一种基于海洋养殖的水质监测装置

    公开(公告)号:CN117665232A

    公开(公告)日:2024-03-08

    申请号:CN202311639886.X

    申请日:2023-12-04

    摘要: 本发明公开了一种基于海洋养殖的水质监测装置,涉及海洋养殖技术领域;包括网箱,所述网箱内安装有监测机构,所述监测机构包括:监测杆,监测杆上设置有等距分布的球形体;限位组件,限位组件用于限制球形体的上下运动;所述限位组件包括:环形架,环形架通过支架固定于网箱内,环形架上设置有圆周分布的导向槽。本发明通过设置监测机构,能够利用监测器对水质进行监测;当需要调整监测器的位置时,能够通过旋转解锁件的方式,将第一立杆端部的滑块或者第二立杆端部的滑块向外侧推送,从而使相应的弹力环形变,相应的限位片向外移动,从而实现某一限位件解锁的目的,使得球形体能够单向移动,从而调整监测器的位置。

    一种绿潮表层沉降区遥感识别方法

    公开(公告)号:CN117541927A

    公开(公告)日:2024-02-09

    申请号:CN202311629056.9

    申请日:2023-12-01

    摘要: 一种绿潮表层沉降区遥感识别方法,包括如下步骤:S1、对海上目标区域的多源遥感数据进行重采样以匹配统一的分辨率;从所述多源遥感数据提取长时间序列上的绿潮活动轨迹;S2、使用所述多源遥感数据映射绿潮沉降区内的总碳和总氮的比值即CN比值;S3、计算区域内绿潮生长速率,并确定CN比值在遥感数据中的具体数值;S4、基于所确定的有绿潮活动轨迹、绿潮生长速率小于1和CN比值大于0的区域,计算满足以上条件的区域内的CN比值均值,以此来构建绿潮表层沉降区识别模型以确定绿潮的表层沉降区。与传统技术相比,本发明提供了一种能够弥补传统绿潮沉降区监测耗费大、范围小等缺点的快速、动态及大范围的遥感识别方法。

    一种基于多核最大熵的GNSS自适应滤波定位方法

    公开(公告)号:CN118778081A

    公开(公告)日:2024-10-15

    申请号:CN202411242372.5

    申请日:2024-09-05

    IPC分类号: G01S19/39 G01S19/25

    摘要: 本发明提出一种基于多核最大熵的GNSS自适应滤波定位方法,针对城市复杂环境设计,有效提升VT型GNSS接收机在非高斯噪声中的定位精度和鲁棒性。该方法中,首先收集并初步处理GNSS接收机的伪距和多普勒观测数据,随后初始化状态向量和协方差矩阵,进行量测噪声协方差矩阵的白化处理。核心在于应用MKMC‑KF算法,结合系统动态模型进行状态预测,并通过当前观测数据进行状态校正,实现精确的后验状态估计。MKMC‑KF算法利用核密度估计自适应确定核带宽,为不同观测值分配不同核函数,适应其分布特性。最终,利用滤波后的状态信息进行定位计算,得到接收机的精确位置和速度估计,显著增强了在多径和NLOS条件下的导航性能。

    一种基于多源遥感数据的绿潮不适宜生长区提取方法

    公开(公告)号:CN118445599A

    公开(公告)日:2024-08-06

    申请号:CN202410930061.1

    申请日:2024-07-11

    摘要: 一种基于多源遥感数据的绿潮不适宜生长区提取方法,首先,在实验室条件下识别影响绿潮生长的关键环境因子;其次,选取能反映这些因子的多源遥感数据;接着,对目标海域的遥感数据进行预处理,重采样至特定分辨率;然后,利用预处理数据和生物培养模型计算绿潮生长速率;最后,基于计算结果识别不适宜生长区域。此方法摒弃了仅依赖数据相关性和统计分析的传统做法,通过将实际影响绿潮生长的环境因子与遥感数据直接关联,提高了生长速率计算的精确度。其不仅增强了监测的空间覆盖和效率,而且综合海洋环境因素,更真实地映射了绿潮在复杂海域的生长情况,为绿潮灾害的治理与监测提供了更为科学和有效的技术支持。

    一种基于物理约束机器学习的滑坡识别方法

    公开(公告)号:CN116738844A

    公开(公告)日:2023-09-12

    申请号:CN202310705803.6

    申请日:2023-06-14

    摘要: 本发明公开了一种基于物理约束机器学习的滑坡识别方法,其首先采集边坡数据信息保存备用,然后利用采集得到的数据,并且将物理约束嵌入到神经网络中进行学习得到预测模型,所述物理约束包括侵蚀性滑坡流动性动态方程、边界条件、初始条件;接着采集待测边坡的边坡数据信息,然后采用步骤S2中得到的预测模型对待测边坡运动过程进行预测分析,实现对待测边坡的滑坡动态过程的预测。本发明将更多的物理信息,譬如与滑坡相关的数学物理方程、边界条件、初始条件等加入到机器学习的神经网络中,使神经网络更“理解”滑坡的物理意义,从而使得神经网络在观测数据量不多的情况下,能够更准确地对滑坡进行预测。