CN117792485A - 一种基于卫星的大数据量通信方法 - Google Patents
一种基于卫星的大数据量通信方法 Download PDFInfo
- Publication number
- CN117792485A CN117792485A CN202410208661.7A CN202410208661A CN117792485A CN 117792485 A CN117792485 A CN 117792485A CN 202410208661 A CN202410208661 A CN 202410208661A CN 117792485 A CN117792485 A CN 117792485A
- Authority
- CN
- China
- Prior art keywords
- data
- pile foundation
- terrain
- short message
- scouring
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009991 scouring Methods 0.000 claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 230000005540 biological transmission Effects 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002829 reductive effect Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012876 topography Methods 0.000 claims description 138
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000008878 coupling Effects 0.000 claims description 26
- 238000010168 coupling process Methods 0.000 claims description 26
- 238000005859 coupling reaction Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000011010 flushing procedure Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008054 signal transmission Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 9
- 238000007667 floating Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000002864 sequence alignment Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000012502 risk assessment Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及卫星通信技术领域,尤其涉及一种基于卫星的大数据量通信方法。该方法包括以下步骤:获取短报文数据集并进行指令特征融合,获得指令融合数据;获取海洋环境数据;对海洋环境数据进行降维处理,获得降维海洋环境数据;对桩基地形冲刷监测器进行地形冲刷分布分析,从而获得水下地形冲刷数据;根据水下地形冲刷数据以及桩基地形数据构建地形冲刷动态模型,对海洋环境数据进行地形冲刷模拟,获得地形冲刷模拟数据;获取北斗终端天线数据并进行最优天线朝向选择,获得最优天线朝向数据;根据最优天线朝向数据以及降维海洋环境数据进行通信传输策略分析,获得通信传输策略。本发明基于数据挖掘有效提高了通信成功率。
Description
技术领域
本发明涉及卫星通信技术领域,尤其涉及一种基于卫星的大数据量通信方法。
背景技术
海上风电具有资源丰富、发电利用小时数高的特点,是新能源开发的前沿领域,受到沿海国家的广泛关注。海上风电桩基础及海缆稳定性动态监测一体化设备是开发、监测、维护海洋风电桩的重要保障设备,突破海洋无信号地区保障数据可靠性传输的技术是研发海上风电桩基础及海缆稳定性动态监测一体化设备的必由之路。现有海洋无信号地区无线通信技术主要采用北斗短报文通信。北斗短报文通信技术是卫星无线电测定业务(RDSS)系统通过码分多址直接序列的方式扩频调制,RDSS系统由我国自主研发的北斗卫星导航系统(BDS)提供。其扩频伪码采用周期性伪随机码序列,通过L波段频率发送通信申请至北斗卫星,北斗卫星将信号转换为C波段后转发至地面中心站,地面网关中心解密并再加密之后进行传播。用户可通过北斗终端一次传送多达120个汉字的短报文,特别适合应用于应急或特殊情况时的信息传递。整个系统点对点通信时延为1-5s。数据误码率小于,并有效减少码间的干扰现象。其缺陷在于发送成功率有限。
发明内容
基于此,本发明有必要提供一种基于卫星的大数据量通信方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于卫星的大数据量通信方法,应用于海洋通信设备,海洋通信设备包括环境参数监测器、桩基地形冲刷监测器、控制器、与控制器电性连接的4G模组、北斗数据终端以及电源组件,其中电源组件包括太阳能面板以及与太阳能面板电性连接的储能电池;环境参数监测器、桩基地形冲刷监测器、北斗数据终端以及电源组件均与控制器电性连接;该基于卫星的大数据量通信方法包括以下步骤:
步骤S1:通过北斗数据终端获取短报文数据集,并对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;并对接收通道短报文数据以及兼收通道短报文数据进行指令特征融合,从而获得指令融合数据;
步骤S2:根据指令融合数据对环境参数监测器进行海洋环境参数采集,从而获得海洋环境数据;对海洋环境数据进行降维处理,从而获得降维海洋环境数据,并将降维海洋环境数据传输至4G模组,以执行数据备份任务;
步骤S3:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;根据桩基地形数据以及桩基水文数据进行地形冲刷分布分析,从而获得水下地形冲刷数据;
步骤S4:根据水下地形冲刷数据以及桩基地形数据构建地形冲刷动态模型,并通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据;
步骤S5:通过北斗数据终端获取北斗终端天线数据,并根据地形冲刷模拟数据以及海洋环境数据对北斗终端天线数据进行最优天线朝向选择,从而获得最优天线朝向数据;
步骤S6:根据最优天线朝向数据以及降维海洋环境数据进行通信传输策略分析,从而获得通信传输策略,并将通信传输策略传输至北斗数据终端,以执行通信传输任务。
本发明通过北斗数据终端获取短报文数据集,对短报文数据进行分类和融合,可以提高数据的整合程度和可用性,从而更有效地指导后续监测和操作。通过海洋环境参数采集,可以及时获取环境数据,有助于了解当前海洋环境的状态,为设备的监测和维护提供基础数据。数据备份任务有助于保障数据的安全性和完整性,即使出现数据丢失或损坏的情况,也能够及时恢复。通过桩基地形和水文参数的采集,可以全面了解桩基周围的地形和水文情况,为后续分析和模拟提供基础数据。构建地形冲刷动态模型和进行模拟,可以预测桩基在不同海洋环境下可能面临的冲刷情况,有助于制定相应的维护和保护措施。对北斗终端天线数据进行最优天线朝向选择,可以优化通信效率,提高数据传输的稳定性和可靠性。通过通信传输策略分析,可以根据海洋环境和天线朝向等因素制定合适的传输策略,从而保障数据传输的及时性和可靠性,从而提高发送成功率。
可选地,步骤S1具体为:
步骤S11:通过北斗数据终端获取短报文数据集;
步骤S12:对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;
步骤S13:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据,并对归一化接收通道短报文数据以及归一化兼收通道短报文数据分别进行指令特征提取,从而获得接收通道短报文指令特征数据以及兼收通道短报文指令特征数据;
步骤S14:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行指令特征数据融合处理,从而获得指令融合数据。
