基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

基于WebGIS的PM2.5可视化分析系统开发——以西安为例

这是一篇关于WebGIS,PM2.5,可视化,系统开发,时空分析,相关性分析,多元线性回归的论文, 主要内容为近年来,我国在空气污染治理方面虽取得了一定成果,但污染问题依旧不同程度存在,尤其是空气污染物中占比最大的PM2.5,仍严重威胁着城市发展和人民健康。随着PM2.5研究数据源的不断丰富,空气污染数据出现数据量大、冗余凌乱、时空特征利用率低等问题,如何更好挖掘长时间序列的空气污染变化规律及其深层隐含信息成为了工作量大且有新挑战的工作。因此将数据分类整合并可视化展示,以期深层挖掘并直观呈现数据内在规律信息的PM2.5专题分析平台开发十分必要且意义重大。针对大气污染及其相关气象数据量大、抽象且具空间性的特点,本系统的开发应用聚焦WebGIS技术与可视化技术结合,研究具有强封装性和强复用性的可视化组件包为基础构件,快速搭建在线虚拟地理空间数据可视化平台,并以西安为例验证系统建设目标及其应用功能,设计并实现基于WebGIS的PM2.5可视化分析原型系统,对城市空气污染情况特别是PM2.5性状进行全面信息挖掘和数值预测,为城市空气污染特别是PM2.5治理提供可视化分析支撑平台。本研究主要工作内容和研究成果如下:(1)相关技术简介和相关理论方法综合分析。阐述可视化开发技术(ECharts图表、散点图、平行坐标可视化图等)并论述系统开发的主要架构和底层技术基础,探讨克里金插值法和多元线性回归法的基本原理,阐明数据预处理的方法以及对普通数据和地理数据的数据库存储方式。(2)原型系统设计与实现。在系统的需求分析基础上选用B/S架构和前后端分离开发模式,结合WebGIS技术,搭建了集ECharts图表、多维数据可视化展示、Web地图交互等多种可视化技术为一体的完整平台,实现西安市PM2.5浓度长时间序列变化及空间层面的可视化展示并完成城市PM2.5浓度的时空分析、影响因素分析,以及区域回归分析功能,以达成交互式探索西安市PM2.5浓度时空变化规律的目的。(3)PM2.5浓度可视化及趋势研判。以2015年-2020年西安市12个空气质量监测站获取的大气污染物浓度数据和城市气象数据为应用实例数据,运用可视化系统实现西安市PM2.5浓度的时空分析、影响因素分析和区域回归预测分析,并得出西安市PM2.5的规律特性,对城市污染治理提供决策依据。

基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

基于GEE云平台的中国云量时空分布特征研究

这是一篇关于Google Earth Engine,云量,时空分布,变化趋势,相关性分析的论文, 主要内容为云量不仅是反映气候、水循环和太阳辐射变化的基本参数,也是组织有效卫星对地观测数据的重要信息。在当前全球气候变化的严峻形势下,准确获取云量覆盖信息,提高人们对云量时空分布格局的认识,明确不同地理区域的空间分布差异,是掌握天气变化规律的首要任务。与通过传统的有限地面站点观测收集云量资料相比,卫星遥感技术提供了从全球或区域尺度进行长时间、大范围研究云量覆盖的机会,成为研究云特征的新手段。此前对于不同云类型,特别是中国地区云量的时空变化特征缺乏时效性的卫星资料的研究。鉴于此,本文选取中国全境为研究区,针对海量遥感数据难以收集、传输、处理等问题,依托Google Earth Engine(GEE)云平台强大的数据存储和在线计算能力,利用MODIS数据产品提供的质量评估波段,采用位运算识别提取方法,结合数理统计、线性拟合,对2001—2020年中国不同云类型(云、云影和卷云)的时空分布特征和趋势展开研究,分析其成因。首先,在空间维度上,以中国七大地理区域为划分依据,从整体到局部详细分析了我国云量的空间分布特征。其次,从时间维度上划分为季节和月份,深入探究我国云量的时空变化特征。最后,通过皮尔逊相关分析法,进一步探讨了云量分布受降水、气温、太阳辐射的驱动情况。主要研究结论如下:(1)空间分布上,中国全境云量呈现南多北少的分布特征,华南地区全年多云,云量达75%,西北干旱区少云,一般低于25%,云阴影主要集中在由高山组成的复杂起伏地表处,卷云多分布在我国北部的中高纬度地区。空间变化上,近20年来,华北地区云量呈下降趋势,其中内蒙古地区云量每年减少率超过0.5%,长江中下游地区云量显著增加,增长幅度达0.6%,我国大部分地区卷云呈减少趋势,尤其是大兴安岭地区卷云减少率可达0.7%。(2)从季节间来看,我国总云量以夏季分布最多,春季和秋季次之,冬季最少,其中夏季西南地区云量高达80%,而冬季喜马拉雅山脉云量低至7%;全国卷云的分布表现为春季最多,秋季最少。季节变化上,中国大部分地区云量在夏季和秋季呈现增加趋势,冬季变化趋势较缓和;卷云在春季减少趋势最明显,其中青海南部下降幅度最大,为每年1.2%,夏季卷云变化幅度较小,秋季则有显著增加趋势。(3)从不同月份来看,我国总云量的逐月演变是连续的,3月开始,我国云量的低值区范围逐渐向北部地区扩张,华北的大部分地区云量在40%左右,4月起随着气温的回升,大气对流运动加强,云量也明显增多,6月我国南部地区的云量分布达到最高峰,在70%～90%之间,9月之后受西北季风影响,云量在我国北部地区明显减少,11月西北地区云量低值中心范围略微南移。全国卷云量最高的时期为4月和5月,最低的月份为9月。(4)云量与降水在2001—2020年间以显著正相关为主,与气温、太阳辐射在20年内均表现为显著负相关关系。季节上,秋季云量与降水量的正相关性最强,夏季次之,冬季较弱,云量与气温各季节间有不同程度的显著负相关,春季和冬季相关性更强,云量与太阳辐射在夏、秋两季的负相关性明显高于其他两个季节。该论文有图32幅,表9个,参考文献73篇。

包头市空气质量状况（2011-2015）及其与气象条件的关系

这是一篇关于包头市,空气质量,污染物,气象条件,相关性分析的论文, 主要内容为2015年入冬以来,包头市共发生4次重污染天气过程,先后发布了3次预警。严峻的环境形势下,说清包头市空气质量状况,研究气象条件对污染物扩散的影响程度十分必要。本文通过多个角度分析包头市空气质量变化情况,并利用SPSS软件对污染物浓度与气象条件进行相关性分析,讨论的其影响程度,基本结论如下：(1)包头市大气污染形势依然严峻,可吸入颗粒物、细颗粒物仍然是我市主要污染物,对我市空气质量影响较重。污染物月变化结果显示除臭氧以外,其余5项污染物均在采暖季浓度较高,臭氧夏季明显高于其他季节。(2)在相关性分析中,气温对SO2和CO在秋冬季有明显的负相关影响,与03浓度呈正相关性；气压对SO2、03、PM25产生负相关性影响；风速对SO2、C0、以及春冬季的PM2.。有负相关性影响；在冬季,6种污染物均随湿度增大而浓度增大,总云量在春、冬季对PM10和PM2.5的均产生正相关影响；降水量对污染物的削减作用对PM2.5、PM10和CO影响也不算显著,而与SO2浓度负相关性较为显著。总体来说,6项污染在不同季节中气象条件的影响程度并不一致,不同季节差异明显,不能简单的概括为某一种气象参数对污染的作用的是一定的。

淮河流域地表温度数据重建及时空变化分析

这是一篇关于淮河流域,MODIS,LST重建,精度对比,时空变化,相关性分析的论文, 主要内容为地表温度(LST,Land Surface Temperature),是评价气候变化的重要指标。研究地表温度的时空变化特征及与地理位置、气象学和下垫面的相互关系,能够进一步了解地气间的相互作用机理、明确气候变化的响应规律、预测地表温度的未来发展趋势。传统的基于气象站点的观测方法很难获得高空间分辨率地表温度数据,利用遥感技术可获取大面积且空间连续分布的地表温度数据,因遥感图像受到气溶胶、太阳观测角度和云等影响,使得遥感反演的地表温度在空间和时间上存在不同程度的缺失,对准确分析地表温度时空变化特征造成阻碍。针对上述问题,本文以MODIS遥感数据为主要数据源,采用时间序列谐波分析(HANTS,Harmonric Analysis of Time Series),S-G滤波(S-G,Savitzky-Golay)、平均距平插值(IMA,Interpolation of the Mean Anomalies)三种方法对淮河流域(2003～2018年)MODIS MYD11A2产品8天的地表温度数据进行重建,并对比结果精度;基于高精度的重建方法分析淮河流域16年的地表温度时空变化规律;在此基础上分析不同的地理因子、气候因素及土地覆盖类型对地表温度的影响。本文的研究内容和主要结论如下:(1)不同重建方法的精度对比重建前后空间分布差异性结果显示:IMA较HANTS、S-G,去噪能力最强,且重建后地表温度值区间与真值范围区间吻合,S-G去噪能力最差,HANTS较多改变了原始真实值,且重建后地表温度偏高。重建前后像元的相关性分析结果显示:IMA相关性系数达到0.90～0.98,高于HANTS和S-G。与实测地表温度比较,IMA法重建后的地表温度曲线与实测地表温度曲线吻合,且较光滑,均方根误差(RMSE,Root Mean Squard Error)为1.61℃,平均绝对误差(MAE,Mean Absolute Error)为1.17℃,均小于HANTS和S-G;IMA与实测地表温度的相关性系数为0.956,均高于HANTS和S-G;HANTS和S-G重建后曲线存在明显波动,且HANTS在高值处重建的地表温度高于实测值,S-G在冬季重建误差较大。(2)基于IMA重建方法分析地表温度时空变化特征年际月均温呈现增温趋势,其中8月份均值增温率最大,可达0.21℃/a;夏季增温趋势最明显,白天增温率达到0.25℃/a,夜间达到0.09℃/a;秋季的昼夜温差最大,最高可达16.89℃。1月份区域高温分布于淮河南部以及江苏长江以北的泰州、扬州区域,而低值则主要是在沂蒙山区附近。春季区域高温分布于淮河上游和淮河中游,夏季多分布于淮河中游,秋季无明显特征,冬季多分布于淮河上游以南区域。年际区域低温主要分布于沂沭泗河流域,以及海拔较高的沂蒙山、伏牛山、大别山区,区域高温分布于离海岸线较远的淮河上游、扬州和泰州的局部区域。(3)地表温度影响因素相关性分析冬季地表温度与纬度的相关性最强,结果显示纬度每增加1°,地表温度下降0.84℃。季均温与海拔高度均呈负相关,且春季负效应最明显,结果显示海拔每升高100米,地表温度下降0.71℃。地表温度与气温的相关性明显,其中春冬两季的相关性系数达到0.9以上。夏季,地表温度与降水量负效应最明显,结果显示降水量每增加1mm,地表温度下降1.91℃。地表温度在不同土地利用类型下差异性明显,结果表明:建设用地>耕地>未利用地>水域>草地>林地,其中,建设用地主要分布于高温区,当建设用地增加时,地表温度升温最快。

淮河流域地表温度数据重建及时空变化分析

这是一篇关于淮河流域,MODIS,LST重建,精度对比,时空变化,相关性分析的论文, 主要内容为地表温度(LST,Land Surface Temperature),是评价气候变化的重要指标。研究地表温度的时空变化特征及与地理位置、气象学和下垫面的相互关系,能够进一步了解地气间的相互作用机理、明确气候变化的响应规律、预测地表温度的未来发展趋势。传统的基于气象站点的观测方法很难获得高空间分辨率地表温度数据,利用遥感技术可获取大面积且空间连续分布的地表温度数据,因遥感图像受到气溶胶、太阳观测角度和云等影响,使得遥感反演的地表温度在空间和时间上存在不同程度的缺失,对准确分析地表温度时空变化特征造成阻碍。针对上述问题,本文以MODIS遥感数据为主要数据源,采用时间序列谐波分析(HANTS,Harmonric Analysis of Time Series),S-G滤波(S-G,Savitzky-Golay)、平均距平插值(IMA,Interpolation of the Mean Anomalies)三种方法对淮河流域(2003～2018年)MODIS MYD11A2产品8天的地表温度数据进行重建,并对比结果精度;基于高精度的重建方法分析淮河流域16年的地表温度时空变化规律;在此基础上分析不同的地理因子、气候因素及土地覆盖类型对地表温度的影响。本文的研究内容和主要结论如下:(1)不同重建方法的精度对比重建前后空间分布差异性结果显示:IMA较HANTS、S-G,去噪能力最强,且重建后地表温度值区间与真值范围区间吻合,S-G去噪能力最差,HANTS较多改变了原始真实值,且重建后地表温度偏高。重建前后像元的相关性分析结果显示:IMA相关性系数达到0.90～0.98,高于HANTS和S-G。与实测地表温度比较,IMA法重建后的地表温度曲线与实测地表温度曲线吻合,且较光滑,均方根误差(RMSE,Root Mean Squard Error)为1.61℃,平均绝对误差(MAE,Mean Absolute Error)为1.17℃,均小于HANTS和S-G;IMA与实测地表温度的相关性系数为0.956,均高于HANTS和S-G;HANTS和S-G重建后曲线存在明显波动,且HANTS在高值处重建的地表温度高于实测值,S-G在冬季重建误差较大。(2)基于IMA重建方法分析地表温度时空变化特征年际月均温呈现增温趋势,其中8月份均值增温率最大,可达0.21℃/a;夏季增温趋势最明显,白天增温率达到0.25℃/a,夜间达到0.09℃/a;秋季的昼夜温差最大,最高可达16.89℃。1月份区域高温分布于淮河南部以及江苏长江以北的泰州、扬州区域,而低值则主要是在沂蒙山区附近。春季区域高温分布于淮河上游和淮河中游,夏季多分布于淮河中游,秋季无明显特征,冬季多分布于淮河上游以南区域。年际区域低温主要分布于沂沭泗河流域,以及海拔较高的沂蒙山、伏牛山、大别山区,区域高温分布于离海岸线较远的淮河上游、扬州和泰州的局部区域。(3)地表温度影响因素相关性分析冬季地表温度与纬度的相关性最强,结果显示纬度每增加1°,地表温度下降0.84℃。季均温与海拔高度均呈负相关,且春季负效应最明显,结果显示海拔每升高100米,地表温度下降0.71℃。地表温度与气温的相关性明显,其中春冬两季的相关性系数达到0.9以上。夏季,地表温度与降水量负效应最明显,结果显示降水量每增加1mm,地表温度下降1.91℃。地表温度在不同土地利用类型下差异性明显,结果表明:建设用地>耕地>未利用地>水域>草地>林地,其中,建设用地主要分布于高温区,当建设用地增加时,地表温度升温最快。

基于神经网络的粉尘防爆监测系统的设计与实现

这是一篇关于粉尘浓度预测,相关性分析,长短期记忆神经网络,注意力机制的论文, 主要内容为针对工厂生产来说,粉尘浓度过高容易引发工作人员患肺部疾病,甚至造成粉尘爆炸灾害,威胁工作人员的生命安全,进而造成巨大的经济损失,因此对粉尘浓度进行精准监测至关重要。然而,目前基于阈值报警的技术不仅不具有实时性,也无法对粉尘的监测处理以及后续的追责进行统一的管理。为此提出了结合深度学习的工厂粉尘浓度监测方法,设计并实现了粉尘防爆监测系统。本文主要研究工作如下:(1)完成了粉尘浓度预测算法研究。首先,为了能够得到影响粉尘浓度的主要因素,对数据进行了预处理和相关性分析,通过计算皮尔逊相关系数得到了和粉尘浓度相关性较大的数据,以此作为模型构建阶段输入参数设置的重要依据来源。然后,建立了基于LSTM长短期记忆神经网络的粉尘浓度预测模型,分别设计预测步长为1小时和3小时的模型并对实验结果进行比较。最后,使用Attention Mechanism注意力机制对现有模型进行优化改进,在此基础上探究更优的激活函数、优化方法等,建立了基于LSTM经Attention Mechanism优化的最佳模型,有效提升了神经网络粉尘浓度预测的精度、稳定性和收敛速度,得到了更加理想的预测效果。(2)设计并实现了粉尘防爆监测系统。根据模型输出的预测结果报警并且为管理人员提供一个信息管理平台,后端部分使用Spring Boot和Spring Cloud微服务框架开发,数据库存储使用My SQL和Redis数据库,前端部分使用Html、CSS和Java Script技术以及Thymeleaf模板渲染引擎技术,最终完成系统的设计和开发工作,使企业信息化管理和事故追责更加智能,对生产安全具有重要意义。