论文部分内容阅读
环境空气质量计算机监测系统采集的数据量一般是非常巨大的,针对这些海量的数据,如何进行空气质量的评价,已是我们必须面对的问题。本论文将数据挖掘与数据融合两种技术应用于数据分析之中,建立空气质量评价模型,从而有效的进行空气质量评价。文中提出了目前大多数环境监测站所采用的计算机集散控制系统(DCS)、现场总线控制系统(FCS)后,根据其信息一般通过内部网、外部网实现本监测站内部互联,并且同行业内部的监测信息也实现互联,本文以环境空气监测监控系统为基础,对其中采集的信息进行抽象和简化,建立起空气质量评价系统的信息处理模型,实现了从数据到智能行为的转化。文中基于粗糙集理论对信息进行预处理,完成知识表达中不同属性的重要性分析,并进行知识表达空间的简化,再把简化后的系统特征参数作为神经网络的输入,建立起空气质量评价智能信息处理模型,进行空气质量评价最小属性评价因子研究。通过粗糙集和神经网络二者的结合,提高系统信息处理的容错能力及抗干扰能力,为处理海量数据的不确定性、不完整性提供了一条有效的途径。文中基于遗传蚁群(GAAA)算法对神经网络参数进行优化,提高网络逼近精度,克服所建立的空气质量评价信息处理模型的不足,从而减少计算量,使建立的空气质量评价信息处理模型更加切合实际。经过仿真试验,结果表明,本文所提出的智能信息处理技术,相对于目前存在的信息处理技术具有智能性、扩展性、伸缩性,评价结果具有客观、正确等优越性。此评价方法不但能对空气质量进行科学评价,而且还可以应用到水质综合评价等领域;不但可以通过4个因子进行空气质量评价分级,而且可以不受污染物种类和数目的限制,完成多个评价因子的空气质量综合评价。