本发明通过北斗数据终端获取短报文数据集,为后续的监测和决策提供了实时的环境信息。对短报文数据进行分类,分为接收通道和兼收通道。有助于区分不同类型的数据,为后续的处理和分析提供了更好的数据基础。对接收通道短报文数据以及兼收通道短报文数据进行归一化,使其具有统一的尺度和标准,消除不同通道带来的数据差异。归一化有助于提高数据处理的准确性,确保后续处理的一致性和可比性。提取指令特征,即从归一化后的数据中抽取对后续任务有意义的特征。通过特征提取,可以捕捉到数据中的关键信息,为后续的分类和分析提供更有针对性的数据。将不同通道提取的指令特征数据进行融合,形成综合的指令特征数据。融合不同通道的数据有助于综合考虑不同通道的信息,提高整体数据的综合性和可信度,为最终的指令融合数据提供更全面的信息。
可选地,步骤S13具体为:
步骤S131:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据;
步骤S132:获取指令词汇库,并根据指令词汇库对归一化接收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令特征数据;
步骤S133:对归一化兼收通道短报文数据进行时序特征提取以及空间特征提取,从而获得兼收通道时序数据以及兼收通道空间数据;
步骤S134:根据指令词汇库对归一化兼收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令数据;
步骤S135:对兼收通道时序数据以及兼收通道空间数据进行特征融合,从而获得兼收通道短报文指令特征数据。
本发明对接收通道短报文数据和兼收通道短报文数据进行归一化处理,数据被调整到统一的尺度,避免了由于不同通道之间的数值差异引起的偏差。这有助于提高后续分析的准确性和可靠性。通过提取指令特征,可以捕捉到短报文中与系统指令相关的信息,有助于识别和理解通信中涉及的具体操作和命令。时序特征可以揭示数据随时间的变化趋势,而空间特征可以反映不同通道之间的空间分布情况。有助于更全面地了解数据的动态性和关联性。利用指令词汇库对归一化兼收通道短报文数据进行指令特征提取。有助于从兼收通道中提取与系统指令相关的信息,能够有助于理解通信内容。特征融合能够将来自不同通道的信息综合起来,提供更全面、综合的特征表示。有助于在后续的分析和决策中更好地考虑多通道数据的相互影响,增强系统对整体情境的理解。
可选地,步骤S14具体为:
步骤S141:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行数据对齐,从而获得完全对齐数据以及不完全对齐数据;
步骤S142:根据完全对齐数据进行统计分析,从而获得特征值一致数据以及特征值不一致数据;
步骤S143:对特征值一致数据进行相同特征值唯一性选择,从而获得第一数据对齐数据;
步骤S144:对特征值不一致数据进行同源数据差值计算,从而获得同源数据差值,并根据同源数据差值对特征值不一致数据进行差值最小数据选择,从而获得第二数据对齐数据;
步骤S145:对不完全对齐数据进行时序排序合并,从而获得时序对齐数据;
步骤S146:对第一数据对齐数据、第二数据对齐数据以及时序对齐数据进行数据融合处理,从而获得指令融合数据。
本发明对接收通道短报文指令特征数据和兼收通道短报文指令特征数据进行对齐,得到完全对齐数据和不完全对齐数据。通过数据对齐,确保了在后续的分析中相同时间戳的数据可以被正确匹配,保持了数据的时序关系,有助于更准确地理解通信数据。根据完全对齐数据进行统计分析,得到特征值一致数据和特征值不一致数据。有助于发现不同通道数据之间的共性和差异,为后续的数据处理提供了基础,使得可以有针对性地处理不同情况。通过选择相同特征值的唯一性,可以剔除冗余信息,获得更为紧凑和具有代表性的数据,提高数据的可解释性和可用性。通过差值计算,能够在特征值不一致的情况下,寻找最接近的数据,确保对齐后的数据更具代表性和一致性。通过时序排序和合并,保留了不完全对齐数据中的有用信息,使得后续分析更具有连续性和完整性。数据融合将不同来源的数据综合起来,得到更全面的信息。这有助于提高对整体通信情境的理解,为后续的决策和分析提供更有力的支持。
可选地,步骤S3具体为:
步骤S31:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;
步骤S32:对桩基地形数据以及桩基水文数据进行空间对齐,从而获得对齐桩基地形数据以及对齐桩基水文数据;
步骤S33:对对齐桩基地形数据进行高程信息提取,从而获得高程地形特征数据,并对高程地形特征数据进行时序标记,从而获得高程地形时序数据;
步骤S34:对对齐桩基水文数据进行水文条件分析,从而获得桩基水文条件数据;
步骤S35:根据桩基水文条件数据对高程地形时序数据进行地形-水文耦合分析,从而获得水下地形冲刷数据。
本发明通过监测器采集桩基地形和水文参数,提供了关键的基础数据,使得后续的分析能够建立在实际监测数据的基础上,确保了分析的准确性和真实性。对桩基地形和水文数据进行空间对齐,得到对齐的数据,确保这两类数据在空间上具有一致的位置信息。通过空间对齐,确保了后续分析中的地形和水文数据能够准确地对应,为后续地形-水文耦合分析提供了一致的时空框架。从对齐的桩基地形数据中提取高程信息,进行时序标记,得到高程地形时序数据。高程信息提取有助于了解地形的高程变化情况,时序标记则为后续的时间相关分析提供了基础,例如检测地形变化趋势、周期性等。对对齐的桩基水文数据进行水文条件分析,得到桩基水文条件数据。水文条件分析可以揭示不同时间点水文状况的变化,为地形-水文耦合分析提供了关键信息,有助于理解地形冲刷的驱动因素。利用桩基水文条件数据对高程地形时序数据进行地形-水文耦合分析,获得水下地形冲刷数据。地形-水文耦合分析揭示了水文条件对地形变化的影响,可以识别水下地形冲刷的模式、趋势和关联性,为工程管理和风险评估提供了重要信息。
可选地,步骤S4具体为:
步骤S41:根据桩基地形数据进行桩基地形图像提取,从而获得桩基地形图像;并根据水下地形冲刷数据对桩基地形图像进行冲刷区域标记,从而获得桩基地形标记图像;
步骤S42:根据桩基地形标记图像以及高程地形时序数据构建时空3D卷积神经网络;
步骤S43:根据水下地形冲刷数据对时空3D卷积神经网络进行地形-水文耦合关联迭代调参,从而获得地形冲刷动态模型;
步骤S44:通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据。
本发明通过桩基地形数据提取桩基地形图像,并根据水下地形冲刷数据标记冲刷区域,得到冲刷标记图像。桩基地形图像提取有助于直观地展示桩基地形的形态特征,冲刷区域标记则能够将地形冲刷的影响直观地显示出来,为后续模型构建提供了重要的输入数据。利用桩基地形标记图像和高程地形时序数据构建时空3D卷积神经网络。时空3D卷积神经网络能够捕捉地形和水文数据在时空上的关联性,有助于建立更准确、更可靠的地形冲刷动态模型。根据水下地形冲刷数据对时空3D卷积神经网络进行地形-水文耦合关联迭代调参。通过迭代调参,模型能够更好地捕捉地形和水文数据之间的关联关系,提高了模型的准确性和泛化能力,使得模拟结果更具有可信度。利用地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,获得地形冲刷模拟数据。地形冲刷模拟能够在不同情景下预测地形冲刷的发展趋势和影响范围,为工程规划、环境保护和风险评估提供重要参考,帮助决策者采取相应的应对措施。
可选地,步骤S44具体为:
步骤S441:对海洋环境数据进行海洋洋流范围分析,从而获得海洋洋流范围;
步骤S442:根据海洋洋流范围对桩基地形数据进行洋流局部影响范围划分,从而获得洋流影响桩基地形数据;
步骤S443:通过地形冲刷动态模型对海洋环境数据以及洋流影响桩基地形数据进行地形冲刷模拟,从而获得影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据;
步骤S444:对影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析,从而获得地形冲刷模拟数据。
本发明对海洋环境数据进行分析,以获得海洋洋流范围。能帮助确定海洋中存在的洋流分布范围,为后续的桩基地形数据分析提供了重要的上下文信息。了解洋流分布有助于更准确地预测桩基地形的受影响程度。根据海洋洋流范围,对桩基地形数据进行划分,得到洋流局部影响范围。将桩基地形数据与洋流范围结合起来,可以精确地确定受洋流影响的特定地区。这种划分有助于更有针对性地进行地形冲刷模拟,提高模拟的精度。使用地形冲刷动态模型对海洋环境数据和洋流影响桩基地形数据进行地形冲刷模拟。通过模拟地形冲刷,可以了解在给定海洋环境和洋流条件下,桩基地形可能会受到的冲刷程度。这为工程规划和风险评估提供了关键的信息。对影响范围地形冲刷模拟数据和未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析。通过考虑悬移质的漂浮,即在水流中悬浮的颗粒物质,如泥沙等。通过耦合分析,可以更全面地理解地形冲刷对海洋环境的影响,特别是与悬浮颗粒物的运移关系。
可选地,步骤S5具体为:
步骤S51:通过北斗数据终端获取北斗终端天线数据;
步骤S52:通过桩基倾斜度计算公式对地形冲刷模拟数据以及海洋环境数据进行计算,从而获得桩基倾斜度数据;
步骤S53:对北斗终端天线数据进行天线朝向信号发射成功率统计,从而获得天线朝向信号发射成功率;
步骤S54:通过天线朝向得分计算公式对桩基倾斜度数据以及天线朝向信号发射成功率进行计算,从而获得天线朝向得分数据;
步骤S55:对天线朝向得分数据进行统计分析,从而获得最高天线朝向得分数据;
步骤S56:根据海洋环境数据对最高天线朝向得分数据进行最优天线朝向选择,从而获得最优天线朝向数据。
本发明通过北斗数据终端获取北斗终端天线数据。北斗终端天线数据包含了天线的位置、天线的历史发射情况和姿态信息,这是后续分析的基础。获取准确的天线数据有助于精确计算桩基的倾斜度和评估天线的朝向。使用桩基倾斜度计算公式对地形冲刷模拟数据和海洋环境数据进行计算,得到桩基倾斜度数据。桩基的倾斜度是评估桩基受到地形冲刷和海洋环境影响的关键参数。准确计算倾斜度有助于了解桩基的稳定性和安全性。对北斗终端天线数据进行天线朝向信号发射成功率统计。通过统计成功率,可以评估天线在不同朝向下的信号发射效果。这为后续的天线朝向得分计算提供了关键信息。使用天线朝向得分计算公式对桩基倾斜度数据和天线朝向信号发射成功率进行计算,得到天线朝向得分数据。通过考虑桩基倾斜度和天线信号发射成功率,计算天线朝向得分能够综合评估不同朝向的天线性能,为最优天线朝向的选择提供依据。对天线朝向得分数据进行统计分析,得到最高天线朝向得分数据。统计分析有助于确定在各个朝向下天线性能的优劣,找到最有利于数据传输的朝向。根据海洋环境数据,选择最高天线朝向得分数据对应的朝向,确定最优天线朝向数据。考虑海洋环境因素,选择最优天线朝向能够优化数据传输的稳定性和可靠性,提高北斗终端在复杂环境中的性能。
可选地,步骤S52中的桩基倾斜度计算公式具体为:
;
式中,为桩基倾斜度,/>为观测时间,/>为桩基水下长度,/>为桩基总长度,/>为桩基直径,/>为桩基材料参数,/>为海洋动力,/>为桩基与海平面的夹角,/>为海洋潮汐周期,/>为海洋深度。
本发明通过查阅相关技术资料以及询问专家意见,总结出了一个桩基倾斜度计算公式。该公式充分考虑了影响桩基倾斜度的观测时间/>,桩基水下长度/>,桩基总长度/>,桩基直径/>,桩基材料参数/>,海洋动力/>,桩基与海平面的夹角/>,海洋潮汐周期/>,海洋深度/>,形成了函数关系:
;
其中,部分考虑了桩基水下长度与总长度比例、桩基直径和材料参数对桩基倾斜度的影响。/>表示桩基水下长度与总长度比例的对数。/>表示桩基材料参数的三次方根。该部分包含正弦函数和平方根,对这个复杂的函数关于时间/>求导数。部分考虑了海洋潮汐周期、海洋动力、桩基总长度与海洋深度比例、桩基与海平面夹角对桩基倾斜度的影响。/>表示海洋动力和角度影响的平方根的四次方根。/>表示桩基总长度与海洋深度比例的对数的正弦。该部分包含偏导数、余弦、正弦等函数,对这个复杂的函数关于时间/>求导数。在本领域中,通常采用数学建模、计算机模拟等技术手段对桩基倾斜度进行计算。通过采用本发明提供的桩基倾斜度计算公式,能够更准确地得到桩基倾斜度。
可选地,步骤S54中的天线朝向得分计算公式具体为:
;
式中,为天线朝向得分,/>为自然对数的底数,/>为朝向偏差敏感度,/>为理想朝向的期望值,/>为信号发射成功率,/>为桩基倾斜度,/>为天线实际朝向参数,/>为对数项调整参数,/>为误差调整参数。
本发明通过查阅相关技术资料以及询问专家意见,总结出了一个天线朝向得分计算公式。该公式充分考虑了影响天线朝向得分的自然对数的底数/>,朝向偏差敏感度/>,理想朝向的期望值/>,信号发射成功率/>,桩基倾斜度/>,天线实际朝向参数/>,对数项调整参数/>,误差调整参数/>,形成了函数关系:
;
其中,部分是一个典型的Sigmoid函数。Sigmoid函数的作用是将输入值映射到一个范围在0到1之间的概率值。在这个公式中,/>表示天线的实际朝向参数,/>表示朝向偏差敏感度,/>表示理想朝向的期望值。Sigmoid 函数的输出值可以解释为天线实际朝向与理想朝向之间的匹配程度,越接近理想朝向,得分越接近于1。/>其中/>表示信号发射成功率,/>表示桩基倾斜度。这一项可能用于根据天线朝向的信号发射成功率来调整得分。/>为三角函数项,其中/>表示天线实际朝向参数,/>表示桩基倾斜度,/>表示误差调整参数。这一项可能用于考虑天线实际朝向和桩基倾斜度之间的关系。在本领域中,通常采用物理模型和仿真、信号强度和信噪比测量等技术手段对天线朝向得分进行计算。通过采用本发明提供的天线朝向得分计算公式,能够更准确地得到天线朝向得分。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于卫星的大数据量通信方法的步骤流程示意图;
图2为本发明中步骤S1的详细步骤流程示意图;
图3为本发明中步骤S3的详细步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于卫星的大数据量通信方法,所述方法包括以下步骤:
步骤S1:通过北斗数据终端获取短报文数据集,并对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;并对接收通道短报文数据以及兼收通道短报文数据进行指令特征融合,从而获得指令融合数据;
本实施例中通过北斗数据终端获取短报文数据集。例如,通过主动查询北斗终端的API,获取实时的短报文信息。接着,对短报文数据集进行分类,分为接收通道短报文数据和兼收通道短报文数据。通过数据挖掘技术和分类算法,对不同通道的数据进行有效区分。对接收通道短报文数据和兼收通道短报文数据进行指令特征融合。这包括对指令的关键词提取、语义分析等处理。例如,使用自然语言处理技术识别关键词,以建立指令的语义关联性。最终,得到指令融合数据,该数据综合了不同通道的信息,为后续任务提供了更全面的指令基础。
步骤S2:根据指令融合数据对环境参数监测器进行海洋环境参数采集,从而获得海洋环境数据;对海洋环境数据进行降维处理,从而获得降维海洋环境数据,并将降维海洋环境数据传输至4G模组,以执行数据备份任务;
本实施例中基于指令融合数据,对环境参数监测器进行海洋环境参数采集。通过传感器等设备获取海洋环境的温度、湿度、水深等数据。这可能涉及定期轮询传感器、解析传感器数据等过程。对海洋环境数据进行降维处理,以减少数据维度。采用主成分分析等降维技术,将原始的多维海洋环境数据转化为更为紧凑的降维海洋环境数据。这有助于降低数据传输和存储的成本。将降维海洋环境数据传输至4G模组,执行数据备份任务。例如,通过4G通信模块将数据上传至云端,确保数据的安全备份和可远程访问。
步骤S3:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;根据桩基地形数据以及桩基水文数据进行地形冲刷分布分析,从而获得水下地形冲刷数据;
本实施例中对桩基地形冲刷监测器进行桩基地形参数和桩基水文参数采集。通过传感器等设备获取桩基的地形和水文信息,如桩基深度、水位等。根据采集的桩基地形数据和桩基水文数据,进行地形冲刷分布分析。采用地理信息系统(GIS)等工具,分析桩基周围地形的形态和水文条件,得到水下地形冲刷数据。
步骤S4:根据水下地形冲刷数据以及桩基地形数据构建地形冲刷动态模型,并通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据;
本实施例中基于水下地形冲刷数据和桩基地形数据构建地形冲刷动态模型。可能采用数学建模方法,如有限元模型,以模拟桩基在海洋环境中的地形冲刷过程。通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,得到地形冲刷模拟数据。这些数据反映了桩基在不同环境条件下的地形冲刷状态,为后续分析提供了基础。
步骤S5:通过北斗数据终端获取北斗终端天线数据,并根据地形冲刷模拟数据以及海洋环境数据对北斗终端天线数据进行最优天线朝向选择,从而获得最优天线朝向数据;
本实施例中通过北斗数据终端获取北斗终端天线数据。借助获取的地形冲刷模拟数据和海洋环境数据,对北斗终端天线数据进行最优天线朝向选择。包括考虑地形冲刷对信号传输的影响,以及选择最有利于数据传输的天线朝向。
步骤S6:根据最优天线朝向数据以及降维海洋环境数据进行通信传输策略分析,从而获得通信传输策略,并将通信传输策略传输至北斗数据终端,以执行通信传输任务。
本实施例中基于最优天线朝向数据和降维海洋环境数据进行通信传输策略分析。考虑到天线朝向和环境参数对通信性能的影响,制定有效的通信传输策略。将分析得到的通信传输策略传输至北斗数据终端,以执行通信传输任务。例如,通过指导数据终端选择最佳的通信频率和传输时机,以优化通信效果。
本发明通过北斗数据终端获取短报文数据集,对短报文数据进行分类和融合,可以提高数据的整合程度和可用性,从而更有效地指导后续监测和操作。通过海洋环境参数采集,可以及时获取环境数据,有助于了解当前海洋环境的状态,为设备的监测和维护提供基础数据。数据备份任务有助于保障数据的安全性和完整性,即使出现数据丢失或损坏的情况,也能够及时恢复。通过桩基地形和水文参数的采集,可以全面了解桩基周围的地形和水文情况,为后续分析和模拟提供基础数据。构建地形冲刷动态模型和进行模拟,可以预测桩基在不同海洋环境下可能面临的冲刷情况,有助于制定相应的维护和保护措施。对北斗终端天线数据进行最优天线朝向选择,可以优化通信效率,提高数据传输的稳定性和可靠性。通过通信传输策略分析,可以根据海洋环境和天线朝向等因素制定合适的传输策略,从而保障数据传输的及时性和可靠性,从而提高发送成功率。
可选地,步骤S1具体为:
步骤S11:通过北斗数据终端获取短报文数据集;
本实施例中通过北斗数据终端建立通信连接,获取短报文数据集。通过北斗卫星系统传输,数据终端接收并存储短报文数据。北斗系统的高覆盖性和广覆盖区域特性确保数据的可靠获取,包括但不限于位置信息、时间戳和短文本内容。
步骤S12:对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;
本实施例中对短报文数据集进行分类,区分出接收通道和兼收通道的短报文数据。这可能基于不同的传输通道或接收设备,如北斗卫星接收器的主通道和备用通道。分类后,得到两个数据子集,即接收通道短报文数据和兼收通道短报文数据。
步骤S13:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据,并对归一化接收通道短报文数据以及归一化兼收通道短报文数据分别进行指令特征提取,从而获得接收通道短报文指令特征数据以及兼收通道短报文指令特征数据;
本实施例中对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,以确保数据在相同的尺度上。这可能包括对数据进行标准化,将其转换为均值为0,标准差为1的分布,以消除不同通道的尺度差异。得到归一化接收通道短报文数据以及归一化兼收通道短报文数据。运用包括频率分析、时域特征提取和频域分析等特征提取算法对归一化接收通道短报文数据以及归一化兼收通道短报文数据提取关键的指令特征,以捕捉短报文中的关键信息。
步骤S14:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行指令特征数据融合处理,从而获得指令融合数据。
本实施例中对接收通道短报文指令特征数据和兼收通道短报文指令特征数据进行融合处理。这可能涉及到数据融合算法,如加权求和、特征拼接等,以整合两个通道的信息,得到最终的指令融合数据,为后续的应用提供更全面和综合的信息。
本发明通过北斗数据终端获取短报文数据集,为后续的监测和决策提供了实时的环境信息。对短报文数据进行分类,分为接收通道和兼收通道。有助于区分不同类型的数据,为后续的处理和分析提供了更好的数据基础。对接收通道短报文数据以及兼收通道短报文数据进行归一化,使其具有统一的尺度和标准,消除不同通道带来的数据差异。归一化有助于提高数据处理的准确性,确保后续处理的一致性和可比性。提取指令特征,即从归一化后的数据中抽取对后续任务有意义的特征。通过特征提取,可以捕捉到数据中的关键信息,为后续的分类和分析提供更有针对性的数据。将不同通道提取的指令特征数据进行融合,形成综合的指令特征数据。融合不同通道的数据有助于综合考虑不同通道的信息,提高整体数据的综合性和可信度,为最终的指令融合数据提供更全面的信息。
可选地,步骤S13具体为:
步骤S131:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据;
本实施例中对接收通道和兼收通道的短报文数据进行归一化处理,以确保它们具有相同的数据尺度。采用标准化方法,例如将数据转换为均值为0,标准差为1的分布。通过这个过程,得到了归一化接收通道短报文数据和归一化兼收通道短报文数据。
步骤S132:获取指令词汇库,并根据指令词汇库对归一化接收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令特征数据;
本实施例中建立指令词汇库,其中包含各种可能的指令和关键词。然后,基于这个指令词汇库,对归一化接收通道短报文数据进行指令特征提取。这可能包括关键词匹配、文本挖掘或其他自然语言处理技术,以捕获短报文中的指令信息。最终,得到接收通道短报文指令特征数据。
步骤S133:对归一化兼收通道短报文数据进行时序特征提取以及空间特征提取,从而获得兼收通道时序数据以及兼收通道空间数据;
本实施例中对归一化兼收通道短报文数据进行时序和空间特征提取。时序特征可能包括时间序列分析,例如提取数据的趋势、周期性或其他时间相关的特征。空间特征可能包括数据的空间分布、位置相关信息等。
步骤S134:根据指令词汇库对归一化兼收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令数据;
本实施例中针对归一化兼收通道短报文数据进行指令特征提取。使用相同或类似的指令词汇库,捕获短报文中的指令信息,得到接收通道短报文指令数据。
步骤S135:对兼收通道时序数据以及兼收通道空间数据进行特征融合,从而获得兼收通道短报文指令特征数据。
本实施例中对兼收通道时序数据以及兼收通道空间数据进行特征融合。采用加权求和、特征拼接或其他融合方法,将来自时间和空间的特征结合起来,形成兼收通道短报文指令特征数据。这个综合的数据集更全面地反映了接收通道和兼收通道的信息,为后续的分析和应用提供了更多有价值的信息。
本发明对接收通道短报文数据和兼收通道短报文数据进行归一化处理,数据被调整到统一的尺度,避免了由于不同通道之间的数值差异引起的偏差。这有助于提高后续分析的准确性和可靠性。通过提取指令特征,可以捕捉到短报文中与系统指令相关的信息,有助于识别和理解通信中涉及的具体操作和命令。时序特征可以揭示数据随时间的变化趋势,而空间特征可以反映不同通道之间的空间分布情况。有助于更全面地了解数据的动态性和关联性。利用指令词汇库对归一化兼收通道短报文数据进行指令特征提取。有助于从兼收通道中提取与系统指令相关的信息,能够有助于理解通信内容。特征融合能够将来自不同通道的信息综合起来,提供更全面、综合的特征表示。有助于在后续的分析和决策中更好地考虑多通道数据的相互影响,增强系统对整体情境的理解。
可选地,步骤S14具体为:
步骤S141:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行数据对齐,从而获得完全对齐数据以及不完全对齐数据;
本实施例中对接收通道短报文指令特征数据和兼收通道短报文指令特征数据进行对齐。对齐的目的是确保数据的时间戳或其他关键信息是同步的,使得两个数据集可以进行有效的比较和分析。完成对齐后,可能会得到完全对齐的数据,即两个数据集的每个数据点都有对应的匹配点,以及不完全对齐的数据,其中一些数据点可能缺失对应的匹配点。
步骤S142:根据完全对齐数据进行统计分析,从而获得特征值一致数据以及特征值不一致数据;
本实施例中利用完全对齐的数据进行统计分析,以便了解数据的特征值情况。包括计算各种统计量,如均值、方差、相关系数等。基于统计分析的结果,可以将数据分为特征值一致的部分和特征值不一致的部分。
步骤S143:对特征值一致数据进行相同特征值唯一性选择,从而获得第一数据对齐数据;
本实施例中针对特征值一致的数据,进行相同特征值的唯一性选择。这意味着在具有相同特征值的数据点中,选择其中一个作为代表性数据点,以确保数据的唯一性。这样就得到了第一数据对齐数据,它包含了特征值一致的数据点。例如,对于数据特征值完全一样的情况下,只选择其中一个来源的数据,多元相同数据抛弃。
步骤S144:对特征值不一致数据进行同源数据差值计算,从而获得同源数据差值,并根据同源数据差值对特征值不一致数据进行差值最小数据选择,从而获得第二数据对齐数据;
本实施例中对于特征值不一致的数据,进行同源数据差值的计算。这意味着通过比较两个数据集中相同特征的值的差异,得到同源数据的差值。然后,根据这些差值对特征值不一致的数据进行差值最小数据选择,选择使得差值最小的数据作为代表性数据点,从而获得第二数据对齐数据,例如,对于数据特征值不完全一致的情况,对比上一个发送时间的同源数据,选择差值最小的数据。
步骤S145:对不完全对齐数据进行时序排序合并,从而获得时序对齐数据;
本实施例中针对不完全对齐的数据,进行时序排序和合并操作。通过对数据进行时间顺序上的排序,并合并相关数据点,得到时序对齐的数据集。例如,对于多源数据如果没有进行数据对齐,则说明多源数据互为补充只需要对数据按照发送时间排序合并即可。这样可以消除数据之间的时间偏差,使得数据可以更好地进行比较和分析。
步骤S146:对第一数据对齐数据、第二数据对齐数据以及时序对齐数据进行数据融合处理,从而获得指令融合数据。
本实施例中对第一数据对齐数据、第二数据对齐数据以及时序对齐数据进行数据融合处理。这可能包括将不同数据集的数据点进行合并、整合或加权处理,以获得综合的指令融合数据。这样的数据融合可以提供更全面、更准确的信息,为后续的分析和决策提供支持。
本发明对接收通道短报文指令特征数据和兼收通道短报文指令特征数据进行对齐,得到完全对齐数据和不完全对齐数据。通过数据对齐,确保了在后续的分析中相同时间戳的数据可以被正确匹配,保持了数据的时序关系,有助于更准确地理解通信数据。根据完全对齐数据进行统计分析,得到特征值一致数据和特征值不一致数据。有助于发现不同通道数据之间的共性和差异,为后续的数据处理提供了基础,使得可以有针对性地处理不同情况。通过选择相同特征值的唯一性,可以剔除冗余信息,获得更为紧凑和具有代表性的数据,提高数据的可解释性和可用性。通过差值计算,能够在特征值不一致的情况下,寻找最接近的数据,确保对齐后的数据更具代表性和一致性。通过时序排序和合并,保留了不完全对齐数据中的有用信息,使得后续分析更具有连续性和完整性。数据融合将不同来源的数据综合起来,得到更全面的信息。这有助于提高对整体通信情境的理解,为后续的决策和分析提供更有力的支持。
可选地,步骤S3具体为:
步骤S31:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;
本实施例中使用部署的桩基地形冲刷监测器对桩基的地形以及水文进行数据采集,桩基地形数据包括桩基形状、高程等信息,而桩基水文数据包括水位、流速等水文条件。
步骤S32:对桩基地形数据以及桩基水文数据进行空间对齐,从而获得对齐桩基地形数据以及对齐桩基水文数据;
本实施例中使用地理信息系统(GIS)等工具,将桩基地形数据和桩基水文数据进行匹配,以获取空间对齐的桩基地形和水文数据。
步骤S33:对对齐桩基地形数据进行高程信息提取,从而获得高程地形特征数据,并对高程地形特征数据进行时序标记,从而获得高程地形时序数据;
本实施例中对齐的桩基地形数据中提取高程信息,以获取地形特征数据。使用数字地形模型(DTM)等技术进行高程信息提取,并对数据进行时序标记,建立高程地形时序数据,记录地形的演变过程。
步骤S34:对对齐桩基水文数据进行水文条件分析,从而获得桩基水文条件数据;
本实施例中对齐的桩基水文数据进行包括水位变化、流速等参数的统计和趋势分析的水文条件分析。这有助于了解水文条件对桩基的影响。
步骤S35:根据桩基水文条件数据对高程地形时序数据进行地形-水文耦合分析,从而获得水下地形冲刷数据。
本实施例中根据桩基水文条件数据,进行地形-水文耦合分析。结合桩基地形时序数据和水文条件数据,识别地形与水文条件的相互影响关系,从而推导出水下地形冲刷的趋势和模式。这可以为防治桩基冲刷提供重要的数据支持,促使合理的工程规划和防护措施的制定。
本发明通过监测器采集桩基地形和水文参数,提供了关键的基础数据,使得后续的分析能够建立在实际监测数据的基础上,确保了分析的准确性和真实性。对桩基地形和水文数据进行空间对齐,得到对齐的数据,确保这两类数据在空间上具有一致的位置信息。通过空间对齐,确保了后续分析中的地形和水文数据能够准确地对应,为后续地形-水文耦合分析提供了一致的时空框架。从对齐的桩基地形数据中提取高程信息,进行时序标记,得到高程地形时序数据。高程信息提取有助于了解地形的高程变化情况,时序标记则为后续的时间相关分析提供了基础,例如检测地形变化趋势、周期性等。对对齐的桩基水文数据进行水文条件分析,得到桩基水文条件数据。水文条件分析可以揭示不同时间点水文状况的变化,为地形-水文耦合分析提供了关键信息,有助于理解地形冲刷的驱动因素。利用桩基水文条件数据对高程地形时序数据进行地形-水文耦合分析,获得水下地形冲刷数据。地形-水文耦合分析揭示了水文条件对地形变化的影响,可以识别水下地形冲刷的模式、趋势和关联性,为工程管理和风险评估提供了重要信息。
可选地,步骤S4具体为:
步骤S41:根据桩基地形数据进行桩基地形图像提取,从而获得桩基地形图像;并根据水下地形冲刷数据对桩基地形图像进行冲刷区域标记,从而获得桩基地形标记图像;
本实施例中利用桩基地形数据,采用图像处理技术,如卫星影像解析或激光扫描,进行桩基地形图像提取。通过阈值分割和边缘检测等算法,获得清晰的桩基地形图像。接着,结合水下地形冲刷数据,对桩基地形图像进行冲刷区域标记,标记出潜在的冲刷区域,生成桩基地形标记图像。
步骤S42:根据桩基地形标记图像以及高程地形时序数据构建时空3D卷积神经网络;
本实施例中基于桩基地形标记图像和高程地形时序数据,构建时空3D卷积神经网络(CNN)。这个网络能够在三维空间中对桩基地形图像进行学习和分析,考虑了时序信息,有助于捕捉地形演变的动态特征。
步骤S43:根据水下地形冲刷数据对时空3D卷积神经网络进行地形-水文耦合关联迭代调参,从而获得地形冲刷动态模型;
本实施例中利用水下地形冲刷数据,对时空3D卷积神经网络进行地形-水文耦合关联迭代调参。通过不断优化网络参数,使其能够更准确地捕捉地形和水文之间的关联关系,形成地形冲刷动态模型。这个过程利用神经网络强大的学习能力,提高模型的准确性和泛化能力。
步骤S44:通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据。
本实施例中利用已经获得的地形冲刷动态模型,对海洋环境数据进行地形冲刷模拟。输入海洋环境数据,模型能够预测未来的桩基地形变化,输出地形冲刷模拟数据。这些模拟数据为实际冲刷情况提供了预测和评估,有助于制定合理的工程管理和防护措施。
本发明通过桩基地形数据提取桩基地形图像,并根据水下地形冲刷数据标记冲刷区域,得到冲刷标记图像。桩基地形图像提取有助于直观地展示桩基地形的形态特征,冲刷区域标记则能够将地形冲刷的影响直观地显示出来,为后续模型构建提供了重要的输入数据。利用桩基地形标记图像和高程地形时序数据构建时空3D卷积神经网络。时空3D卷积神经网络能够捕捉地形和水文数据在时空上的关联性,有助于建立更准确、更可靠的地形冲刷动态模型。根据水下地形冲刷数据对时空3D卷积神经网络进行地形-水文耦合关联迭代调参。通过迭代调参,模型能够更好地捕捉地形和水文数据之间的关联关系,提高了模型的准确性和泛化能力,使得模拟结果更具有可信度。利用地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,获得地形冲刷模拟数据。地形冲刷模拟能够在不同情景下预测地形冲刷的发展趋势和影响范围,为工程规划、环境保护和风险评估提供重要参考,帮助决策者采取相应的应对措施。
可选地,步骤S44具体为:
步骤S441:对海洋环境数据进行海洋洋流范围分析,从而获得海洋洋流范围;
本实施例中利用数学和统计方法对海洋环境数据进行海洋洋流范围的分析,识别洋流的空间分布。例如,使用流场模型和卫星遥感数据结合,可以得到具体的洋流范围。
步骤S442:根据海洋洋流范围对桩基地形数据进行洋流局部影响范围划分,从而获得洋流影响桩基地形数据;
本实施例中基于获得的洋流范围,对桩基地形数据进行洋流局部影响范围划分。采用地理信息系统(GIS)工具,结合洋流强度和方向,划定桩基地形在洋流中的敏感区域。这一步骤的目标是明确洋流对桩基地形的局部影响,为后续的模拟提供准确的输入数据。
步骤S443:通过地形冲刷动态模型对海洋环境数据以及洋流影响桩基地形数据进行地形冲刷模拟,从而获得影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据;
本实施例中利用前述的地形冲刷动态模型,结合海洋环境数据和洋流影响桩基地形数据,进行地形冲刷模拟。通过模拟桩基地形在洋流中的演变过程,得到影响范围内的地形冲刷模拟数据和未影响范围内的地形冲刷模拟数据。这可以为工程规划和风险评估提供详细的地形演变信息。
步骤S444:对影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析,从而获得地形冲刷模拟数据。
本实施例中对影响范围地形冲刷模拟数据和未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析。考虑悬移质在洋流中的运动,结合模拟的地形冲刷数据以及桩基的基本参数,分析悬移质在桩基附近的扩散和分布。这一分析能够提供有关冲刷过程中悬移质运动的详细信息,为海洋工程的环境影响评估提供科学依据。
本发明对海洋环境数据进行分析,以获得海洋洋流范围。能帮助确定海洋中存在的洋流分布范围,为后续的桩基地形数据分析提供了重要的上下文信息。了解洋流分布有助于更准确地预测桩基地形的受影响程度。根据海洋洋流范围,对桩基地形数据进行划分,得到洋流局部影响范围。将桩基地形数据与洋流范围结合起来,可以精确地确定受洋流影响的特定地区。这种划分有助于更有针对性地进行地形冲刷模拟,提高模拟的精度。使用地形冲刷动态模型对海洋环境数据和洋流影响桩基地形数据进行地形冲刷模拟。通过模拟地形冲刷,可以了解在给定海洋环境和洋流条件下,桩基地形可能会受到的冲刷程度。这为工程规划和风险评估提供了关键的信息。对影响范围地形冲刷模拟数据和未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析。通过考虑悬移质的漂浮,即在水流中悬浮的颗粒物质,如泥沙等。通过耦合分析,可以更全面地理解地形冲刷对海洋环境的影响,特别是与悬浮颗粒物的运移关系。
可选地,步骤S5具体为:
步骤S51:通过北斗数据终端获取北斗终端天线数据;
本实施例中使用北斗数据终端进行数据采集,包括北斗终端天线的位置、姿态、历史发射信息等信息。这可以通过北斗导航卫星系统提供的信息获取,确保获取准确的天线数据。
步骤S52:通过桩基倾斜度计算公式对地形冲刷模拟数据以及海洋环境数据进行计算,从而获得桩基倾斜度数据;
本实施例中借助桩基倾斜度计算公式,结合地形冲刷模拟数据和海洋环境数据,进行桩基倾斜度的计算。这一计算可以考虑地形冲刷对桩基的影响以及海洋环境对桩基的振动等因素,得到桩基的倾斜度数据。
步骤S53:对北斗终端天线数据进行天线朝向信号发射成功率统计,从而获得天线朝向信号发射成功率;
本实施例中对北斗终端天线数据进行天线朝向信号发射成功率的统计。通过分析北斗终端的朝向数据,计算成功发射信号的概率,以评估天线的性能。
步骤S54:通过天线朝向得分计算公式对桩基倾斜度数据以及天线朝向信号发射成功率进行计算,从而获得天线朝向得分数据;
本实施例中利用天线朝向得分计算公式,结合桩基倾斜度数据和天线朝向信号发射成功率,计算得到天线朝向得分数据。这一得分综合考虑了桩基的倾斜度和天线的发射性能,为后续分析提供了综合指标。
步骤S55:对天线朝向得分数据进行统计分析,从而获得最高天线朝向得分数据;
本实施例中对天线朝向得分数据进行统计分析,确定最高天线朝向得分。通过分析各个朝向得分的数据,确定最优的天线朝向,为提高通信质量提供依据。
步骤S56:根据海洋环境数据对最高天线朝向得分数据进行最优天线朝向选择,从而获得最优天线朝向数据。
本实施例中根据海洋环境数据,对最高天线朝向得分数据进行最优天线朝向选择。综合考虑海洋环境的影响,选择在特定条件下表现最佳的天线朝向,以优化通信性能,确保数据传输的可靠性和稳定性。
本发明通过北斗数据终端获取北斗终端天线数据。北斗终端天线数据包含了天线的位置、天线的历史发射情况和姿态信息,这是后续分析的基础。获取准确的天线数据有助于精确计算桩基的倾斜度和评估天线的朝向。使用桩基倾斜度计算公式对地形冲刷模拟数据和海洋环境数据进行计算,得到桩基倾斜度数据。桩基的倾斜度是评估桩基受到地形冲刷和海洋环境影响的关键参数。准确计算倾斜度有助于了解桩基的稳定性和安全性。对北斗终端天线数据进行天线朝向信号发射成功率统计。通过统计成功率,可以评估天线在不同朝向下的信号发射效果。这为后续的天线朝向得分计算提供了关键信息。使用天线朝向得分计算公式对桩基倾斜度数据和天线朝向信号发射成功率进行计算,得到天线朝向得分数据。通过考虑桩基倾斜度和天线信号发射成功率,计算天线朝向得分能够综合评估不同朝向的天线性能,为最优天线朝向的选择提供依据。对天线朝向得分数据进行统计分析,得到最高天线朝向得分数据。统计分析有助于确定在各个朝向下天线性能的优劣,找到最有利于数据传输的朝向。根据海洋环境数据,选择最高天线朝向得分数据对应的朝向,确定最优天线朝向数据。考虑海洋环境因素,选择最优天线朝向能够优化数据传输的稳定性和可靠性,提高北斗终端在复杂环境中的性能。
可选地,步骤S52中的桩基倾斜度计算公式具体为:
;
式中,为桩基倾斜度,/>为观测时间,/>为桩基水下长度,/>为桩基总长度,/>为桩基直径,/>为桩基材料参数,/>为海洋动力,/>为桩基与海平面的夹角,/>为海洋潮汐周期,/>为海洋深度。
本发明通过查阅相关技术资料以及询问专家意见,总结出了一个桩基倾斜度计算公式。该公式充分考虑了影响桩基倾斜度的观测时间/>,桩基水下长度/>,桩基总长度/>,桩基直径/>,桩基材料参数/>,海洋动力/>,桩基与海平面的夹角/>,海洋潮汐周期/>,海洋深度/>,形成了函数关系:
;
其中,部分考虑了桩基水下长度与总长度比例、桩基直径和材料参数对桩基倾斜度的影响。/>表示桩基水下长度与总长度比例的对数。/>表示桩基材料参数的三次方根。该部分包含正弦函数和平方根,对这个复杂的函数关于时间/>求导数。部分考虑了海洋潮汐周期、海洋动力、桩基总长度与海洋深度比例、桩基与海平面夹角对桩基倾斜度的影响。/>表示海洋动力和角度影响的平方根的四次方根。/>表示桩基总长度与海洋深度比例的对数的正弦。该部分包含偏导数、余弦、正弦等函数,对这个复杂的函数关于时间/>求导数。在本领域中,通常采用数学建模、计算机模拟等技术手段对桩基倾斜度进行计算。通过采用本发明提供的桩基倾斜度计算公式,能够更准确地得到桩基倾斜度。
可选地,步骤S54中的天线朝向得分计算公式具体为:
;
式中,为天线朝向得分,/>为自然对数的底数,/>为朝向偏差敏感度,/>为理想朝向的期望值,/>为信号发射成功率,/>为桩基倾斜度,/>为天线实际朝向参数,/>为对数项调整参数,/>为误差调整参数。
本发明通过查阅相关技术资料以及询问专家意见,总结出了一个天线朝向得分计算公式。该公式充分考虑了影响天线朝向得分的自然对数的底数/>,朝向偏差敏感度/>,理想朝向的期望值/>,信号发射成功率/>,桩基倾斜度/>,天线实际朝向参数/>,对数项调整参数/>,误差调整参数/>,形成了函数关系:
;
其中,部分是一个典型的Sigmoid函数。Sigmoid函数的作用是将输入值映射到一个范围在0到1之间的概率值。在这个公式中,/>表示天线的实际朝向参数,/>表示朝向偏差敏感度,/>表示理想朝向的期望值。Sigmoid 函数的输出值可以解释为天线实际朝向与理想朝向之间的匹配程度,越接近理想朝向,得分越接近于1。/>其中/>表示信号发射成功率,/>表示桩基倾斜度。这一项可能用于根据天线朝向的信号发射成功率来调整得分。/>为三角函数项,其中/>表示天线实际朝向参数,/>表示桩基倾斜度,/>表示误差调整参数。这一项可能用于考虑天线实际朝向和桩基倾斜度之间的关系。在本领域中,通常采用物理模型和仿真、信号强度和信噪比测量等技术手段对天线朝向得分进行计算。通过采用本发明提供的天线朝向得分计算公式,能够更准确地得到天线朝向得分。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于卫星的大数据量通信方法,其特征在于,应用于海洋通信设备,海洋通信设备包括环境参数监测器、桩基地形冲刷监测器、控制器、与控制器电性连接的4G模组、北斗数据终端以及电源组件,其中电源组件包括太阳能面板以及与太阳能面板电性连接的储能电池;环境参数监测器、桩基地形冲刷监测器、北斗数据终端以及电源组件均与控制器电性连接;该基于卫星的大数据量通信方法包括以下步骤:
步骤S1:通过北斗数据终端获取短报文数据集,并对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;并对接收通道短报文数据以及兼收通道短报文数据进行指令特征融合,从而获得指令融合数据;
步骤S2:根据指令融合数据对环境参数监测器进行海洋环境参数采集,从而获得海洋环境数据;对海洋环境数据进行降维处理,从而获得降维海洋环境数据,并将降维海洋环境数据传输至4G模组,以执行数据备份任务;
步骤S3:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;根据桩基地形数据以及桩基水文数据进行地形冲刷分布分析,从而获得水下地形冲刷数据;
步骤S4:根据水下地形冲刷数据以及桩基地形数据构建地形冲刷动态模型,并通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据;
步骤S5:通过北斗数据终端获取北斗终端天线数据,并根据地形冲刷模拟数据以及海洋环境数据对北斗终端天线数据进行最优天线朝向选择,从而获得最优天线朝向数据;
步骤S6:根据最优天线朝向数据以及降维海洋环境数据进行通信传输策略分析,从而获得通信传输策略,并将通信传输策略传输至北斗数据终端,以执行通信传输任务。
2.根据权利要求1所述的基于卫星的大数据量通信方法,其特征在于,步骤S1具体为:
步骤S11:通过北斗数据终端获取短报文数据集;
步骤S12:对短报文数据集进行传输通道短报文数据分类,从而获得接收通道短报文数据以及兼收通道短报文数据;
步骤S13:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据,并对归一化接收通道短报文数据以及归一化兼收通道短报文数据分别进行指令特征提取,从而获得接收通道短报文指令特征数据以及兼收通道短报文指令特征数据;
步骤S14:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行指令特征数据融合处理,从而获得指令融合数据。
3.根据权利要求2所述的基于卫星的大数据量通信方法,其特征在于,步骤S13具体为:
步骤S131:对接收通道短报文数据以及兼收通道短报文数据进行归一化处理,从而获得归一化接收通道短报文数据以及归一化兼收通道短报文数据;
步骤S132:获取指令词汇库,并根据指令词汇库对归一化接收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令特征数据;
步骤S133:对归一化兼收通道短报文数据进行时序特征提取以及空间特征提取,从而获得兼收通道时序数据以及兼收通道空间数据;
步骤S134:根据指令词汇库对归一化兼收通道短报文数据进行指令特征提取,从而获得接收通道短报文指令数据;
步骤S135:对兼收通道时序数据以及兼收通道空间数据进行特征融合,从而获得兼收通道短报文指令特征数据。
4.根据权利要求3所述的基于卫星的大数据量通信方法,其特征在于,步骤S14具体为:
步骤S141:对接收通道短报文指令特征数据以及兼收通道短报文指令特征数据进行数据对齐,从而获得完全对齐数据以及不完全对齐数据;
步骤S142:根据完全对齐数据进行统计分析,从而获得特征值一致数据以及特征值不一致数据;
步骤S143:对特征值一致数据进行相同特征值唯一性选择,从而获得第一数据对齐数据;
步骤S144:对特征值不一致数据进行同源数据差值计算,从而获得同源数据差值,并根据同源数据差值对特征值不一致数据进行差值最小数据选择,从而获得第二数据对齐数据;
步骤S145:对不完全对齐数据进行时序排序合并,从而获得时序对齐数据;
步骤S146:对第一数据对齐数据、第二数据对齐数据以及时序对齐数据进行数据融合处理,从而获得指令融合数据。
5.根据权利要求4所述的基于卫星的大数据量通信方法,其特征在于,步骤S3具体为:
步骤S31:对桩基地形冲刷监测器进行桩基地形参数采集以及桩基水文参数采集,从而获得桩基地形数据以及桩基水文数据;
步骤S32:对桩基地形数据以及桩基水文数据进行空间对齐,从而获得对齐桩基地形数据以及对齐桩基水文数据;
步骤S33:对对齐桩基地形数据进行高程信息提取,从而获得高程地形特征数据,并对高程地形特征数据进行时序标记,从而获得高程地形时序数据;
步骤S34:对对齐桩基水文数据进行水文条件分析,从而获得桩基水文条件数据;
步骤S35:根据桩基水文条件数据对高程地形时序数据进行地形-水文耦合分析,从而获得水下地形冲刷数据。
6.根据权利要求5所述的基于卫星的大数据量通信方法,其特征在于,步骤S4具体为:
步骤S41:根据桩基地形数据进行桩基地形图像提取,从而获得桩基地形图像;并根据水下地形冲刷数据对桩基地形图像进行冲刷区域标记,从而获得桩基地形标记图像;
步骤S42:根据桩基地形标记图像以及高程地形时序数据构建时空3D卷积神经网络;
步骤S43:根据水下地形冲刷数据对时空3D卷积神经网络进行地形-水文耦合关联迭代调参,从而获得地形冲刷动态模型;
步骤S44:通过地形冲刷动态模型对海洋环境数据进行地形冲刷模拟,从而获得地形冲刷模拟数据。
7.根据权利要求6所述的基于卫星的大数据量通信方法,其特征在于,步骤S44具体为:
步骤S441:对海洋环境数据进行海洋洋流范围分析,从而获得海洋洋流范围;
步骤S442:根据海洋洋流范围对桩基地形数据进行洋流局部影响范围划分,从而获得洋流影响桩基地形数据;
步骤S443:通过地形冲刷动态模型对海洋环境数据以及洋流影响桩基地形数据进行地形冲刷模拟,从而获得影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据;
步骤S444:对影响范围地形冲刷模拟数据以及未影响范围地形冲刷模拟数据进行悬移质漂浮耦合分析,从而获得地形冲刷模拟数据。
8.根据权利要求1所述的基于卫星的大数据量通信方法,其特征在于,步骤S5具体为:
步骤S51:通过北斗数据终端获取北斗终端天线数据;
步骤S52:通过桩基倾斜度计算公式对地形冲刷模拟数据以及海洋环境数据进行计算,从而获得桩基倾斜度数据;
步骤S53:对北斗终端天线数据进行天线朝向信号发射成功率统计,从而获得天线朝向信号发射成功率;
步骤S54:通过天线朝向得分计算公式对桩基倾斜度数据以及天线朝向信号发射成功率进行计算,从而获得天线朝向得分数据;
步骤S55:对天线朝向得分数据进行统计分析,从而获得最高天线朝向得分数据;
步骤S56:根据海洋环境数据对最高天线朝向得分数据进行最优天线朝向选择,从而获得最优天线朝向数据。
9.根据权利要求8所述的基于卫星的大数据量通信方法,其特征在于,步骤S52中的桩基倾斜度计算公式具体为:
;
式中,为桩基倾斜度,/>为观测时间,/>为桩基水下长度,/>为桩基总长度,/>为桩基直径,/>为桩基材料参数,/>为海洋动力,/>为桩基与海平面的夹角,/>为海洋潮汐周期,/>为海洋深度。
10.根据权利要求8所述的基于卫星的大数据量通信方法,其特征在于,步骤S54中的天线朝向得分计算公式具体为:
;
式中,为天线朝向得分,/>为自然对数的底数,/>为朝向偏差敏感度,/>为理想朝向的期望值,/>为信号发射成功率,/>为桩基倾斜度,/>为天线实际朝向参数,/>为对数项调整参数,/>为误差调整参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208661.7A CN117792485B (zh) | 2024-02-26 | 2024-02-26 | 一种基于卫星的大数据量通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208661.7A CN117792485B (zh) | 2024-02-26 | 2024-02-26 | 一种基于卫星的大数据量通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117792485A true CN117792485A (zh) | 2024-03-29 |
CN117792485B CN117792485B (zh) | 2024-04-30 |
Family
ID=90391319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410208661.7A Active CN117792485B (zh) | 2024-02-26 | 2024-02-26 | 一种基于卫星的大数据量通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117792485B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101914043B1 (ko) * | 2017-07-26 | 2018-11-02 | 주식회사 하버맥스 | 전면지향 3축 제어 안테나를 이용한 해상통신시스템 |
CN113551829A (zh) * | 2021-07-20 | 2021-10-26 | 中国海洋大学 | 冲刷监测装置及海上风电机组基础结构冲刷监测方法 |
US20210404139A1 (en) * | 2020-06-29 | 2021-12-30 | Zhejiang University Of Technology | System for bridge scour multi-source monitoring, monitoring method thereof, and scour depth evaluating method thereof |
CN113866215A (zh) * | 2021-09-27 | 2021-12-31 | 中交第二航务工程局有限公司 | 一种附着式桥梁桩基冲刷积於实时监测系统及方法 |
CN114705338A (zh) * | 2022-03-28 | 2022-07-05 | 中国长江三峡集团有限公司 | 一种海上风电桩基础的冲刷实时监测装置和监测方法 |
CN115166779A (zh) * | 2022-07-26 | 2022-10-11 | 西安空间无线电技术研究所 | 一种北斗导航卫星信号地基监测方法及系统 |
CN115755062A (zh) * | 2022-08-24 | 2023-03-07 | 河北建投海上风电有限公司 | 一种基于gprs技术的海上风电桩基泥面高程远程监测装置 |
CN116910073A (zh) * | 2023-07-14 | 2023-10-20 | 珠江水利委员会珠江水利科学研究院 | 一种海上风电桩及海缆稳定性的监测预警系统 |
CN117452391A (zh) * | 2023-12-25 | 2024-01-26 | 长江三峡集团江苏能源投资有限公司 | 海上风电桩基的冲刷监测方法、装置、设备、系统及介质 |
-
2024
- 2024-02-26 CN CN202410208661.7A patent/CN117792485B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101914043B1 (ko) * | 2017-07-26 | 2018-11-02 | 주식회사 하버맥스 | 전면지향 3축 제어 안테나를 이용한 해상통신시스템 |
US20210404139A1 (en) * | 2020-06-29 | 2021-12-30 | Zhejiang University Of Technology | System for bridge scour multi-source monitoring, monitoring method thereof, and scour depth evaluating method thereof |
CN113551829A (zh) * | 2021-07-20 | 2021-10-26 | 中国海洋大学 | 冲刷监测装置及海上风电机组基础结构冲刷监测方法 |
CN113866215A (zh) * | 2021-09-27 | 2021-12-31 | 中交第二航务工程局有限公司 | 一种附着式桥梁桩基冲刷积於实时监测系统及方法 |
CN114705338A (zh) * | 2022-03-28 | 2022-07-05 | 中国长江三峡集团有限公司 | 一种海上风电桩基础的冲刷实时监测装置和监测方法 |
CN115166779A (zh) * | 2022-07-26 | 2022-10-11 | 西安空间无线电技术研究所 | 一种北斗导航卫星信号地基监测方法及系统 |
CN115755062A (zh) * | 2022-08-24 | 2023-03-07 | 河北建投海上风电有限公司 | 一种基于gprs技术的海上风电桩基泥面高程远程监测装置 |
CN116910073A (zh) * | 2023-07-14 | 2023-10-20 | 珠江水利委员会珠江水利科学研究院 | 一种海上风电桩及海缆稳定性的监测预警系统 |
CN117452391A (zh) * | 2023-12-25 | 2024-01-26 | 长江三峡集团江苏能源投资有限公司 | 海上风电桩基的冲刷监测方法、装置、设备、系统及介质 |
Non-Patent Citations (3)
Title |
---|
WU; JH 等: "Life Cycle Monitoring of Offshore Steel Pipe Piles via UWFBG Wireless Sensor Network", 《STRUCTURAL CONTROL & HEALTH MONITORING》, 24 June 2023 (2023-06-24), pages 2 - 4 * |
孙宇;: "GPS定位系统在海洋沉桩工程中的应用", 《丹东海工》, 31 August 2010 (2010-08-31), pages 1 - 2 * |
董范君 等: "北斗定位系统在桩基施工中的应用及智能化展望", 《 中国土木工程学会总工程师工作委员会第三届总工论坛》, 8 December 2023 (2023-12-08), pages 146 - 149 * |
Also Published As
Publication number | Publication date |
---|---|
CN117792485B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230160939A1 (en) | Fault diagnosis method and apparatus for submarine cable, and device | |
Fauvel et al. | A distributed multi-sensor machine learning approach to earthquake early warning | |
Gonçalves et al. | Mapping marine litter with Unmanned Aerial Systems: A showcase comparison among manual image screening and machine learning techniques | |
CN110234811B (zh) | 道路坍塌风险度评价装置、评价方法及评价用计算机程序 | |
CN113591387A (zh) | 基于Huber范数约束的卫星资料反演降水方法及系统 | |
Dumitriu et al. | Rip current segmentation: A novel benchmark and yolov8 baseline results | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Weidner et al. | An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees | |
CN117792485B (zh) | 一种基于卫星的大数据量通信方法 | |
CN116628559B (zh) | 水下大数据计算综合实验分类系统、分类模型的训练方法 | |
CN116363526B (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
CN116363536B (zh) | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 | |
Vorobev et al. | Local diagnostics of aurora presence based on intelligent analysis of geomagnetic data | |
Robertson | Wave energy assessments: quantifying the resource and understanding the uncertainty | |
CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
Ahsan et al. | Predictive habitat models from AUV-based multibeam and optical imagery | |
Vandaele et al. | Calibrated river-level estimation from river cameras using convolutional neural networks | |
Melander et al. | Classifying soil stoniness based on the excavator boom vibration data in mounding operations | |
CN117217103B (zh) | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 | |
Pailoor et al. | A Large Database of Lightning‐Induced Electron Precipitation Events | |
CN117274564B (zh) | 基于图文语义差异的机场跑道异物检测方法及系统 | |
CN117456369B (zh) | 智能化红树林生长情况的视觉识别方法 | |
CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
Arranz et al. | Comparison of visual and passive acoustic estimates of beaked whale density off El Hierro, Canary Islands |
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 |