推荐星级：

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