,则将所述点P2加入到所述双向队列的列头或列尾,若不是,则将所述列头或列尾剔除,并重新判断所述点P2是否-在新形成的列头与列尾之间形成的凸包内,直至所述点P2位于由当前列头与列尾之间形成的凸包内;
重复执行上述步骤,直至所有所述目标散点均被加入所述双向队列中;
将所述双向队列中所有目标散点按顺序连接起来,形成所述目标凸包。
8.根据权利要求1所述的海上救援搜索区域确定方法,其特征在于,所述第一搜索区域为多边形,所述对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,包括:
将所述第一搜索区域的平面坐标转换为墨卡托投影下的大地坐标;
选取在大地坐标系下的所述第一搜索区域的任意一条边,并计算所述第一搜索区域的剩余顶点分别与所述边形成的三角形的面积;
选取形成最大三角形面积的所述顶点作为矩形的上边界,并基于向量点积散发判断所述矩形的左、右边界,进而形成所述矩形的外框;
基于向量叉积算法确定所述矩形的每个顶点坐标;
记录所述矩形的面积;
重新选取在大地坐标系下的所述第一搜索区域的另一条边,并基于上述步骤重新计算得到新矩形;
对比当前矩形与上一矩形的面积,并以更小矩形的信息更新矩形坐标信息;
重复执行上述以选取所述第一搜索区域的边为起始的多个步骤,直至得到最小面积矩形坐标信息,由所述最小面积矩形坐标信息确定的矩形在沿其相切边逆时针旋转时,旋转轨迹包围所述第一搜索区域;
将由所述最小面积矩形坐标信息确定的矩形进行投影及坐标变换,得到所述最小覆盖矩形。
9.一种海上救援搜索区域确定装置,其特征在于,包括:
预测模块:基于漂移预测模型对海上待搜救目标进行漂移预测,得到满足时间序列的预测散点数据;
第一确定模块,用于在搜索时段确定的情况下,基于搜索需求及所述预测散点数据确定目标策略,所述目标策略用于在所述预测散点数据中确定出位于所述搜索时段下的对应所述待搜救目标的目标散点;
第一计算模块,用于对所述目标散点基于目标算法计算凸包,并基于所述凸包形成的多边形而形成第一搜索区域;
第二计算模块:对所述第一搜索区域计算最小覆盖矩形,并基于计算结果形成第二搜索区域,所述第二搜索区域的搜救效率高于所述第一搜索区域。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如权利要求1-8任一项所述的海上救援搜索区域确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063140.9A CN117094224A (zh) | 2023-08-22 | 2023-08-22 | 海上救援搜索区域确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063140.9A CN117094224A (zh) | 2023-08-22 | 2023-08-22 | 海上救援搜索区域确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094224A true CN117094224A (zh) | 2023-11-21 |
Family
ID=88778062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311063140.9A Pending CN117094224A (zh) | 2023-08-22 | 2023-08-22 | 海上救援搜索区域确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094224A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116705A (zh) * | 2009-12-30 | 2011-07-06 | 中国科学院沈阳自动化研究所 | 一种海上搜救区域预测方法 |
KR20150129898A (ko) * | 2014-05-12 | 2015-11-23 | 한국해양과학기술원 | 해상 수색 구조 시스템 및 이를 이용한 해상 수색 구조 방법 |
CN105653826A (zh) * | 2016-03-10 | 2016-06-08 | 厦门蓝海天信息技术有限公司 | 一种改进的海上搜救区域预测方法及系统 |
CN111914462A (zh) * | 2020-07-22 | 2020-11-10 | 中国地质大学深圳研究院 | 一种海上搜救目标漂移预测方法及装置 |
CN113777953A (zh) * | 2021-08-25 | 2021-12-10 | 北京航空航天大学 | 一种面向水陆两栖飞机的海上搜救任务仿真评估方法 |
CN115824217A (zh) * | 2022-11-24 | 2023-03-21 | 中科智城(广州)信息科技有限公司 | 一种海上搜救方法及系统 |
CN116467565A (zh) * | 2023-06-20 | 2023-07-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
-
2023
- 2023-08-22 CN CN202311063140.9A patent/CN117094224A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116705A (zh) * | 2009-12-30 | 2011-07-06 | 中国科学院沈阳自动化研究所 | 一种海上搜救区域预测方法 |
KR20150129898A (ko) * | 2014-05-12 | 2015-11-23 | 한국해양과학기술원 | 해상 수색 구조 시스템 및 이를 이용한 해상 수색 구조 방법 |
CN105653826A (zh) * | 2016-03-10 | 2016-06-08 | 厦门蓝海天信息技术有限公司 | 一种改进的海上搜救区域预测方法及系统 |
CN111914462A (zh) * | 2020-07-22 | 2020-11-10 | 中国地质大学深圳研究院 | 一种海上搜救目标漂移预测方法及装置 |
CN113777953A (zh) * | 2021-08-25 | 2021-12-10 | 北京航空航天大学 | 一种面向水陆两栖飞机的海上搜救任务仿真评估方法 |
CN115824217A (zh) * | 2022-11-24 | 2023-03-21 | 中科智城(广州)信息科技有限公司 | 一种海上搜救方法及系统 |
CN116467565A (zh) * | 2023-06-20 | 2023-07-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
Non-Patent Citations (1)
Title |
---|
李必栋;闫浩文;王中辉;刘虎林;: "坐标排序的离散点凸包生成算法", 测绘科学, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
US11282210B2 (en) | Method and apparatus for segmenting point cloud data, storage medium, and electronic device | |
CN110223302B (zh) | 一种基于旋转区域提取的舰船多目标检测方法 | |
JP6759673B2 (ja) | 衝突リスク算出プログラム、衝突リスク算出方法および衝突リスク算出装置 | |
US20230305572A1 (en) | Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces | |
CN112665575B (zh) | 一种基于移动机器人的slam回环检测方法 | |
CN110097212B (zh) | 一种无人艇高能效协同区域探测方法 | |
CN111427375B (zh) | 无人机巡采巡查的微区域智能划分方法及系统 | |
Millefiori et al. | A distributed approach to estimating sea port operational regions from lots of AIS data | |
Song et al. | Classifying 3D objects in LiDAR point clouds with a back-propagation neural network | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
CN111811529B (zh) | 一种多区域车机协同侦察路径规划方法与系统 | |
Huang et al. | An online multi-lidar dynamic occupancy mapping method | |
Li et al. | Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction | |
CN115730425A (zh) | 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
CN113934803B (zh) | 一种基于时空剖分的船只伴随模式挖掘方法 | |
CN110826891B (zh) | 一种基于船舶集群态势的相对碰撞危险度获取方法 | |
CN117094224A (zh) | 海上救援搜索区域确定方法、装置及设备 | |
Qiu et al. | Improved F‐RRT∗ Algorithm for Flight‐Path Optimization in Hazardous Weather | |
CN116892945A (zh) | 移动机器人路径死锁处理方法及装置 | |
CN115857543A (zh) | 一种基于先验信息的多无人机协同搜索方法 | |
CN116311114A (zh) | 一种可行驶区域生成方法、装置、电子设备及存储介质 |
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 |