基于大数据的水量监测系统有效性分析

加强取用水监测是实施最严格水资源管理制度的重要举措。为了更加有效利用大量取用水在线监测数据,对数据有效性进行了深入分析,首先,从监测数据的总量和时序变化两个方面进行异常值筛选;其次,从监测数据正常的监测点的个数和监测水量两个方面对取用水在线监测数据的有效性进行评估;最后,以G市的取用水在线监测数据为例进行实证分析,结果表明提出的异常值分析方法是有效的,并且建立的取用水在线监测数据有效性评估方法是可行的。     

基于长期监测数据的桥梁局部时变可靠度分析

本研究提出了一个基于长期监测数据的桥梁局部时变可靠度分析方法。首先,对原始监测应变数据进行预处理,滤掉电磁干扰导致的异常数据;然后,考虑到季度温度效应对监测应变数据统计特征的影响,基于年温度监测数据,采用聚类分析法,对桥梁局部位置的监测数据进行统计时间段划分,实现了统计时间段内荷载效应数据对应统计特征的提取;进而,结合结构抗力经时变化模型,对桥梁结构考虑抗力衰减的抗力时变概率分布进行分析;最后,对在役桥梁局部监测点位置进行了全期局部时变可靠度分析。通过实桥数据分析,验证了所提方法的合理性和有效性,为桥梁结构局部时变可靠度分析提供了理论基础和应用方法。     

基于随机森林的城市轨道交通桥梁故障预测模型

城市轨道交通桥梁故障维修具有滞后性的问题,为提前了解故障部位数据随时间变化的趋势,需要对桥梁具体故障部位数据进行快速而准确的预测.以桥梁实测数据为基础,提出基于随机森林的城市轨道交通桥梁故障预测模型,并以桥梁结构位移参数为例,首先进行数据预处理,然后使用皮尔逊系数对桥梁监测特征参数做进一步筛选,最后将筛选的特征输入随机森林预测模型中训练,得到结构位移的预测结果 .结果表明,随机森林模型能实现对结构位移故障的预测,预测结果的均方误差为0.085 1,可决系数为98.21%.     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

核电厂建(构)筑物变形监测信息管理系统设计研究

为解决海量变形监测数据处理繁琐,存储成果单一(纸质)、自动化程度低、全要素展示不完备等问题,文中主要探讨了核电厂建(构)筑物变形监测信息管理系统的预测算法模型、数据库建设与功能模块,通过系统数据统计分析功能对文档、图像、监测数据等资料进行管理,绘制出水平位移与垂直位移随时间变化折线图,对建(构)筑物的变形进行二维可视化,绘制点位分布图、沉降等值线图等.利用获取的原始监测数据对各个建构筑物的变形情况进行预警分析及发展趋势进行预测,输出各种变形监测数据报表.实现了核电厂建(构)筑物变形监测数据的智能化、自动化、可视化的管理、分析与预测.     

基于云模型的水闸泵站远程监测数据挖掘分析

为提高水闸泵站监测的预测预警能力,考虑到影响水闸泵站安全的多因素性和监测数据量庞大的特点,提出了一种将云模型与改进Apriori算法相结合的水闸泵站监测数据关联规则挖掘方法。首先建立监测数据属性空间,利用逆向云模型实现属性空间的软划分,将监测数据离散化。为避免传统Apriori多次扫描数据库时间长的缺点,采用二进制存储数据并通过"与运算"获取频繁项集;考虑到数据的动态增加,采用增量更新方法对规则进行更新。最后以某市水闸泵站的监测数据分析为例,验证了所提方法的有效性。     

大气环境监测数据审核和分析系统的设计与实现

雾霾一度成为社会关注的环境污染问题,为了有效的治理雾霾,全国多个省市实现了空气质量自动监测系统,对各项大气参数值进行数据采集。本系统是对大气环境监测数据进行有效性、准确性处理。利用数据统计分析方法对监测数据进行异常数据审核和修订。本系统采用JAVA开发,后台数据存储在Sql Server 2008的数据库中。系统的实现不仅可以提高环境监测中心工作人员的工作效率而且这些处理后的数据也是以后进行空气质量预测的数据基础。     

基于多小波的北京市房屋市场价格的分析预测

针对房价波动大的数据特征,将多小波分析与房价预测问题结合,以北京市2010—2018年的房屋数据作为研究对象,探究了利用Haar小波变换、Daubechies系列小波变换以及基于过采样预处理的GHM多小波变换和CL多小波变换处理房价数据的分解重构效果,并通过对高频系数进行门限阈值量化重构处理以达到去噪的目的;建立支持向量机（SVM）预测模型,通过探究4种小波处理方法对房屋价格预测的影响结果,给出了相应预测效果更佳的数据处理方法和选择依据。     

深大基坑自动化监测及智能预警平台

针对深大基坑人工监测中监测不及时、监测数据精度低、监测数据少等问题,以武汉某基坑工程为依托,利用自动化监测与采集设备获得了基坑变形、受力等监测数据,利用前端开发工具Visual Studio Code和后端开发工具IntelliJ构建了深基坑自动化监测与智能预警云平台。研究结果表明,支护桩最大水平位移在0.4倍支护桩长位置处,地表沉降随基坑开挖深度增加而增大,支撑轴力随基坑开挖深度增加而线性增大且轴力增长速率随后续支撑施加而降低。深大基坑自动化监测及智能预警平台实现了基坑施工全过程中自动化监测、智能动态预测与风险评估。     

矿山遥感监测成果数据报表自动生成方法

为解决矿山遥感监测成果数据报表的自动生成问题,通过分析报表源数据特点和生成工作流程,提出依据模板自动生成成果数据报表的方法。基于NPOI(net poor obfuscation implementation)组件式开发技术,结合AE(ArcGIS engine)二次开发,建立报表映射模型,设计并实现了矿山遥感监测成果数据报表自动生成方法,解决了对Excel数据的读取操作等问题。结果表明:该方法降低了工作人员的工作强度与工作量,提高了报表生成的工作效率,保证了数据的准确性与报表间的关联性。可见该方法解决了在报表生成工作中遇到问题,提高了报表编制的工作效率。     

离散制造车间设备综合效率监测系统开发

针对离散制造车间手工记录生产数据不及时、不完整而不能满足设备生产效率实时反馈的问题,研究开发车间设备综合效率自动监测系统.根据设备综合效率的监测计算需求,确定系统的总体架构,给出自动和人工相结合的数据采集流程;设计监测系统的功能架构以及数据采集与信息展示界面;完成监测系统的开发与应用.对某汽车零件的加工过程进行试验,结果表明所开发系统能够实时、准确地对车间设备综合效率进行监测.     

基于门控宽度模型的结构监测数据预测

随着信息技术的不断发展,机器学习在结构自动化监测中的应用逐渐增长。数据分析与预测作为结构自动化监测的重要一环,是保障结构安全的关键。针对目前结构监测数据预测方法未充分挖掘数据特征和运算时间冗长的问题,提出一种基于门控宽度模型（gated broad learning system, G-BLS）监测数据预测模型。G-BLS在BLS特征节点增加遗忘门和循环反馈门机制,能够控制特征节点提取相关性高的信息。与深度模型相比,G-BLS模型网络结构简单,在保证预测精度的同时大大减少了模型训练时间。实测的地铁基坑沉降数据测试结果表明,G-BLS可有效实现预测监测数据的可靠性与实时性,是一种精准快速的结构监测数据预测方法。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

长短时记忆网络的自由体操视频自动描述方法

提出一种长短时记忆网络的自由体操视频自动描述方法.在视频描述模型S2VT中,通过长短时记忆网络学习单词序列和视频帧序列之间的映射关系.引入注意力机制对S2VT模型进行改进,增大含有翻转方向、旋转度数、身体姿态等关键帧的权重,提高自由体操视频自动描述的准确性.建立自由体操分解动作数据集,在数据集MSVD及自建数据集上进行3种模型的对比实验,并通过计划采样方法消除训练解码器与预测解码器之间的差异.实验结果表明:文中方法可提高自由体操视频自动描述的精度.     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

基于ADS-B监视技术的飞行器纵向最小间隔研究

为解决航路飞行安全问题,提高碰撞风险检测的精确度,主要研究飞行器在平行航路飞行过程中纵向安全间隔的问题。对传统的EVENT碰撞模型进行改进,建立以椭圆柱体为碰撞模板的EVENT模型。介绍了广播式自动相关监视(ADS-B)技术的性能及应用背景,并在改进EVENT模型基础上提出基于ADS-B监视技术下各个参数的计算方法。以中航工业石家庄飞机工业有限责任公司小鹰500机型为模型算例,计算出其最小安全间隔。研究结果符合国际民航组织的飞行安全指标,可为研究基于ADS-B监视技术的风险分级提供一种有效方法。     

监控场景下视频中全局移动对象的异常行为自动识别

传统异常行为识别方法容易受到外界环境的干扰,导致识别精度低下;且开销较高。为此,提出一种新的监控场景下视频中全局移动对象的异常行为自动识别方法。对异常行为特征进行提取,选用的特征为目标运动轨迹特征和外接矩形框宽高比特征,通过位置动态对监控场景下视频中全局移动对象运动轨迹特征进行提取,通过最小外接矩形框对移动对象进行标记。依据特征提取结果,通过异常测量函数实现监控场景下视频中全局移动对象的异常行为自动识别。实验结果表明,采用所提方法对全局移动对象的异常行为进行自动识别,不仅识别精度高,且开销较低。     

基于变分自动编码器的车辆轨迹预测研究

针对轨迹预测中车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等一系列问题,提出了一种基于变分自动编码器的车辆轨迹预测方法。首先,通过长短时记忆网络从原始数据中提取轨迹数据与车道信息的语义特征;其次,引入多头注意力机制,采用两个单独的注意力模块分别建立车辆与车辆交互模型及车辆与道路交互模型,能够更好地反映周边车辆与道路几何对车辆轨迹的交互影响,得到丰富的场景上下文信息;接着利用变分自动编码器对车辆轨迹多模态建模,捕捉轨迹预测的随机性质以生成合理的未来轨迹分布;最后从分布中多次重复采样以生成多条可能的未来轨迹。通过搭建实验平台和使用Argoverse自然驾驶数据集进行测试,改进后的预测方法在平均位移误差和最终位移误差指标下的数值分别为1.03和1.51,预测精度上相较于其他3种预测方法,分别提升了45%、46%、32%;实验结果表明：预测方法可以有效地改善车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等问题,预测精度提高,总体预测性能良好。     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测,综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响,提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先,提出了一种综合相关性分析模型,结合多种特征选择方法对多维气象特征实现综合评价,准确筛选与风电功率相关性较高的气象特征,提高预测精度。其次,针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多,模态混叠程度加剧的问题,提出了SECEEMD分解算法,在降低分量数量,降低模态混叠程度的同时,提高模型的训练速度。然后,分别建立NWP-LSTM和SECEEMD-BP预测模型,并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构;最后,通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据,经验证,本文所提预测模型,能较大程度提高预测精度,相较于一般预测模型,R2-Score分别提高了4%和0.6%,MAE分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度,更加适合进行风电功率预测。