推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

水质数据融合平台的研究与设计

更新时间:2020-12-26 13:21:42 大小:11M 上传用户:xuzhen1查看TA发布的资源 标签:数据融合 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

近年来,随着水环境污染日益严重,各级政府建立了许多水质监测系统,但各平台数据相互独立,存在数据孤岛现象,不利于数据的综合分析与利用。针对这种现状,运用数据挖掘技术、大数据技术、云计算技术、数据库技术等先进技术设计了一个水质数据融合平台,对复杂多源的水质数据进行融合管理,实现水环境大数据的智能学习、统计分析和预测:帮助水环境部门进行高效准确的水质预测,为制定有效、合理的水环境治理防护措施提供有力的支撑。本文的主要研究内容包括以下几个方面:
(1)以水环境数据的采集、加工整合、数据存储、数据挖据与分析、数据可视化过程为主线,设计与实现了一个水质数据融合平台,平台具有水环境专题多维分析、污染源档案、报表中心、数据管理、数据分析等一系列功能。介绍了平台的数据采集方式和数据存储方式,在后期数据递增到一定量的时候,将历史数据迁移到 Hadoop中去,利用ETL(Extraction Transformation Load,EI)工具kele对数据进行加工整合。针对水环境监测数据设计了一个新的水质多因子预测模型,为水环境管理决策提供有效的数据支持。以贵州省贵阳市某地表水监测站点为例,通过水质数据融合平台进行数据采集整合,并利用设计的水质预测模型对地表水水质因子进行预测。向时,对水质数据融合平台的设计,包括需求分析、接口设计,数据库设计等进行详细介绍。
(2)设计了一个基于 LSTM(Long Short-Term Memory neural network,LSTM神经网络的水质多因子预测模型。以水质污染因子监测数据为例建立预测模型,利用最大值最小值归一化方法对监测站点水质数据进行预处理,简化了数据的波动和复杂性,然后利用 K-Similarity降噪法计算高维空间中向量的余弦相似度来去除噪声,最后利用长短期记忆LSTM神经网络进行预测,并且通过Adam算法来进行优化,更新模型的权重参数,减少损失,同时将预测结果与BP(Back Propagation,BP神经网络、RNN(Recurrent Neural Network,RNN)和传统的LsTM神经网络模型进行对比,新模型的预测更加准确

部分文件列表

文件名 大小
水质数据融合平台的研究与设计.pdf 11M

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载