CN114217014B - 一种大气污染物的污染源定位方法、装置、介质及设备 - Google Patents
一种大气污染物的污染源定位方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114217014B CN114217014B CN202111367475.0A CN202111367475A CN114217014B CN 114217014 B CN114217014 B CN 114217014B CN 202111367475 A CN202111367475 A CN 202111367475A CN 114217014 B CN114217014 B CN 114217014B
- Authority
- CN
- China
- Prior art keywords
- pollution
- pollution source
- source
- level
- pollutant
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种大气污染物的污染源定位方法、装置、介质及设备，包括：根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置。采用本发明实施例能够提高大气污染源的定位效率，同时提高定位的精确度。
Description
技术领域
本发明涉及污染源定位技术领域，尤其涉及一种大气污染物的污染源定位方法、装置、介质及设备。
背景技术
大气污染物的监测是大气污染防治的基础，在环境保护工作中起着重要的作用，是不可缺少的环节之一。但传统的空气污染物监测方法无法快速准确地定位污染源的位置，例如，利用无人机搭载微电子传感器在工业区进行飞行监测，将监测数据通过无线电传输给主机，以定位污染源的位置，但是当一个区域内有多个污染源时，定位效率会大大下降。
发明内容
本发明实施例的目的是提供一种大气污染物的污染源定位方法、装置、介质及设备，能够提高大气污染源的定位效率，同时提高定位的精确度。
为实现上述目的，本发明实施例提供了一种大气污染物的污染源定位方法，包括：
根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置。
作为上述方案的改进，所述污染源搜索模型具体为：
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a∈{LV′,A，LV′,NA，LV,A，LV,NA}为无人机搜索污染源的决策集合，LV′,A表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，LV,NA表示当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索，LV,A表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，LV′,NA表示当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
作为上述方案的改进，当满足预设的第一参数条件时，a＝LV′,A∪LV,NA；当满足预设的第二参数条件时，a＝LV,A∪LV′,NA；
其中，所述第一参数条件具体为：
C<[P0VA+(1-P0)u+f](PV′-PV)+(1-PV′)f
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV′,A∪LV,NA表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索；
所述第二参数条件具体为：
C>(1-PV′)f+(PV′-PV)[P0VA+(1-P0)u+f]
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV,A∪LV′,NA表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
作为上述方案的改进，所述气体传感器成功定位污染源的概率包括以下情况中的至少一种：
当污染源的污染程度为第一污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV为污染源的污染程度为第一污染程度的概率；
当污染源的污染程度为第二污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV′，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV′为污染源的污染程度为第二污染程度的概率。
作为上述方案的改进，所述气体传感器检测污染物的成本，具体为：
C(h)＝kh
式中，k表示气体传感器对单个污染源进行定位的成本，h表示污染源分布的分散程度。
作为上述方案的改进，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0,1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt-1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0,1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0,1]，g*表示全局最优解，/>
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0,1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
为实现上述目的，本发明实施例还提供了一种大气污染物的污染源定位装置，包括：
污染源搜索模型构建模块，用于根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
污染源定位模块，用于利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置。
作为上述方案的改进，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0,1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt-1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0,1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0,1]，g*表示全局最优解，/>
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0,1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述所述的大气污染物的污染源定位方法。
为实现上述目的，本发明实施例还提供了一种设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述所述的大气污染物的污染源定位方法。
与现有技术相比，本发明实施例提供一种大气污染物的污染源定位方法、装置、介质及设备，通过根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置，能够提高大气污染源的定位效率，同时提高定位的精确度。
附图说明
图1是本发明实施例提供的一种大气污染物的污染源定位方法的流程图；
图2是本发明实施例提供的一种大气污染物的污染源定位方法的又一流程图；
