CN117405175A - 海洋环境智能监测系统 - Google Patents
海洋环境智能监测系统 Download PDFInfo
- Publication number
- CN117405175A CN117405175A CN202311705065.1A CN202311705065A CN117405175A CN 117405175 A CN117405175 A CN 117405175A CN 202311705065 A CN202311705065 A CN 202311705065A CN 117405175 A CN117405175 A CN 117405175A
- Authority
- CN
- China
- Prior art keywords
- data acquisition
- node
- acquisition node
- data
- noise field
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 69
- 238000012937 correction Methods 0.000 claims description 58
- 239000003016 pheromone Substances 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012952 Resampling Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 18
- 238000005070 sampling Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241001125840 Coryphaenidae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- 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]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于数据处理领域,尤其涉及一种海洋环境智能监测系统,该系统包括:监测单元用于获取目标海洋区域中的海洋环境数据;建立单元用于基于海洋环境数据建立虚拟噪声场模型;获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数;优化单元用于基于适应度参数将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态;监测单元还用于通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。该系统在各个深度层次上对海洋进行数据采集,实现更为全面准确的海洋环境监测,实现对目标海洋环境的垂直性分析。
Description
技术领域
本申请属于数据处理领域,尤其涉及一种海洋环境智能监测系统。
背景技术
海洋环境是一个多层次、多物理因素交织的复杂系统,水体在不同深度处受到不同的水温、盐度和水流等物理环境影响,也受到不同的光照和生物活动等生物环境影响。海洋环境垂直性分析,是指在垂直方向上对海洋环境各个物理变量的分布特征进行研究和分析,从而得到更全面、准确的海洋环境特征。
目前,在海洋环境垂直性分析中,为了获取全面、准确的垂直分布数据,需要合理选择采样点的空间分布和密度。然而,由于海洋环境的广阔性和资源有限性,很难在短时间内对整个海洋区域进行全面的垂直数据采集。因此,需要对采样点进行动态选择和规划,以最大程度地采集到更为准确的海洋环境数据。
发明内容
本申请提供了一种海洋环境智能监测系统,用以实现更为全面准确的海洋环境监测,有利于获取目标海洋环境的环境变化特点,实现对目标海洋环境的垂直性分析。
第一方面,本申请提供了一种海洋环境智能监测系统,所述系统包括:
监测单元,用于获取目标海洋区域中的海洋环境数据;海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速;
建立单元,用于基于海洋环境数据建立虚拟噪声场模型,其中虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据;获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数;
优化单元,用于基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态;
监测单元,还用于通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。
第二方面,本申请实施例提供了一种海洋环境智能监测方法,包括:
获取目标海洋区域中的海洋环境数据;海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速;
基于海洋环境数据建立虚拟噪声场模型,其中虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据;
获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数;
基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态;
通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。
本申请实施例提供的技术方案中,首先,获取目标海洋区域中的海洋环境数据,该海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速。这些海洋环境数据能够反映海洋环境的垂直分布及其空间变化情况,可以为后续分析提供数据基础。进而,基于海洋环境数据建立虚拟噪声场模型,其中,虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据。进而,获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数。接着,基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态。这样,通过虚拟噪声场模型能够将各个数据采集节点在垂直方向上调整到平衡位置,从而,更好地涵盖目标海洋区域的各个深度层次,提高数据准确性,实现了对数据采样点的动态选择和规划。最终,通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。这样,通过优化后的数据采集节点能够获取到更为准确的海洋环境数据,实现了对数据采样点的动态选择和规划,有助于对海洋环境进行动态跟踪和分析,及时发现海洋环境存在的异常情况或变化趋势,为海洋资源利用、环境管理等方面提供了进一步的数据支持。
本申请实施例中,通过监测单元、建立单元、优化单元的相互配合,对数据采样点的动态布局优化,能够在各个深度层次上对目标海洋区域进行数据采集,实现更为全面准确的海洋环境监测,有利于获取目标海洋环境的环境变化特点,实现对目标海洋环境的垂直性分析。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例的一种海洋环境智能监测系统的示意图;
图2是本申请实施例的一种海洋环境智能监测方法的流程示意图;
图3是本申请实施例的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
海洋环境是一个多层次、多物理因素交织的复杂系统,水体在不同深度处受到不同的水温、盐度和水流等物理环境影响,也受到不同的光照和生物活动等生物环境影响。海洋环境垂直性分析,是指在垂直方向上对海洋环境各个物理变量的分布特征进行研究和分析,从而得到更全面、准确的海洋环境特征。
目前,在海洋环境垂直性分析中,为了获取全面、准确的垂直分布数据,需要合理选择采样点的空间分布和密度。然而,由于海洋环境的广阔性和资源有限性,很难在短时间内对整个海洋区域进行全面的垂直数据采集。因此,需要对采样点进行动态选择和规划,以最大程度地采集到更为准确的海洋环境数据。
此外,海洋环境是动态变化的,在垂直方向上存在温度、盐度、流速、光照、生物分布等多种因素的梯度变化。针对这些变化,在海洋环境垂直性分析中,需要根据要研究的问题和目标进行定点、定深度的采样。同时,海洋环境的水平和垂直流动也会对采样过程造成挑战,需要结合气象、潮汐等因素综合考虑。
综上,亟待提出一种技术方案,用以克服相关技术中存在的上述技术问题。
为解决上述至少一个技术问题,本申请实施例提供了一种海洋环境智能监测方案。
具体而言,海洋环境智能监测方案中,通过监测单元、建立单元、优化单元的相互配合实现以下系统功能:首先,获取目标海洋区域中的海洋环境数据,该海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速。这些海洋环境数据能够反映海洋环境的垂直分布及其空间变化情况,可以为后续分析提供数据基础。进而,基于海洋环境数据建立虚拟噪声场模型,其中,虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据。进而,获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数。接着,基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态。这样,通过虚拟噪声场模型能够将各个数据采集节点在垂直方向上调整到平衡位置,从而,更好地涵盖目标海洋区域的各个深度层次,提高数据准确性,实现了对数据采样点的动态选择和规划。最终,通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。这样,通过优化后的数据采集节点能够获取到更为准确的海洋环境数据,实现了对数据采样点的动态选择和规划,有助于对海洋环境进行动态跟踪和分析,及时发现海洋环境存在的异常情况或变化趋势,为海洋资源利用、环境管理等方面提供了进一步的数据支持。
本海洋环境智能监测方案中,通过监测单元、建立单元、优化单元的相互配合,对数据采样点的动态布局优化,能够在各个深度层次上对目标海洋区域进行数据采集,实现更为全面准确的海洋环境监测,有利于获取目标海洋环境的环境变化特点,实现对目标海洋环境的垂直性分析。
本申请实施例提供的海洋环境智能监测方案,可以由一电子设备来执行,该电子设备可以是服务器、服务器集群、云服务器。该电子设备也可以是诸如手机、计算机、平板电脑、可穿戴设备、或者专用设备(如带有海洋监测系统的专用终端设备等)等终端设备。在一可选实施例中,该电子设备上可以安装有用于执行海洋环境智能监测方案的服务程序。
图1为本申请实施例提供的一种海洋环境智能监测系统的示意图,如图1所示,该系统包括:监测单元101、建立单元102、优化单元103。
下面分别介绍上述三个单元的具体功能。
监测单元101,用于获取目标海洋区域中的海洋环境数据。
监测单元101,还用于通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。值得说明的是,数据采集节点的具体优化方式参见对建立单元102以及优化单元103的相关介绍,此处暂不展开。
通过监测单元101采集到的海洋环境数据,可以用于了解目标海洋区域中的海洋生态系统状态、气候变化、环境污染、海洋能源资源分布等方面信息。同时,监测单元101也可以与其他单元相配合使用,实现更加全面地对海洋环境进行监测和分析。
本申请实施例中,海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速。这些海洋环境数据可以通过各种传感器、观测点进行采集。其中,以下是数据采集节点的一些可能示例:
例如,盐度传感器,可以部署在水下,用于实时监测海水盐度的变化。这个传感器可以部署在不同深度和位置,例如海洋表面和深海。
例如,流速测量仪,能够测量水流速度和方向,提供关于海洋流动性质的数据。可以通过多个测量点布置在不同位置来收集更全面的流速数据。
例如,浊度计,用于测量海水中的浑浊度水平,这可以提供关于水质和水中悬浮物含量的信息。可以将浊度计安装在各个位置,包括近海、沿海和深海区域。
例如,声压传感器,可以监测海洋中的声音水平。这些传感器可以用于记录鱼类、海豚、鲸类等海洋生物的声音,从而研究它们的行为和迁徙模式。
例如,振速测量仪,可以测量海洋中的振动或震动。这些数据可以用于检测海底地震活动、海洋潮汐和其他地质运动。
需要注意的是,以上仅是一些具体的例子,实际应用中还可以根据需要选择适合的传感器和观测点来收集海洋环境数据。然后,这些海洋环境数据可以通过监测单元101进行采集和整合,以实现实时监测和分析目标海洋区域的环境状况。值得说明的是,每个传感器或观测点即可以划分为一个数据采集点,当然也可以由多个传感器或多个观测点组成一个数据采集节点,此处并不限制。
建立单元102,用于基于海洋环境数据建立虚拟噪声场模型,其中虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据;获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数。
通过建立单元102,首先需要基于海洋环境数据建立虚拟噪声场模型。这个虚拟噪声场模型可以模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场的预测数据。举例来说,假设在目标海洋区域中有多个采集节点,其中一个数据采集节点位于深水区域,一个数据采集节点位于浅水区域,那么这两个数据采集节点之间会存在一定的声波传播效应,从而会对测量得到的海洋环境数据产生影响。通过建立虚拟噪声场模型,可以预测这种噪声效应,并对测量数据进行校正和优化。
其次,在建立了虚拟噪声场模型后,需要获取模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数。这些适应度参数用于衡量每个数据采集节点在不同深度的噪声场预测精度。举例来说,假设某一数据采集节点在目标海洋区域中的深度为100米,那么可以通过比较该数据采集节点在建立的虚拟噪声场模型中预测的数据与实际测量数据之间的差异来评估该数据采集节点的适应度参数。如果预测数据与实际数据之间的差异较小,那么就可以认为,该数据采集节点在深度为100米处的适应度参数较高,反之则较低。
总而言之,通过建立单元102并获取虚拟噪声场模型中各个数据采集节点的适应度参数,可以更加准确地预测和分析目标海洋区域的海洋环境数据,并帮助确定最佳的数据采集节点部署策略和配置。
进一步可选地,建立单元102基于海洋环境数据建立虚拟噪声场模型时,具体用于:根据各个数据采集节点构成的数据采集网络布局,对海洋环境数据进行空间相关性计算,以获得虚拟噪声场数据;虚拟噪声场数据用于表示各个数据采集节点之间的非均匀性和空间相关性;将虚拟噪声场数据输入垂直相关性模型中,以提取各个数据采集节点之间的噪声场差异信息;噪声场差异信息用于表示各个数据采集节点之间因垂直方向上深度分布差异而导致的虚拟噪声场数据变化趋势;根据噪声场差异信息以及海洋环境数据,模拟构建出虚拟噪声场模型。
需要注意的是,建立单元102中,根据数据采集节点的位置和分布,可以构建一个数据采集网络布局。例如,假设有三个数据采集节点分别位于海洋表面、中层和深海,它们之间形成一个垂直方向上的采集网络。基于数据采集网络布局,可以进行空间相关性计算,以了解各个数据采集节点之间的相关性。通过分析海洋环境数据的空间分布和相互影响,可以计算节点之间在垂直方向上的空间相关性。进而,利用空间相关性计算的结果,可以生成虚拟噪声场数据。这些数据反映了各个数据采集节点之间的非均匀性和空间相关性。例如,在深海区域可能存在更高的声压,而在海洋表面可能存在更高的流速,虚拟噪声场数据将反映出这种差异。接着,将虚拟噪声场数据输入垂直相关性模型中,以提取各个数据采集节点之间的噪声场差异信息。这个模型可以识别并量化垂直方向上的噪声场变化趋势,这些变化可能源自于不同深度的数据采集节点之间的差异。从而,基于噪声场差异信息和海洋环境数据,可以模拟构建出完整的虚拟噪声场模型。这个模型综合考虑了各个数据采集节点之间因垂直方向上深度分布差异而导致的虚拟噪声场数据变化趋势。
通过以上步骤,建立单元102可以生成具有空间相关性和垂直方向上的差异性的虚拟噪声场模型。这个虚拟噪声场模型可以提供关于海洋环境数据的更全面理解,帮助优化数据采集策略和提高数据采集节点的适应度参数。
进一步可选地,建立单元102获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数时,具体用于:
首先,提取虚拟噪声场模型中各个数据采集节点在垂直方向上的噪声场变化强度特征。本申请实施例中,噪声场变化强度特征至少包括:温度梯度特征、盐度变化特征、流速变化特征、声压变化特征、振速变化特征中的一个。
此处,建立单元102根据虚拟噪声场模型中各个数据采集节点所处的深度位置,可以提取出每个节点在不同深度层次上的噪声场变化强度特征。这些特征包括温度梯度特征、盐度变化特征、流速变化特征、声压变化特征或振速变化特征中的至少一个,这些特征反映了垂直方向上的噪声场变化情况。
进而,对噪声场变化强度特征进行适应度匹配处理,以获得适应度参数。其中,适应度参数用于指示数据采集节点所处位置与噪声场变化强度特征的匹配程度;适应度匹配处理的数学表达式为:
,
其中,Fitnessi表示第i个数据采集节点的适应度参数,vij表示第j个深度层次上的噪声场变化强度特征的值,xij表示第i个数据采集节点在第j个深度层次上的适应度参数值,wj为第j个深度层次上的权重。
举例来说,对于一个深度100米的数据采集节点,可以计算其在该深度层次上的适应度参数。假设该深度层次上的温度梯度特征为0.5,流速变化特征为1.2,声压变化特征为0.8,振速变化特征为1.0。可以选择不同的权重,例如温度梯度特征的权重为0.3,流速变化特征的权重为0.2,声压变化特征的权重为0.4,振速变化特征的权重为0.1。此时,使用适应度匹配处理方法,可以计算出该节点在100米深度层次上的适应度参数值。在实际应用中,可以根据具体情况,选择不同的权重和适应度参数值,以适应不同的海洋环境数据采集任务请求。
优化单元103,用于基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态。
通过优化单元103所采用的调整方式,可以使得各个数据采集节点在垂直方向上趋于平衡分布,从而优化虚拟噪声场模型中这些节点的空间分布状态。这样可以更好地捕捉海洋环境的非均匀性和空间相关性,提高数据采集的效果和准确性。
进一步可选地,优化单元103基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态时,具体用于:
为各个数据采集节点设置对应的初始化信息素浓度;初始化信息素浓度基于海洋环境的历史海洋环境数据和/或先验因子设置;基于各个数据采集节点的适应度参数,获取各个蚁群对象的起始位置;各个蚁群对象以各自对应的数据采集节点为起始位置;基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度;基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数;基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置,并将各个数据采集节点从当前位置移动至平衡位置。
本申请实施例中,优化单元103可以采用蚁群算法(Ant Colony Optimization,ACO)。其中,ACO算法受到蚁群觅食行为的启发,通过模拟蚂蚁在搜索空间中释放信息素的过程,以进行优化。节点位置可以被看作蚂蚁的路径选择,信息素浓度与数据采集节点适应度参数相关。通过调整蚁群中蚂蚁的移动策略,逐渐优化数据采集节点的位置分布。
以下是优化单元103的一个可选示例,在优化前,需要为各个数据采集节点设置对应的初始化信息素浓度。信息素浓度可以基于历史海洋环境数据和/或先验因子来设置。例如,可以使用历史海洋环境数据中各个深度层次上的噪声场变化强度特征来设置初始化信息素浓度,以反映海洋环境中的空间分布规律。信息素浓度用于表示数据采集节点在垂直方向上移动的偏好程度。针对每个数据采集节点,都可以生成一个蚁群对象,并将该数据采集节点设置为其起始位置,蚁群对象基于启发信息和信息素浓度来做出移动决策。在每次迭代中,蚁群对象从起始位置出发,遍历所有的数据采集节点。在遍历过程中,蚁群对象根据启发信息和信息素浓度综合考虑,选择下一个移动位置。启发信息可以包括节点当前的适应度差异、与周围节点的距离、节点的深度位置等信息。每次移动后,蚁群对象会更新当前路径和信息素浓度。在每个数据采集节点被蚁群对象遍历过后,可以根据每个蚁群对象的移动路径和信息素浓度,更新该数据采集节点的适应度参数。具体来说,可以通过计算每个蚁群对象在遍历当前数据采集节点时的适应度差异,来更新该节点的适应度参数。更新后的适应度参数可以将蚁群对象在此后的移动过程中考虑进去。根据最新的适应度参数,可以确定每个数据采集节点在垂直方向上的平衡位置。具体来说,可以选择节点适应度参数最高的深度层次作为节点的平衡位置,从而使得数据采集节点的适应度与噪声场变化强度特征之间的匹配度最高。最后,可以根据数据采集节点的平衡位置将其从当前位置移动至平衡位置。移动过程可以使用适当的决策策略,例如,可以选择通过深度方向上的渐进式调整方法,逐步将数据采集节点移动至平衡位置。
通过以上优化方法,可以使各个数据采集节点在垂直方向上调整到平衡位置,从而优化虚拟噪声场模型中各个数据采集节点的空间分布状态,提高数据采集的效率和准确性。
进一步可选地,优化单元103基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度时,具体用于:
首先,确定各个蚁群对象的下一移动节点;其中,计算下一移动节点的数学表达式为:
,
其中,Pij表示蚁群对象j移动到数据采集节点i的概率,τij表示蚁群对象j经过数据采集节点i的信息素浓度,ηij为数据采集节点i的启发式因子,k表示蚁群对象j当前所在的数据采集节点,α为信息素浓度对路径选择的重要度参数,β为启发式因子对路径选择的重要程度参数,n 为数据采集节点的总数。
进而,基于下一移动节点更新初始化路径,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度,直到各个蚁群对象遍历完所有的数据采集节点。
这样,通过优化单元103基于各个蚁群对象的起始位置和初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度,可以实现更有效的噪声场数据采集。优化过程中,蚁群对象利用信息素浓度和启发式因子综合决策,选择下一个移动节点,从而避免了大量计算或探测所带来的时间和资源消耗。同时,通过动态更新信息素浓度和移动路径,可以逐步优化节点空间分布状态,提高数据采集的效率和准确性。
进一步可选地,优化单元103基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数时,具体用于:
对各个蚁群对象的当前移动路径以及对应的当前信息素浓度进行计算,以得到各个数据采集节点的适应度参数;其中,计算适应度参数的数学表达式为:
,
其中,Fi (t+1)表示数据采集节点i在下一时刻t+1的适应度参数值,Fi (t)表示数据采集节点i在时刻t的适应度参数值,ρ为信息素蒸发参数,Lij为蚁群对象j经过数据采集节点i的路径长度,C为常数,C用于调整适应度参数的数值范围,n 为数据采集节点的总数。
这样,通过优化单元103基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数,可以根据蚁群对象的移动路径长度和信息素浓度,对数据采集节点进行适应度评估。适应度参数可以反映节点在当前环境中的适应度和重要性程度。通过不断更新适应度参数,可以使得优化过程更加准确和稳定,提高噪声场数据采集的效果。
进一步可选地,优化单元103基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置时,具体用于:
对基于各个数据采集节点更新后的适应度参数进行计算,以得到各个数据采集节点可优化的平衡位置;其中,计算平衡位置的数学表达式为:
,
其中,Bi表示数据采集节点i的可优化平衡位置,n 为数据采集节点的总数,Fj表示数据采集节点j的适应度参数,xj表示数据采集节点j的初始位置。
这样,通过优化单元103基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置,可以根据数据采集节点的适应度参数和初始位置,评估数据采集节点在当前环境中的平衡状态。通过不断更新平衡位置,可以使得数据采集节点逐渐向更适合的位置移动,从而提高噪声场数据采集的效果。通过平衡位置的优化,可以使得海洋环境数据采集的覆盖范围更广,采集效率和准确性更高。
本系统还包括校正单元。通过校正单元的功能,系统可以通过虚拟噪声场模型进行预测和校正,得到数据采集节点的更准确的位置状态估计,从而提高数据采集的精度和可靠性。校正单元可以对节点位置进行校正和调整,提供更可靠的数据采集结果
具体而言,在一可选实施例中,校正单元用于采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态;根据节点位置估计状态生成对应的粒子集合;粒子集合中每个粒子表示一个数据采集节点的节点位置估计状态;对节点位置估计状态与实际优化调整得到的平衡位置进行拟合对比处理,以得到各个数据采集节点的权重度;各个数据采集节点的权重度用于指示各个数据采集节点的节点位置估计状态与实际得到的平衡位置之间的拟合程度;基于各个数据采集节点的权重度对粒子集合进行重采样,以获得各个数据采集节点的修正因子;将修正因子输入到虚拟噪声场模型中,以校正虚拟噪声场模型中各个数据采集节点的空间分布状态。
本实施例中,通过采用优化后的虚拟噪声场模型和无迹虚拟声场滤波技术,校正单元可以实现对数据采集节点位置的准确预测和校正。这有助于提高节点位置估计的准确性,减少位置偏差和误差。进而,根据节点位置估计状态生成对应的粒子集合,并通过对比实际优化调整得到的平衡位置,计算每个粒子的权重度。这样可以对节点位置估计状态进行优化调整,使其更接近实际平衡位置,进一步提高定位的准确性。进而,根据各个数据采集节点的权重度进行粒子重采样,使拟合程度较高的粒子得到更多重复,从而提高粒子集合的质量。通过选择最优的粒子集合,校正单元可以进一步提高节点位置估计的准确性和稳定性。进而,将修正因子输入虚拟噪声场模型,可以校正模型中各个数据采集节点的空间分布状态。这有助于改善噪声场模型的准确性和适应性,提高位置估计的稳定性和可靠性。通过以上的功能和效果,校正单元能够进一步提高数据采集节点的位置估计质量,减少误差和偏差,从而为后续的数据处理和应用提供更准确、可靠的空间部署信息。
进一步可选地,校正单元采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态时,具体用于:
采用无迹变换生成各个数据采集节点对应的多组虚拟声场点;将多组虚拟声场点传递到虚拟噪声场模型中,得到各个数据采集节点的节点位置估计初始状态;获取多组虚拟声场点的测量残差以及协方差矩阵;基于测量残差以及协方差矩阵,采用卡尔曼滤波调整节点位置估计初始状态,以得到各个数据采集节点的节点位置估计状态。
这样,通过使用无迹变换生成多组虚拟声场点,可以更好地捕捉系统状态的不确定性和非线性。这有助于提高预测的准确性,特别是在处理非线性系统模型时表现优秀。进一步地,将多组虚拟声场点传递到虚拟噪声场模型中,可以获得节点位置估计的初始状态。虚拟噪声场模型利用这些初始状态进行计算,并提供更准确的节点位置估计结果。进一步地,获取多组虚拟声场点的测量残差和协方差矩阵,有助于对测量数据的质量进行评估。这可以提供更多的信息,让校正单元更准确地调整节点位置估计的初始状态。进一步地,基于测量残差和协方差矩阵,采用卡尔曼滤波算法可以更精确地调整节点位置估计的初始状态。卡尔曼滤波算法综合利用测量数据和模型预测,提供更可靠的节点位置估计状态。通过以上的操作,校正单元可以在采用优化后的虚拟噪声场模型和无迹虚拟声场滤波的基础上,使用无迹变换生成多组虚拟声场点,并结合卡尔曼滤波进行状态预测和校正。这样的处理流程能够进一步提高数据采集节点的位置估计准确性,提供更可靠的位置信息。
进一步可选地,校正单元基于各个数据采集节点的权重度对粒子集合进行重采样,以获得各个数据采集节点的修正因子时,具体用于:
将各个数据采集节点的权重度进行归一化处理,以得到各个数据采集节点的归一化权重度;所有数据采集节点的归一化权重度之和为1;基于各个数据采集节点的归一化权重度,对粒子集合中每个粒子按照对应的归一化权重度进行计算,以构建得到粒子集合的累积概率分布;根据粒子集合的累积概率分布以及随机生成的随机种子,对粒子集合进行重采样,以获得重采样粒子集合;其中,粒子的归一化权重度越大,被选入重采样粒子集合的概率越高;基于重采样粒子集合计算各个数据采集节点的修正因子。
本申请实施例,修正因子用于修正卡尔曼滤波过程中产生的预测误差。根据抽样得到的粒子集合,更新节点位置的修正因子。修正因子实际上是对每个粒子的权重度进行规范化后的结果。它将用于调整节点位置的估计值和协方差矩阵,以更好地反映实际数据的影响。
举例来说,假设有三个数据采集节点,对应的归一化权重度分别为0.4、0.3和0.3。根据归一化权重度,可以构建粒子集合的累积概率分布。假设根据累积概率分布和随机种子进行重采样,选中了两个粒子,其中一个来自于第一个节点,另一个来自于第三个节点。这种重采样方式使得更接近实际平衡位置的节点具有更大的概率被选入重采样粒子集合中。
这样,通过重采样得到的粒子集合,可以计算各个数据采集节点的修正因子。这些修正因子可以进一步调整粒子集合,以优化节点位置估计结果,使其更符合实际平衡位置,从而提高位置估计的精度和可靠性。
进一步可选地,校正单元基于重采样粒子集合计算各个数据采集节点的修正因子的一个示例如下:
假设有一个目标海洋区域,其中有三个数据采集节点A、B和C,分别测量海洋环境的盐度。初始时,每个节点采集到的盐度数据如下:节点A: 35 ppt、节点B: 34.5 ppt、节点C: 35.2 ppt。进而,在校正单元中,使用重采样粒子集合来对这些数据进行修正。首先,生成一组假设的盐度值粒子集合,假设共有100个粒子。这些粒子的盐度值是根据初始的节点数据进行随机采样生成的,如下所示:粒子1: 35.1 ppt、粒子2: 34.7 ppt、粒子3: 35.3ppt、...、粒子100: 35.0 ppt。接下来,通过比较每个粒子的盐度值与各个数据采集节点的测量值,校正单元计算得到每个节点的修正因子。修正因子反映了各个节点的测量值与粒子集合中的假设值之间的差异。例如,假设修正因子的取值范围为0到1,其中修正因子值为0表示节点测量值与粒子集合中的假设值完全不匹配,而修正因子值为1表示节点测量值与粒子集合中的假设值完全匹配。假设经过计算得到了以下的修正因子:节点A的修正因子:0.8、节点B的修正因子: 0.9、节点C的修正因子: 0.7。接着,校正单元根据修正因子对各个数据采集节点的测量值进行修正,修正后的盐度数据如下:节点A修正后的盐度: 35 ppt *0.8 = 28 ppt、节点B修正后的盐度: 34.5 ppt * 0.9 = 30.6 ppt、节点C修正后的盐度:35.2 ppt * 0.7 = 24.64 ppt。进而,通过校正单元的修正,将数据采集节点的测量值根据修正因子进行调整,使其更接近于重采样粒子集合中的假设值。这样可以提高节点测量值的准确性和可靠性,并降低由于噪声或系统误差引起的测量偏差。
本申请实施例中,通过监测单元101、建立单元102、优化单元103的相互配合,对数据采样点的动态布局优化,能够在各个深度层次上对目标海洋区域进行数据采集,实现更为全面准确的海洋环境监测,有利于获取目标海洋环境的环境变化特点,实现对目标海洋环境的垂直性分析。
在本申请的又一实施例中,还提供了一种海洋环境智能监测方法,如图2所示,所述方法包括:
201、获取目标海洋区域中的海洋环境数据;海洋环境数据至少来自于:目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速;
202、基于海洋环境数据建立虚拟噪声场模型,其中虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据;
203、获取虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数;
204、基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化虚拟噪声场模型中各个数据采集节点的空间分布状态;
205、通过优化后的各个数据采集节点,对目标海洋区域进行实时监测,以获得目标海洋区域的目标海洋环境数据。
进一步可选地,所述方法还包括:采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态;根据所述节点位置估计状态生成对应的粒子集合;所述粒子集合中每个粒子表示一个数据采集节点的节点位置估计状态;对所述节点位置估计状态与实际优化调整得到的平衡位置进行拟合对比处理,以得到各个数据采集节点的权重度;所述各个数据采集节点的权重度用于指示各个数据采集节点的节点位置估计状态与实际得到的平衡位置之间的拟合程度;基于各个数据采集节点的权重度对所述粒子集合进行重采样,以获得各个数据采集节点的修正因子;将所述修正因子输入到所述虚拟噪声场模型中,以校正所述虚拟噪声场模型中各个数据采集节点的空间分布状态。
进一步可选地,采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态,具体包括:
采用无迹变换生成各个数据采集节点对应的多组虚拟声场点;
将所述多组虚拟声场点传递到所述虚拟噪声场模型中,得到各个数据采集节点的节点位置估计初始状态;
获取所述多组虚拟声场点的测量残差以及协方差矩阵;
基于所述测量残差以及所述协方差矩阵,采用卡尔曼滤波调整所述节点位置估计初始状态,以得到各个数据采集节点的节点位置估计状态。
进一步可选地,基于各个数据采集节点的权重度对所述粒子集合进行重采样,以获得各个数据采集节点的修正因子,具体包括:
将各个数据采集节点的权重度进行归一化处理,以得到各个数据采集节点的归一化权重度;所有数据采集节点的归一化权重度之和为1;
基于各个数据采集节点的归一化权重度,对所述粒子集合中每个粒子按照对应的归一化权重度进行计算,以构建得到所述粒子集合的累积概率分布;
根据所述粒子集合的累积概率分布以及随机生成的随机种子,对所述粒子集合进行重采样,以获得重采样粒子集合;其中,粒子的归一化权重度越大,被选入所述重采样粒子集合的概率越高;
基于所述重采样粒子集合计算各个数据采集节点的修正因子;所述修正因子用于修正卡尔曼滤波过程中产生的预测误差。
进一步可选地,基于所述海洋环境数据建立虚拟噪声场模型,具体包括:
根据各个数据采集节点构成的数据采集网络布局,对所述海洋环境数据进行空间相关性计算,以获得虚拟噪声场数据;所述虚拟噪声场数据用于表示各个数据采集节点之间的非均匀性和空间相关性;
将所述虚拟噪声场数据输入垂直相关性模型中,以提取各个数据采集节点之间的噪声场差异信息;所述噪声场差异信息用于表示各个数据采集节点之间因垂直方向上深度分布差异而导致的虚拟噪声场数据变化趋势;
根据所述噪声场差异信息以及所述海洋环境数据,模拟构建出所述虚拟噪声场模型。
进一步可选地,获取所述虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数,具体包括:
提取所述虚拟噪声场模型中各个数据采集节点在垂直方向上的噪声场变化强度特征;所述噪声场变化强度特征至少包括:温度梯度特征、盐度变化特征、流速变化特征、声压变化特征、振速变化特征中的一个;
对所述噪声场变化强度特征进行适应度匹配处理,以获得所述适应度参数;其中,所述适应度参数用于指示数据采集节点所处位置与噪声场变化强度特征的匹配程度;适应度匹配处理的数学表达式为:
,
其中,Fitnessi表示第i个数据采集节点的适应度参数,vij表示第j个深度层次上的噪声场变化强度特征的值,xij表示第i个数据采集节点在第j个深度层次上的适应度参数值,wj为第j个深度层次上的权重。
进一步可选地,基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化所述虚拟噪声场模型中各个数据采集节点的空间分布状态,具体包括:
为各个数据采集节点设置对应的初始化信息素浓度;所述初始化信息素浓度基于海洋环境的历史海洋环境数据和/或先验因子设置;
基于各个数据采集节点的适应度参数,获取各个蚁群对象的起始位置;各个蚁群对象以各自对应的数据采集节点为起始位置;
基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度;
基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数;
基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置,并将各个数据采集节点从当前位置移动至所述平衡位置。
进一步可选地,基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度,具体包括:
确定各个蚁群对象的下一移动节点;其中,计算所述下一移动节点的数学表达式为:
,
其中,Pij表示蚁群对象j移动到数据采集节点i的概率,τij表示蚁群对象j经过数据采集节点i的信息素浓度,ηij为数据采集节点i的启发式因子,k表示蚁群对象j当前所在的数据采集节点,α为信息素浓度对路径选择的重要度参数,β为启发式因子对路径选择的重要程度参数,n 为数据采集节点的总数;
基于所述下一移动节点更新所述初始化路径,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度,直到各个蚁群对象遍历完所有的数据采集节点。
进一步可选地,基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数,具体包括:
对各个蚁群对象的当前移动路径以及对应的当前信息素浓度进行计算,以得到各个数据采集节点的适应度参数;其中,计算适应度参数的数学表达式为:
,
其中,Fi (t+1)表示数据采集节点i在下一时刻t+1的适应度参数值,Fi (t)表示数据采集节点i在时刻t的适应度参数值,ρ为信息素蒸发参数,Lij为蚁群对象j经过数据采集节点i的路径长度,C为常数,C用于调整所述适应度参数的数值范围,n 为数据采集节点的总数。
进一步可选地,基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置,具体包括
对基于各个数据采集节点更新后的适应度参数进行计算,以得到各个数据采集节点可优化的平衡位置;其中,计算平衡位置的数学表达式为:
,
其中,Bi表示数据采集节点i的可优化平衡位置,n 为数据采集节点的总数,Fj表示数据采集节点j的适应度参数,xj表示数据采集节点j的初始位置。
上述海洋环境智能监测方法,通过对数据采样点的动态布局优化,能够在各个深度层次上对目标海洋区域进行数据采集,实现更为全面准确的海洋环境监测,有利于获取目标海洋环境的环境变化特点,实现对目标海洋环境的垂直性分析。
在本申请的又一实施例中,还提供一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现方法实施例所述的海洋环境智能监测系统。
上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。
为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(non-volatil ememory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(Central Pro-
cessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ApplicationSpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。
Claims (10)
1.一种海洋环境智能监测系统,其特征在于,所述系统包括:
监测单元,用于获取目标海洋区域中的海洋环境数据;所述海洋环境数据至少来自于:所述目标海洋区域中各个数据采集节点的盐度、流速、浊度、声压、振速;
建立单元,用于基于所述海洋环境数据建立虚拟噪声场模型,其中所述虚拟噪声场模型用于模拟各个数据采集节点之间在垂直方向上相互作用得到的噪声场预测数据;获取所述虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数;
优化单元,用于基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化所述虚拟噪声场模型中各个数据采集节点的空间分布状态;
所述监测单元,还用于通过优化后的各个数据采集节点,对所述目标海洋区域进行实时监测,以获得所述目标海洋区域的目标海洋环境数据。
2.根据权利要求1所述的海洋环境智能监测系统,其特征在于,所述系统还包括校正单元,用于
采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态;
根据所述节点位置估计状态生成对应的粒子集合;所述粒子集合中每个粒子表示一个数据采集节点的节点位置估计状态;
对所述节点位置估计状态与实际优化调整得到的平衡位置进行拟合对比处理,以得到各个数据采集节点的权重度;所述各个数据采集节点的权重度用于指示各个数据采集节点的节点位置估计状态与实际得到的平衡位置之间的拟合程度;
基于各个数据采集节点的权重度对所述粒子集合进行重采样,以获得各个数据采集节点的修正因子;
将所述修正因子输入到所述虚拟噪声场模型中,以校正所述虚拟噪声场模型中各个数据采集节点的空间分布状态。
3.根据权利要求2所述的海洋环境智能监测系统,其特征在于,所述校正单元采用优化后的虚拟噪声场模型,采用无迹虚拟声场滤波进行状态预测和校正,得到各个数据采集节点的节点位置估计状态时,具体用于:
采用无迹变换生成各个数据采集节点对应的多组虚拟声场点;
将所述多组虚拟声场点传递到所述虚拟噪声场模型中,得到各个数据采集节点的节点位置估计初始状态;
获取所述多组虚拟声场点的测量残差以及协方差矩阵;
基于所述测量残差以及所述协方差矩阵,采用卡尔曼滤波调整所述节点位置估计初始状态,以得到各个数据采集节点的节点位置估计状态。
4.根据权利要求3所述的海洋环境智能监测系统,其特征在于,所述校正单元基于各个数据采集节点的权重度对所述粒子集合进行重采样,以获得各个数据采集节点的修正因子时,具体用于:
将各个数据采集节点的权重度进行归一化处理,以得到各个数据采集节点的归一化权重度;所有数据采集节点的归一化权重度之和为1;
基于各个数据采集节点的归一化权重度,对所述粒子集合中每个粒子按照对应的归一化权重度进行计算,以构建得到所述粒子集合的累积概率分布;
根据所述粒子集合的累积概率分布以及随机生成的随机种子,对所述粒子集合进行重采样,以获得重采样粒子集合;其中,粒子的归一化权重度越大,被选入所述重采样粒子集合的概率越高;
基于所述重采样粒子集合计算各个数据采集节点的修正因子;所述修正因子用于修正卡尔曼滤波过程中产生的预测误差。
5.根据权利要求1所述的海洋环境智能监测系统,其特征在于,所述建立单元基于所述海洋环境数据建立虚拟噪声场模型时,具体用于:
根据各个数据采集节点构成的数据采集网络布局,对所述海洋环境数据进行空间相关性计算,以获得虚拟噪声场数据;所述虚拟噪声场数据用于表示各个数据采集节点之间的非均匀性和空间相关性;
将所述虚拟噪声场数据输入垂直相关性模型中,以提取各个数据采集节点之间的噪声场差异信息;所述噪声场差异信息用于表示各个数据采集节点之间因垂直方向上深度分布差异而导致的虚拟噪声场数据变化趋势;
根据所述噪声场差异信息以及所述海洋环境数据,模拟构建出所述虚拟噪声场模型。
6.根据权利要求1所述的海洋环境智能监测系统,其特征在于,所述建立单元获取所述虚拟噪声场模型中各个数据采集节点在目标海洋区域中垂直方向上的适应度参数时,具体用于:
提取所述虚拟噪声场模型中各个数据采集节点在垂直方向上的噪声场变化强度特征;所述噪声场变化强度特征至少包括:温度梯度特征、盐度变化特征、流速变化特征、声压变化特征、振速变化特征中的一个;
对所述噪声场变化强度特征进行适应度匹配处理,以获得所述适应度参数;其中,所述适应度参数用于指示数据采集节点所处位置与噪声场变化强度特征的匹配程度。
7.根据权利要求1所述的海洋环境智能监测系统,其特征在于,所述优化单元基于各个数据采集节点的适应度参数,将各个数据采集节点在垂直方向上调整到平衡位置,以优化所述虚拟噪声场模型中各个数据采集节点的空间分布状态时,具体用于:
为各个数据采集节点设置对应的初始化信息素浓度;所述初始化信息素浓度基于海洋环境的历史海洋环境数据和/或先验因子设置;
基于各个数据采集节点的适应度参数,获取各个蚁群对象的起始位置;各个蚁群对象以各自对应的数据采集节点为起始位置;
基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度;
基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数;
基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置,并将各个数据采集节点从当前位置移动至所述平衡位置。
8.根据权利要求7所述的海洋环境智能监测系统,其特征在于,所述优化单元基于各个蚁群对象的起始位置以及初始化信息素浓度,驱动各个蚁群对象遍历所有的数据采集节点,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度时,具体用于:
确定各个蚁群对象的下一移动节点;其中,计算所述下一移动节点的数学表达式为:
,
其中,Pij表示蚁群对象j移动到数据采集节点i的概率,τij表示蚁群对象j经过数据采集节点i的信息素浓度,ηij为数据采集节点i的启发式因子,k表示蚁群对象j当前所在的数据采集节点,α为信息素浓度对路径选择的重要度参数,β为启发式因子对路径选择的重要程度参数,n 为数据采集节点的总数;
基于所述下一移动节点更新所述初始化路径,以得到各个蚁群对象的当前移动路径以及对应的当前信息素浓度,直到各个蚁群对象遍历完所有的数据采集节点。
9.根据权利要求7所述的海洋环境智能监测系统,其特征在于,所述优化单元基于各个蚁群对象的当前移动路径以及对应的当前信息素浓度,更新各个数据采集节点的适应度参数时,具体用于:
对各个蚁群对象的当前移动路径以及对应的当前信息素浓度进行计算,以得到各个数据采集节点的适应度参数;其中,计算适应度参数的数学表达式为:
,
其中,Fi (t+1)表示数据采集节点i在下一时刻t+1的适应度参数值,Fi (t)表示数据采集节点i在时刻t的适应度参数值,ρ为信息素蒸发参数,Lij为蚁群对象j经过数据采集节点i的路径长度,C为常数,C用于调整所述适应度参数的数值范围,n 为数据采集节点的总数。
10.根据权利要求9所述的海洋环境智能监测系统,其特征在于,所述优化单元基于各个数据采集节点更新后的适应度参数,确定各个数据采集节点可优化的平衡位置时,具体用于:
对基于各个数据采集节点更新后的适应度参数进行计算,以得到各个数据采集节点可优化的平衡位置;其中,计算平衡位置的数学表达式为:
,
其中,Bi表示数据采集节点i的可优化平衡位置,n 为数据采集节点的总数,Fj表示数据采集节点j的适应度参数,xj表示数据采集节点j的初始位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705065.1A CN117405175B (zh) | 2023-12-13 | 2023-12-13 | 海洋环境智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705065.1A CN117405175B (zh) | 2023-12-13 | 2023-12-13 | 海洋环境智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117405175A true CN117405175A (zh) | 2024-01-16 |
CN117405175B CN117405175B (zh) | 2024-02-23 |
Family
ID=89496492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311705065.1A Active CN117405175B (zh) | 2023-12-13 | 2023-12-13 | 海洋环境智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117405175B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257347A (zh) * | 2012-02-17 | 2013-08-21 | 中国人民解放军海军装备研究院舰艇作战系统论证研究所 | 一种实际使用环境下的声纳作用距离指标的获取方法 |
KR101885991B1 (ko) * | 2017-02-23 | 2018-08-07 | 광주과학기술원 | 실시간 해양환경 모니터링을 위한 음향 토모그래피 시스템 및 그 방법 |
CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策系统的水下潜器路径规划方法 |
CN109387832A (zh) * | 2018-10-12 | 2019-02-26 | 阜阳师范学院 | 一种基于阿尔法贝塔滤波器的雷达目标跟踪系统扰动目标滤波方法 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
JP2022094196A (ja) * | 2020-12-14 | 2022-06-24 | 国立大学法人東京工業大学 | 通信監視システム、通信監視方法、及びプログラム |
WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划系统 |
CN116631169A (zh) * | 2023-05-08 | 2023-08-22 | 自然资源部第二海洋研究所 | 一种多功能海洋环境监测预警智能系统 |
CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、系统及电子设备 |
-
2023
- 2023-12-13 CN CN202311705065.1A patent/CN117405175B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257347A (zh) * | 2012-02-17 | 2013-08-21 | 中国人民解放军海军装备研究院舰艇作战系统论证研究所 | 一种实际使用环境下的声纳作用距离指标的获取方法 |
KR101885991B1 (ko) * | 2017-02-23 | 2018-08-07 | 광주과학기술원 | 실시간 해양환경 모니터링을 위한 음향 토모그래피 시스템 및 그 방법 |
CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策系统的水下潜器路径规划方法 |
CN109387832A (zh) * | 2018-10-12 | 2019-02-26 | 阜阳师范学院 | 一种基于阿尔法贝塔滤波器的雷达目标跟踪系统扰动目标滤波方法 |
JP2022094196A (ja) * | 2020-12-14 | 2022-06-24 | 国立大学法人東京工業大学 | 通信監視システム、通信監視方法、及びプログラム |
WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
CN116631169A (zh) * | 2023-05-08 | 2023-08-22 | 自然资源部第二海洋研究所 | 一种多功能海洋环境监测预警智能系统 |
CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划系统 |
CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、系统及电子设备 |
Non-Patent Citations (8)
Title |
---|
M.P. OLIVIERI等: "Using ambient noise sonar (ANS) to probe the ocean environment in shallow water", IEEE OCEANIC ENGINEERING SOCIETY. OCEANS\'98. CONFERENCE PROCEEDINGS, 31 December 1998 (1998-12-31) * |
YONGCHUANG SHI等: "Construction of CPUE standardization model and its simulation testing for chub mackerel", ECOLOGICAL INDICATORS, 9 October 2023 (2023-10-09) * |
YU, Y等: "Design of Sensor Nodes In Underwater Sensor Networks", 4TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS, 31 December 2009 (2009-12-31) * |
张强;陈兵奎;刘小雍;刘晓宇;杨航;: "基于改进势场蚁群算法的移动机器人最优路径规划", 农业机械学报, no. 05, 19 February 2019 (2019-02-19) * |
曹梦龙;李飞飞;刘欣涛;: "基于虚拟噪声模型补偿AUV导航算法研究", 系统仿真学报, no. 01, 8 January 2016 (2016-01-08) * |
林恩凡;许江宁;安文;: "改进蚁群算法在海洋信标回收中的应用", 导航定位学报, no. 03, 15 June 2020 (2020-06-15) * |
樊伟;吕咸青;: "基于参数空间分布的海洋生态系统模拟", 海洋科学进展, no. 01, 15 January 2009 (2009-01-15) * |
陈亚云等: "遗传算法与蚁群算法的改进融合", 中国农机化学报, vol. 35, no. 4, 31 July 2014 (2014-07-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117405175B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dung et al. | Multi-objective automatic calibration of hydrodynamic models utilizing inundation maps and gauge data | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN112035941A (zh) | 一种基于bas-bp模型的深基坑开挖地表沉降预测方法 | |
CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
CN115951361A (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
WO2020257263A1 (en) | Systems and methods for solving geosteering inverse problems in downhole environments using a deep neural network | |
CN115060625A (zh) | 浆液密度的获取方法、装置、电子设备及存储介质 | |
CN117077554B (zh) | 一种基于ConvGRU的三维咸潮预报方法 | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN117405175B (zh) | 海洋环境智能监测系统 | |
CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN116579128A (zh) | 基于机器学习模型的工业园区地下水污染在线预测方法 | |
CN108684052A (zh) | 一种高自由度水下传感器网络中无线链路质量预测方法 | |
Yilmaz | Artificial neural networks pruning approach for geodetic velocity field determination | |
Liu et al. | A hybrid GPS height conversion approach considering of neural network and topographic correction | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
CN117807356B (zh) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 | |
Maulana et al. | Prediction of Rainfall Classification of Java Island with ANN-Feature Expansion and Ordinary Kriging | |
CN114971097B (zh) | 土壤墒情数据重建方法及预报方法 | |
CN117113857B (zh) | 全连接深度神经网络模型及反演海底地形的方法 | |
CN116777229B (zh) | 一种地下水位预测方法、系统、终端及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |