技术特征：

1.一种面向海上漂移轨迹预测的数据与模型耦合分析方法,包括以下步骤：

步骤1、轨迹数据收集与海洋环境数据准备——收集研究区域收集指定时间区域内漂浮物的实测轨迹数据，所述漂浮物为假人模型、救生筏、小艇自由无动力漂移轨迹或svp浮标中的一种或数种；收集研究区范围内可用的海洋环境数据集，包括海流环境数据集、海风环境数据集与海浪模拟数据集；

步骤2、轨迹数据预处理——对收集到的轨迹数据进行数据预处理，预处理工作包含：栅格数据矢量化、数据异常值检查、数据缺失值填充、判断数据信息有效性和数据集格式转换操作；

步骤3、漂移轨迹预测——将指定时间区分割为若干时间子区间，针对每个时间子区间，选定时间子区间起始时刻的漂浮物坐标为漂移轨迹预测的起始点，使用不同海洋环境数据集的组合分别驱动漂移轨迹预测物理模型，预测物理模型包含粒子模型和模型，实现对漂浮物漂移轨迹的预测，得到各时间子区间内不同海洋环境数据集组合下的两种模型的漂移轨迹预测结果；

步骤4、不同海洋环境数据集时空分析——时空分析包含两个部分，第一是不同环境数据集的时空变化，第二部分是同一时间点下不同海洋环境数据集的空间分布模式对比分析；通过本步骤的时空分析验证漂移轨迹预测实验的正确性，同时进一步分析海洋环境数据集对漂移轨迹预测影响的主导因素，分析的主导因素包含：海流环流模式、海洋环境数据时空分辨率；

步骤5、漂移轨迹预测精度评价——分别使用累积分离距离、归一化累积分离距离、累积分离距离时空分布、ii型有限尺度的李雅普诺夫指数和分离距离增长速度,对预测的步骤4获得的所有漂移轨迹预测结果进行精度评价；

步骤6、利用精度评价结果进行统计分析与fsle分析——基于步骤5的漂移轨迹预测的精度评价结果，进行统计分析与fsle分析，统计分析包括不同海洋环境数据集组合、不同漂移轨迹预测物理模型下的统计指标的分布情况；fsle分析包含针对不同海洋环境数据集组合、不同漂移轨迹预测物理模型下的fsle-ii与分离尺度之间的关系、以及早期误差增长速度的估计值；

步骤7、总结得出研究区优选的环境数据集和轨迹预测物理模型——根据在研究区域不同环境数据集组合驱动同一种漂移轨迹预测物理模型的漂移预测性能、不同环境数据组合与漂移轨迹预测物理模型耦合表现，确定适应研究区域的环境数据集和漂移轨迹预测物理模型。

2.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤1中，海风数据集包括：ncep数据集、era5再分析数据集、数据集中的一种或几种；海流数据集包括：cmems数据集、cmems-r数据集、数据集的一种或几种；海浪数据集选用：mfwam数据集。

3.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤3中，轨迹预测过程中求解的运动方程的时间间隔为10分钟，输出预测过程中时间间隔每1小时漂浮物的预测空间位置坐标和对应的海洋环境数据值用于进一步的数据分析。

4.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤3中，

粒子模型为：

＝+α*vwind+[]

式中，是预测的漂浮物速度，是海流流速，vwind是海风风速，为其他环境影响因素的表征速度，如表征海浪的漂移速度；符号[]表示为可选项，当不考虑其他因素时，即记为0；α为风致漂移因子，取值范围为0-5％；

模型为：

＝+

式中，是漂浮物的速度。

5.根据权利要求4所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：当漂浮物为假人模型时，风致漂移因子在0-2.5％内呈正态分布；当漂移物为救生筏时，风致漂移因子在0-4％内呈正态分布；当漂移物为无锚svp浮标时，风致漂移因子在0-5％内呈正态分布；当漂移物为有锚svp浮标时，风致漂移因子取值为0或在0-1％范围内呈正态分布。

6.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：不同环境数据集的时空变化采用沿实际漂移轨迹提取不同环境数据集组成时间序列进行相似度分析；同一时间点下不同海洋环境数据集的空间分布模式对比分析则采用提取相同空间范围下不同环境数据，在空间插值的基础上，比较不同数据集所表征的环流模式。

7.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：在步骤5中，各统计指标和fsle-ii指标的计算按照以下公式得出：

(1)累积分离距离时空分布计算公式为：

式中，为预测分离矩阵；t为轨迹预测过程中相应时刻的序号，t为时间子区间内的时刻数量；i为模拟粒子的序号，n为模拟粒子的数量；为第t时刻时，第i个模拟粒子的空间位置向量；为第t时刻时，漂浮物的真实空间位置向量；t×n代表该指标的表现方式是一个t行n列的矩阵；smg为粒子团重心点分离矩阵；为第t时刻时，模拟粒子团的重心点空间位置向量；t×1代表该指标的表现方式是一个t行1列的矩阵；

(2)归一化累积分离距离计算公式为：

式中，dt为实际漂浮物在第t-1到第t的时间范围内漂移的实际距离；dt为第t时刻时真人百家家乐app，实际漂浮物与模拟粒子之间的距离；为第t时刻，实际漂浮物的漂移总距离；ss为，该指标由ncsd得出，使得预测结果越好，ss值越大；

(3)第二型有限尺度的李雅普诺夫指数计算公式为：

式中，λ(δ)为当分离尺度为δ时，对应预测模式下的fsle-ii取值；ρ为放大系数，标准取值为τ(δ)为实际轨迹与模拟轨迹之间的分离距离从δ增长到ρδ所需要的时间；为平均算子；

(4)分离距离增长速度计算公式为：

γ(δ)＝(ρ-1)δ*λ(δ)/ln(ρ)

式中，λ(δ)为当分离尺度为δ时，对应预测模式下的fsle-ii取值；γ(δ)为当分离尺度为δ时，对应预测模式下的gamma-ii取值；ρ为放大系数，标准取值为

8.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤6中，在计算分离距离增长速度的基础上，采用δ

9.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤8中，根据预测得出的漂浮物轨迹与实际漂浮物轨迹、累积分离距离、归一化累积分离距离、累积分离距离时空分布的统计分析结果、fsle-ii的分析结果、估计的早期分离距离增长速度结果，总结评价不同环境数据集在区域的漂移预测性能，从而得到适应研究区域的环境数据集和漂移轨迹预测物理模型。

技术总结

本发明涉及一种面向海上漂移轨迹预测的数据与模型耦合分析方法，步骤包括：实测漂移轨迹数据收集与海洋环境数据准备、漂移轨迹预测数值模拟实验、不同海洋环境数据集时空分析、多维度漂移轨迹预测精度评价、精度评价结果统计分析、基于预测轨迹与实测轨迹的FSLE分析、多因素敏感度分析和环境数据与预测模型在区域的适用性评估。本发明提升了漂移轨迹预测中环境数据与物理模型耦合分析评价能力，有助于推动不同模式数据在漂移轨迹预测领域的应用并指导进一步区域数据精化工作。本发明提出了分析评价方法可以较为全面的验证相关预测模式在区域的真实表现，有助于提升轨迹预测的整体可靠性。

技术研发人员：程亮;张雪东;张方利;吴洁;李舒怡;刘家辉;楚森森;闵开付;左潇懿;李满春

受保护的技术使用者：南京大学

技术研发日：2020.09.09

技术公布日：2020.12.22

真人百家家乐app，愿您夜夜笙歌，祝我们的祖国和平昌盛国泰民安

DARPA发布“拒止环境中的协同作战”第二阶段概念视频

2016年6月3日，美国国防部国防高级研究计划局（DARPA）宣布，“拒止环境中的协同作战”（CODE）项目已授出第二阶段合同。美国洛•马公司导弹和火控分部、雷声公司分别获得了DARPA授予的CODE项目第二阶段系统集成合同。另外，DARPA还在第一阶段技术发展商中选择了6家继续发展CODE支持技术，它们将与两个主承包商开展各种形式的合作。

DARPA认为，尽管无人机在各任务领域的价值已得到证明，但现役的无人机不能满足未来战争所需。未来的作战环境对抗性更强且更加变幻莫测，美军及盟军将直面更加危险的威胁，例如将在对抗性的电磁频谱环境中打击频繁移动的目标。因此，未来的无人机将使用协同算法帮助彼此。

自主协同能力可以显著提升当前无人机的能力并降低成本，由各型无人机组成的编队可以利用各自无人机的能力，而不用把这些能力集成到一架无人机上。因此，DARPA推出了CODE项目。该项目的目标是发展一套包含协同算法的软件系统。这套系统可以适应带宽限制和通信干扰，减少任务指挥官的认知负担；除此之外，还能够与现有标准相兼容，并通过经济可承受的方式集成到现有平台中。在CODE项目中，一名任务指挥官可以管理无人机执行复杂的个体或群体任务。CODE无人机群在执行任务的过程中可以相互或向指挥官分享数据、协商任务分配、实现行动和通信同步化；CODE项目模块化、开放式的软件架构允许多架CODE无人机开展导航任务，并根据已经建立的交战规则发现、跟踪、确认和作战；CODE无人机也可以召唤临近友军的CODE无人机以增强作战能力并适应动态的作战环境（例如友军装备的消耗或出现未曾预料的威胁）。

在CODE项目中，DARPA的研究人员主要关注4个领域：

一是，在惯常和反常环境中，针对无人机的子系统、设备和飞行发展自主能力；

二是，发展人机接口，使任务指挥官可以保持态势感知能力，动态地定义任务目标和问题、监控作战进程和同时为数架无人机提供重要的输入；

三是，发展无人机编队等级的自主能力，包括发展和保持通用的作战环境图像，帮助构想协同行动计划，使每一个参战的无人机都能发挥最大效能；

四是，为无人机协同发展开放式架构，帮助指挥官保持态势感知能力，在电磁干扰、通信困难、恶劣天气和其他不利环境中控制无人机。

DARPA为CODE项目划分了三个阶段。第一阶段已经在2016年年初结束，具体工作是系统分析、架构设计和发展关键技术真人百家家乐app，完成了系统需求定义和初步系统设计。第一阶段的承包商分为两类，一是系统承包商（即雷声公司和洛•马公司），二是技术发展商；第二阶段将从2016年年初截止到2017年年中，具体工作为进一步成熟算法，并完成详细设计和飞行验证；第三阶段将在2018年年底结束，将在三个系列的飞行试验中发展和验证全任务能力。在项目第一阶段，通过模拟方式成功验证了自主协同在战术等级下的应用潜力，并与承包商共同起草了技术转化计划；CODE的两个研究团队（即雷声公司团队和洛•马公司团队）已经选择了大约20个自主行为，这些行为可以极大提升现役无人机执行任务的能力，使它们在在拒止或对抗环境（通信、导航和其他瞄准链路的组成部分受到抑制）中有效作战。

另外，DARPA也在人机接口和开放式架构方面取得了突出的进展。CODE项目的“人机接口”（HSI）原型允许单一操作人员使用直观的形式观看、管理和指挥一群无人机。任务指挥官可以知道无人机群的装备和战术态势，看到提前规划的行动方案和替代途径，实时改变无人机的行动。例如，任务指挥官可以通过指挥站的显示屏在编组中圈定特定的几个无人机，任命它们为“小组1”，并在地图上圈定一部分区域，指定“小组1”对该区域进行搜索。CODE软件为圈定的无人机创建子编队，并为“小组1”划分搜索任务。另外为了完成初始任务，CODE软件将为编组中“小组1”之外的无人机重新分配作战任务。这种能力将显著简化大型无人机编队的指挥和控制流程。HIS研究的其他部分聚焦于如何显示全新的计划，包括对其他任务目标的潜在影响，以及是直接执行计划还是等待指挥官的批准（取决于预设的任务规则）。HIS和自主算法的开发基于最新标准的开放式架构——它们是美国陆军和海军的“未来机载能力环境”（FACE）和“无人控制程序”（UCS），以及美国空军使用的“开放式任务系统”（OMS）和“通用任务指挥和控制”（CMCC）。

在CODE项目第二阶段，DARPA计划使用两个研究团队的开放式架构执行自主行为的初始子集，并使用这些架构开展由1或2架真实飞机和若干虚拟飞机编队的飞行试验。如果试验成功，DARPA将选择一家系统集成商开展第三阶段工作，进行由6架真实飞机和若干虚拟飞机编队的飞行试验。实现由一名操作人员指挥无人机编队开展复杂的作战任务的愿景，其中作战任务包括目标搜索、识别以及与主动且无法预测的敌人交战。

如果CODE项目成功，其具备的规模可扩展且性价比高的能力可以极大提升现役航空平台的生存性、灵活性和作战效能，并降低未来作战系统的发展周期和成本，使美军的无人机在拒止和电磁频谱对抗空域中与地面或海面的高机动目标开展动态和远距离的作战。（编辑：廖南杰）

真人百家家乐app，愿您夜夜笙歌，祝我们的祖国和平昌盛国泰民安