图3是本发明实施例提供的一种大气污染物的污染源定位装置的结构框图；
图4是本发明实施例提供的一种设备的结构框图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
参见图1-2，是本发明实施例提供的一种大气污染物的污染源定位方法的流程图，所述大气污染物的污染源定位方法，包括：
S1、根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
S2、利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置。
具体地，所述污染源搜索模型具体为：
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a∈{LV′,A，LV′,NA，LV,A，LV,NA}为无人机搜索污染源的决策集合，LV′,A表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，LV,NA表示当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索，LV,A表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，LV′,NA表示当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
可以理解的是，预设范围具体为工业区，第一污染程度具体为重度污染、第二污染程度具体为轻度污染；在本发明实施例中，工业区内污染源的污染程度可以分为三个等级：无污染、轻度污染、重度污染，当一个工业区内存在多个不同污染程度的污染源时，无人机上的气体传感器在检测到多个污染源后会根据其污染程度、传播半径和距离进行优先级的判断，经过多次决策后计算出最优路径，其可简化为：搜索到多个污染源时，先对第一个污染源进行以下决策，即：“轻度污染”进行定位{LV′,A}、“轻度污染”不进行定位{LV′,NA}、“重度污染”进行定位{LV,A}、“重度污染”不进行定位{LV,NA}；然后再对下一污染源进行决策，最终决定出搜索和定位的路径。
当气体传感器检测到大气污染物后未经过决策直接进行定位，期望收益为：
UA＝PV[P0VA+(1-P0)]+(1-PV′)f
当气体传感器检测到大气污染物后，先进行决策后再定位，其期望收益为：
UA＝PV[P0VA+(1-P0)u]+(1-PV′)f-C
当一个工业区内出现多个污染源且污染程度皆为轻度污染以上，气体传感器检测到某一污染物后决定“重度污染进行定位、轻度污染不进行定位”的期望收益为：
UA＝[(P0VA+(1-P0)u+f)PV-f]PV′+VA(1-PV′)PV′-C
当气体传感器检测到某一污染物后决定“轻度污染进行定位、重度污染不进行定位”的期望收益为：
UA＝[(P0VA+(1-P0)u+f)PV′-f]+VAPVPV′(1-PV)-C
可以理解的是，收益指的是根据污染源的情况所计算出的搜索路径，期望收益UA则指的是最优路径。在污染源搜索之后会根据计算出来的位置情况设定最优搜索路线。
具体地，当满足预设的第一参数条件时，a＝LV′,A∪LV,NA；当满足预设的第二参数条件时，a＝LV,A∪LV′,NA；
其中，所述第一参数条件具体为：
C<[P0VA+(1-P0)u+f](PV′-PV)+(1-PV′)f
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV′,A∪LV,NA表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索；
所述第二参数条件具体为：
C>(1-PV′)f+(PV′-PV)[P0VA+(1-P0)u+f]
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV,A∪LV′,NA表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
具体地，所述气体传感器成功定位污染源的概率包括以下情况中的至少一种：
当污染源的污染程度为第一污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV为污染源的污染程度为第一污染程度的概率；
当污染源的污染程度为第二污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV′，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV′为污染源的污染程度为第二污染程度的概率。
可以理解的是，由于污染源排放的污染物在经过空气传播后其浓度会有所下降，为了便于进行数值分析，当污染程度为重度污染时，无人机上的气体传感器成功定位污染源的概率：
P0(f)＝[1-exp(L-f)]PV
式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV为污染源的污染程度为第一污染程度的概率；
当污染程度为轻度污染时，气体传感器成功定位污染源的概率：
P0(f)＝[1-exp(L-f)]PV′
式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV′为污染源的污染程度为第二污染程度的概率。
可以理解的是，当气体传感器与污染源的距离越远，污染物经过传播后其浓度下降得越多，成功定位污染源的概率越低。
具体地，所述气体传感器检测污染物的成本，具体为：
C(h)＝kh
式中，k表示气体传感器对单个污染源进行定位的成本，h表示污染源分布的分散程度。
可以理解的是，一般来说，当污染源分布的分散程度越高，无人机气体传感器检测与定位的成本则越高。
具体地，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0,1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt-1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0,1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0,1]，g*表示全局最优解，/>
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0,1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
可以理解的，在蝴蝶算法中，设在某一个工业区内，有N个随机污染源，每个污染源都会排放大气污染物，大气污染源浓度的计算公式：
γ＝mtIβ (1)
式(1)中：
排放的大气污染源的浓度为γ；
污染物检测的次数为t；
大气污染物检出限为I，其值由气体传感器的性能确定；
大气污染物为β，β∈[0,1]；
污染物传感器检测形式为m，计算公式如下：
mt＝mt-1+(b/mt-1×Ngen) (2)
式(2)中：m0取值为0.01；b取值为0.025；Ngen表示最大迭代次数。
当气体传感器检测到周围有浓度更高的大气污染物时，便会控制无人机朝向其移动，该阶段称为全局搜索，其计算公式为：
当气体传感器无法检测出周围的污染物时便进行随机移动，这一阶段称为局部搜索，其计算公式为：
式(3)、(4)中，
表示气体传感器在第i个污染源位置进行第t次污染物检测；r∈[0,1]；g*表示全局最优解；γi表示第i个污染源的污染物浓度。
为了进一步提高蝴蝶算法的探索能力和收敛的精度，分别将收敛因子A和c1引入蝴蝶算法的全局搜索和局部搜索公式中，则改进后的全局搜索计算公式为：
在污染物检测的前期A值的变化范围较大以增强全局搜索，在污染物检测的后期A值变化范围较小以增强局部搜索，在变化范围内，A值的计算公式如下：
d＝2-2×t/Ngen (6)
A＝2×d×r-d (7)
同理，将非线性收敛因子c1引入局部更新处，当c1>1时，算法进行全局搜索，否则进行局部搜索，c1会随着污染物检测的次数而增加，则改进后的局部搜索计算公式为：
式(8)中，c1的计算公式如下：
c1＝2×exp(-(4×t/Ngen)2) (9)
式(8)(9)中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数。
经过双收敛因子的改进，发现局部搜索的能力有较大的提升，但是全局搜索的能力提升却不明显，这说明全局搜索和局部搜索并未达到有效平衡。借鉴于人工鱼群中算法中领导者策略以平衡全局搜索和局部搜索，领导者以食物为目标不断探索前进，因此考虑在局部搜索的过程中融合其领导者策略来平衡算法的全局搜索和局部搜索，领导者策略的计算公式如下：
式(10)中，
表示第j维领导者(即气体传感器)的位置；c3∈[0,1]；lbj、ubj为变量范围第j维的下界和上界；
因此在局部搜索过程中，蝴蝶算法的局部算子与人工鱼群中领导者机制同时进行搜索，分别按式(8)和式(10)计算x1和x2即污染源搜索的位置结果，再按式(11)计算更新后的污染源位置：
本发明实施例所提供的大气污染物的污染源定位方法，通过根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置，能够提高大气污染源的定位效率，同时提高定位的精确度。由此可见，本发明实施例能够更好地平衡全局搜索和局部搜索，减少了气体传感器的能耗，加快了大气污染源的定位速度，提高了大气污染物的污染源定位的精确度。
参见图3，图3是本发明实施例提供的一种大气污染物的污染源定位装置10的结构框图，所述大气污染物的污染源定位装置，包括：
污染源搜索模型构建模块11，用于根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
污染源定位模块12，用于利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置。
优选地，所述污染源搜索模型具体为：
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a∈{LV′,A，LV′,NA，LV,A，LV,NA}为无人机搜索污染源的决策集合，LV′,A表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，LV,NA表示当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索，LV,A表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，LV′,NA表示当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
优选地，当满足预设的第一参数条件时，a＝LV′,A∪LV,NA；当满足预设的第二参数条件时，a＝LV,A∪LV′,NA；
其中，所述第一参数条件具体为：
C<[P0VA+(1-P0)u+f](PV′-PV)+(1-PV′)f
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV′,A∪LV,NA表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索；
所述第二参数条件具体为：
C>(1-PV′)f+(PV′-PV)[P0VA+(1-P0)u+f]
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV,A∪LV′,NA表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
优选地，所述气体传感器成功定位污染源的概率包括以下情况中的至少一种：
当污染源的污染程度为第一污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV为污染源的污染程度为第一污染程度的概率；
当污染源的污染程度为第二污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV′，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV′为污染源的污染程度为第二污染程度的概率。
优选地，所述气体传感器检测污染物的成本，具体为：
C(h)＝kh
式中，k表示气体传感器对单个污染源进行定位的成本，h表示污染源分布的分散程度。
优选地，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0,1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt-1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0,1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0,1]，g*表示全局最优解，/>
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0,1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
值得说明的是，本发明实施例所述的大气污染物的污染源定位装置10中各个模块的工作过程可参考上述实施例所述的大气污染物的污染源定位方法的工作过程，在此不再赘述。
本发明实施例所提供的一种大气污染物的污染源定位装置10，通过根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置，能够提高大气污染源的定位效率，同时提高定位的精确度。由此可见，本发明实施例能够更好地平衡全局搜索和局部搜索，减少了气体传感器的能耗，加快了大气污染源的定位速度，提高了大气污染物的污染源定位的精确度。
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一实施例所述的大气污染物的污染源定位方法。
参见图4，图4是本发明实施例提供的一种设备20的结构框图，所述设备20包括：处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述大气污染物的污染源定位方法实施例中的步骤。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述设备20中的执行过程。
所述设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是设备20的示例，并不构成对设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备20还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述设备20的控制中心，利用各种接口和线路连接整个设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种大气污染物的污染源定位方法，其特征在于，包括：
根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置；
其中，所述污染源搜索模型具体为：
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a∈{LV′，A，LV′，NA，LV，A，LV，NA}为无人机搜索污染源的决策集合，LV′，A表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，LV，NA表示当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索，LV，A表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，LV′，NA表示当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索；
当满足预设的第一参数条件时，a＝LV′，A∪LV，NA；当满足预设的第二参数条件时，a＝LV，A∪LV′，NA；
其中，所述第一参数条件具体为：
C＜[P0VA+(1-P0)u+f](PV′-PV)+(1-PV′)f
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV′，A∪LV，NA表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索；
所述第二参数条件具体为：
C＞(1-PV′)f+(PV′-PV)[P0VA+(1-P0)u+f]
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV，A∪LV′，NA表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
2.如权利要求1所述的大气污染物的污染源定位方法，其特征在于，所述气体传感器成功定位污染源的概率包括以下情况中的至少一种：
当污染源的污染程度为第一污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV为污染源的污染程度为第一污染程度的概率；
当污染源的污染程度为第二污染程度时，气体传感器成功定位污染源的概率为P0(f)＝[1-exp(L-f)]PV′，式中，f表示污染物的浓度随传播距离的增加而降低的值，L为无人机与所需定位的污染源的直线距离，PV′为污染源的污染程度为第二污染程度的概率。
3.如权利要求1所述的大气污染物的污染源定位方法，其特征在于，所述气体传感器检测污染物的成本，具体为：
C(h)＝kh
式中，k表示气体传感器对单个污染源进行定位的成本，h表示污染源分布的分散程度。
4.如权利要求1所述的大气污染物的污染源定位方法，其特征在于，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0，1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt -1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0，1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0，1]，g*表示全局最优解，
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0，1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
5.一种大气污染物的污染源定位装置，其特征在于，包括：
污染源搜索模型构建模块，用于根据无人机上的气体传感器检测到的预设范围内的污染源的污染程度，构建污染源搜索模型；
污染源定位模块，用于利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，以根据所述最优搜索路径找到污染源的位置；
其中，所述污染源搜索模型具体为：
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a∈{LV′，A，LV′，NA，LV，A，LV，NA}为无人机搜索污染源的决策集合，LV′，A表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，LV，NA表示当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索，LV，A表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，LV′，NA表示当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索；
当满足预设的第一参数条件时，a＝LV′，A∪LV，NA；当满足预设的第二参数条件时，a＝LV，A∪LV′，NA；
其中，所述第一参数条件具体为：
C＜[P0VA+(1-P0)u+f](PV′-PV)+(1-PV′)f
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV′，A∪LV，NA表示当污染源的污染程度为第二污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第一污染程度时，不进行污染源的定位搜索；
所述第二参数条件具体为：
C＞(1-PV′)f+(PV′-PV)[P0VA+(1-P0)u+f]
式中，P0为气体传感器成功定位污染源的概率，VA为预设范围内空气质量指数的下降值，u为无人机进行搜索污染源决策的次数，f为污染物的浓度随传播距离的增加而降低的值，PV为污染源的污染程度为第一污染程度的概率，PV′为污染源的污染程度为第二污染程度的概率，C为气体传感器检测污染物的成本，a＝LV，A∪LV′，NA表示当污染源的污染程度为第一污染程度时，进行污染源的定位搜索，且当污染源的污染程度为第二污染程度时，不进行污染源的定位搜索。
6.如权利要求5所述的大气污染物的污染源定位装置，其特征在于，所述利用改进的蝴蝶算法求解所述污染源搜索模型，得到污染源的最优搜索路径，包括：
步骤A，获取大气污染物的浓度γ＝mtIβ并初始化参数；其中，t为污染物检测次数，I为大气污染物检出限，β为大气污染物，β∈[0，1]，m为污染物传感器检测形式，mt＝mt-1+(b/mt -1×Ngen)，m0取值为0.01，b取值为0.025，Ngen表示最大迭代次数；
步骤B，在预设范围内随机初始化污染源位置，将所述污染源搜索模型作为目标函数，求解所述目标函数，计算当前污染源位置的最优值；
步骤C，判断是否满足预设的终止条件，若是，输出最优值；若否，进入步骤D；
步骤D，根据c1＝2exp(-(4t/Ngen)2)计算收敛因子c1；其中，exp为指导函数，t为污染物检测次数，Ngen表示最大迭代次数，d＝2-2t/Ngen；
步骤E，根据γ＝mtIβ计算预设范围内的每个污染源的大气污染物的浓度γi，根据A＝2dr-d计算收敛因子A；其中r∈[0，1]，d＝2-2t/Ngen；
步骤F，判断收敛因子c1是否大于1，若是，根据
控制无人机进行全局搜索并获取最优置；若否，根据/>
控制无人机进行局部搜索并获取最优置；其中，/>
表示气体传感器在第i个污染源位置进行第t次污染物检测，r∈[0，1]，g*表示全局最优解，/>
表示气体传感器检测第j维进行第t次污染物检测，/>
表示气体传感器检测第k维进行第t次污染物检测，γi表示第i个污染源的污染物浓度，/>
表示第j维气体传感器的位置，c3∈[0，1]，lbj、ubj为变量范围第j维的下界和上界；
步骤G，执行t＝t+1，并返回步骤C。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～4任一项所述的大气污染物的污染源定位方法。
8.一种设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～4任一项所述的大气污染物的污染源定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111367475.0A CN114217014B (zh) | 2021-11-18 | 2021-11-18 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111367475.0A CN114217014B (zh) | 2021-11-18 | 2021-11-18 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114217014A CN114217014A (zh) | 2022-03-22 |
| CN114217014B true CN114217014B (zh) | 2023-07-14 |
Family
ID=80697490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111367475.0A Active CN114217014B (zh) | 2021-11-18 | 2021-11-18 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114217014B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11859991B2 (en) * | 2022-03-07 | 2024-01-02 | Saudi Arabian Oil Company | Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses |
| CN115435787B (zh) * | 2022-07-28 | 2024-05-28 | 南京航空航天大学 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及*** |
| CN115238807B (zh) * | 2022-07-29 | 2024-02-27 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104103005B (zh) * | 2014-08-05 | 2017-09-01 | 环境保护部华南环境科学研究所 | 一种有限条件下突发性水环境事件污染源的溯源方法 |
| CN105608697B (zh) * | 2015-12-24 | 2018-04-13 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
| CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
| CN109063742B (zh) * | 2018-07-06 | 2023-04-18 | 平安科技（深圳）有限公司 | 蝴蝶识别网络构建方法、装置、计算机设备及存储介质 |
| CN110348560A (zh) * | 2019-07-02 | 2019-10-18 | 河北科技大学 | 一种基于改进萤火虫算法优化粒子滤波的轨迹预测的方法 |
| CN110927342B (zh) * | 2019-12-12 | 2022-02-25 | 中国计量大学 | 一种基于天牛须搜索算法的大气污染物溯源方法 |
| CN113269564A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种园区排污管网污染源反向追踪溯源方法及*** |
| CN113325129B (zh) * | 2021-04-20 | 2023-01-31 | 中国计量大学 | 一种基于动态种群的大气污染物溯源算法 |
-
2021
- 2021-11-18 CN CN202111367475.0A patent/CN114217014B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114217014A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114217014B (zh) | 一种大气污染物的污染源定位方法、装置、介质及设备 | |
| WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| CN111046980B (zh) | 一种图像检测方法、装置、设备及计算机可读存储介质 | |
| CN108027243A (zh) | 用于操作自动驾驶车辆的控制误差校正规划方法 | |
| CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
| KR102112859B1 (ko) | 레이블링 작업을 위해 딥러닝 모델을 트레이닝하는 방법 및 그를 이용한 장치 | |
| EP3699890A2 (en) | Information processing method and apparatus, and storage medium | |
| CN107203756A (zh) | 一种识别手势的方法与设备 | |
| CN112397199B (zh) | 一种基于5g和区块链的大数据疾病预测*** | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN111091164A (zh) | 基于ohem的语义分割模型训练方法及其*** | |
| Sequeira et al. | A lane merge coordination model for a V2X scenario | |
| CN113895460A (zh) | 行人轨迹预测方法、装置及存储介质 | |
| CN109978017B (zh) | 难样本采样方法和*** | |
| Putatunda et al. | Travel time prediction in real time for GPS taxi data streams and its applications to travel safety | |
| CN111428567B (zh) | 一种基于仿射多任务回归的行人跟踪***及方法 | |
| CN116452802A (zh) | 车损检测方法、装置、设备及存储介质 | |
| CN115641470A (zh) | 分类模型及车辆图像分类模型的训练方法、装置及设备 | |
| CN111178181A (zh) | 交通场景分割方法及相关装置 | |
| CN114863300A (zh) | 一种最短路径生成方法及装置 | |
| CN111814813A (zh) | 神经网络训练和图像分类方法与装置 | |
| CN113449799B (zh) | 目标检测与分类方法、***、设备及存储介质 | |
| CN114912628A (zh) | 特征选择方法、装置、电子设备及计算机可读存储介质 | |
| CN115114494A (zh) | 一种Freespace边缘点的处理方法以及装置 | |
| CN114842435A (zh) | 一种目标车辆的确定方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |