空气质量评价智能信息处理技术研究
|
摘要
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。
The gathering data of the environment air quality monitoring system is very enormous. Aiming at the magnanimous data, how to carry through air quality evaluation became a question which we must to face. The paper used the data mining and the data fusion technology to apply in data analysis, established the air quality evaluation model, and then carried on the air quality evaluation effectively.
At present, the majority environmental monitoring stations have adapt computer distribution control system (DCS), field-bus control system (FCS), the information was interconnected to own interior station and even to internal monitor information system of craft brothers through intranet and extranet. On the base of environment air monitoring and supervisory system, the gathering information was simplified, and the information process model for air quality evaluation system was established. The model can realize transformation from the data to the intelligent behavior.
Based on rough set method, the information was pretreatment, weightiness analysis of different attributes in the knowledge expression were completed, and we carried on simplification of the knowledge representation space, then put the simplified system characteristic parameters as inputs to the neural network, established a intelligent information process model for air quality evaluation, carried on the study of the smallest evaluation factors of the air quality evaluation. Through the combination of rough set and neural network, the way improved the information process system which has better fault-tolerant and anti-jamming ability. It provides a powerful way for process magnanimous indefinite and incomplete data.
The neural network was optimized based on the genetic-ant (GAAA) algorithm. The way enhanced the network to approach the precision, conquered the disadvantages of the information process model for air quality evaluation, then reduced computing quantity and made the information process system for air quality evaluation to conform reality. Through the simulating experiment, the experiment result indicated that the intelligent information process technology which was put forward has intelligent, expansibility and retractility than other exist information process technologies. The evaluation result is impersonality and precise. The method not only may carry on the air quality evaluation scientific, but also may put in the water quality synthetic evaluation and so on, and may carry on the air quality evaluation graduation through four factors, moreover may complete the air quality synthetic evaluation deal with mult-evaluatioin factors, without the limit of contamination sorts and amounts.
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。
The gathering data of the environment air quality monitoring system is very enormous. Aiming at the magnanimous data, how to carry through air quality evaluation became a question which we must to face. The paper used the data mining and the data fusion technology to apply in data analysis, established the air quality evaluation model, and then carried on the air quality evaluation effectively.
At present, the majority environmental monitoring stations have adapt computer distribution control system (DCS), field-bus control system (FCS), the information was interconnected to own interior station and even to internal monitor information system of craft brothers through intranet and extranet. On the base of environment air monitoring and supervisory system, the gathering information was simplified, and the information process model for air quality evaluation system was established. The model can realize transformation from the data to the intelligent behavior.
Based on rough set method, the information was pretreatment, weightiness analysis of different attributes in the knowledge expression were completed, and we carried on simplification of the knowledge representation space, then put the simplified system characteristic parameters as inputs to the neural network, established a intelligent information process model for air quality evaluation, carried on the study of the smallest evaluation factors of the air quality evaluation. Through the combination of rough set and neural network, the way improved the information process system which has better fault-tolerant and anti-jamming ability. It provides a powerful way for process magnanimous indefinite and incomplete data.
The neural network was optimized based on the genetic-ant (GAAA) algorithm. The way enhanced the network to approach the precision, conquered the disadvantages of the information process model for air quality evaluation, then reduced computing quantity and made the information process system for air quality evaluation to conform reality. Through the simulating experiment, the experiment result indicated that the intelligent information process technology which was put forward has intelligent, expansibility and retractility than other exist information process technologies. The evaluation result is impersonality and precise. The method not only may carry on the air quality evaluation scientific, but also may put in the water quality synthetic evaluation and so on, and may carry on the air quality evaluation graduation through four factors, moreover may complete the air quality synthetic evaluation deal with mult-evaluatioin factors, without the limit of contamination sorts and amounts.
引文
[1] 西安市环境状况．www.zhb.gov.cn．国家环境保护总局
[2] 刘毓．基于GIS的面相对象大气环境信息系统．西北工业大学硕士学位论文．西安．西北工业大学，2001
[3] 陈宗明．城市污染预报-城市可持续发展的重要举措．城市发展研究，1997
[4] DanielD.Chiras. Environment Science-Action for a sustainable Future. The Benjamin/Cummings Publishing Company.Inc., 1994
[5] 李亚冰．大气污染扩散模型和环境效益分析—太钢清洁生产项目案例研究．太原理工大学硕士学位论文．太原．太原理工大学，2003
[6] 清华．中国环境污染状况备忘录．世界环境，1998，(2)：40-42
[7] 杨文东．武汉市大气环境质量评价模糊数学模型的研究—模糊综合评判法的研究．太原理工大学硕士学位论文．武汉．武汉理工大学，2002
[8] 袁玲．基于神经网络模型的交通大气环境质量评价研究．长安大学硕士学位论文．西安．长安大学，2001
[9] 邹长武，熊建秋．大气环境质量分析与评价研究的新进展．四川环境，2006
[10] 李祚泳，邓新民．大气环境质量综合评价的B-P网络模型．重庆环境科学，1994，16(6)：37-40
[11] 郑成德．大气环境质量的人工神经网络决策模型．环境科学进展，1997，7(1)：83-87
[12] 李祚泳．环境监测优化布点的人工神经网络模型．中国环境科学，1997，17(1)：27-29
[13] 杨文东，程洪斌．神经网路在大气环境质量评价中的应用研究．工业安全与环境，2001，9(21)：31-33
[14] 熊德国，鲜学福，周富春．燃煤型城市环境大气质量综合评价的模糊神经网络模型．中国矿业，2004，1(13)：51-56
[15] 熊德国，何青林．模糊神经网络用于环境大气质量评价的研究．煤矿环境保护，1999．5(13)：57-59
[16] 王俭．一种基于模糊神经网络的大气质量评价模型．城市环境与城市生态，2003，5(16)：92-94
[17] 常炳国，毛节泰．智能模糊测量系统在监测大气环境质量中的应用．工业仪表与自动化装置，2002，(1)：42-44
[18] 陈云洁，郭达志，杜培军．遗传BP算法在大气环境综合评价中的应用．上海环境科学，1998，17(12)：17-18
[19] 周廷刚．基于遗传神经网络模型的大气质量评价方法．四川环境，2003，3(22)：73-75
[20] 杨立民，许有鹏．改进遗传神经网络方法在大气环境质量评价中的应用．环境科学研究，1999，2(12)：28-30
[21] 王丽敏．粒子群算法及神经网络在大气质量评价及预测中的应用．吉林硕士学位论文，吉林，2002
[22] HECTOR JORQUERA, ICARDO PEREZ.etc. Forecasting ozone daily maximum levels at Santiago, Chile. Atmosphheric Environment, 1998, 32(20):3415-3424
[23] Wenjian Wang, Weizhen Lu, Wiekang Wang, Andrew YT. Leung. Prediction of maximum daily ozone level using combined neural network and statistical characteristics. Environment International, 2003. (29): 555-562
[24] Zhou Hao, Ccn Kefa, Mao Jianbo. Combing neural network and genetic algorithms, to optimize low NOX pulverized coal combustion Fuel 2001,(80): 2163-2169
[25] Jaakko Kukkonen, Leena Partanen. etc. Extensive evaluation of neural network models for the prediction of NOZ and PMio concentrations compared with a central Helsinki deterministic modeling system and measurements in Atmospheric Envionment, 2003.(37): 4439-4550
[26] M. Kolehrnainen, H. Martikainen. J. Ruuskanen. Neural networks and periodic components used in air quality.forecasting. Atmospheric Environment, 2001, (35):815-825
[27] 梁继民．多传感器决策融合方法研究．西安电子科技大学博士研究生学位论文．西安．西安电子科技大学，1999
[28] 谭振江．多传感器光测系统数据融合技术的应用研究．中国科学院研究生院博士学位论文．北京．中国科学院，2003
[29] 龚元明，萧德云，王俊杰．多传感器数据融合技术(下)．冶金自动化，2002，(5)：3-4
[30] Xiang F, Anderson G A,Veenstra T D, Lipton M S and Smith RD. Characterization of microorganisms and biomarker development from global ESI—MSIMS analyses of cell lysates, Anal. Chem.2000.72 (11):2475-2481
[31] R C Lou. Data fusion and sensor integration: Fusion in Robotics and Machine Intelligence, State-of-the art 1990s, Data Academic Press Inc. 1992,128-136
[32] 朱大奇．人工神经网络原理及其应用．科学出版社，2006
[33] Martin T．Hagan}Howard B．Demote，Mark H．Beale著，戴葵等译．神经网络设计．北京．机械工业出版社，2002，9-16
[34] 楼顺天，施阳．基于MATLAB的系统分析与设计—神经网络．西安电子科技大学出版社，1998．9
[35] 李芳社，王宝树．基于模糊逻辑的模糊神经网络推理及结构及其实现．西安电子科技大学学报，1998，25(6)：799-800
[36] 刘同明，夏祖勋，解洪成．数据融合技术及其应用．国防工业出版社，1999
[37] 康耀红．数据融合理论与应用．西安．西安电子科技大学出版社，1997
[38] 杨万海．多传感器数据融合及其应用．西安电子科技大学出版社，2004
[39] 陈文伟，黄金才，赵新昱．数据挖掘技术．北京工业大学出版社，2003
[40] Margaret H．Dunham著，郭崇慧，田凤占，靳晓明等译．数据挖掘教程．清华大学出版社，2005
[41] 邵峰晶，于忠清．数据挖掘原理与算法．中国水利水电出版社，2003
[42] Jiawei Han and Micheline Kamber. Data mining :concepts and techniques. Higher Education Press,2001
[43] 王璿．数据挖掘与数据融合相结合的信息处理技术研究．西北工业大学硕士学位论文．西安．2006
[44] 环境空气监测监控系统的硬件组成．www.xianemc.gov.cn．西安市环境监测站
[45] MCGS工控组态软件用户手册．北京昆仑通态自动化软件科技有限公司
[46] 曾黄麟．智能计算．重庆大学出版社，2004
[47] 杨炳儒．基于内在机理的知识发现理论及其应用．电子工业出版社，2004
[48] 高隽．智能信息处理方法导论．机械工业出版社，2004
[49] 熊和金，陈德军．智能信息处理，2006
[50] 崔庆安．工业系统集成信息处理技术及其应用研究．西安科技大学硕士学位论文．西安，2004
[51] 李国勇．智能控制及其MATLAB实现．电子工业出版社，2005
[52] 飞思科技产品研发中心．神经网络理论与MATLAB7实现．电子工业出版社，2005
[53] 李士勇．蚁群算法及其应用．哈尔滨工业大学出版社，2004
[54] 段海滨．蚁群算法原理及其应用．科学出版社，2005
[55] 李祚泳．环境质量评价原理与方法．化学工业出版社，2004
[56] 吴云志．基于粗糙集与神经网络方法结合的知识发现应用研究．合肥工业大学硕士学位论文．合肥．2006
[57] 凌维业，贾民平，许飞云，胡建中，钟秉林．粗糙集神经网络故障诊断系统的优化方法研究．中国电机工程学报，2003
[2] 刘毓．基于GIS的面相对象大气环境信息系统．西北工业大学硕士学位论文．西安．西北工业大学，2001
[3] 陈宗明．城市污染预报-城市可持续发展的重要举措．城市发展研究，1997
[4] DanielD.Chiras. Environment Science-Action for a sustainable Future. The Benjamin/Cummings Publishing Company.Inc., 1994
[5] 李亚冰．大气污染扩散模型和环境效益分析—太钢清洁生产项目案例研究．太原理工大学硕士学位论文．太原．太原理工大学，2003
[6] 清华．中国环境污染状况备忘录．世界环境，1998，(2)：40-42
[7] 杨文东．武汉市大气环境质量评价模糊数学模型的研究—模糊综合评判法的研究．太原理工大学硕士学位论文．武汉．武汉理工大学，2002
[8] 袁玲．基于神经网络模型的交通大气环境质量评价研究．长安大学硕士学位论文．西安．长安大学，2001
[9] 邹长武，熊建秋．大气环境质量分析与评价研究的新进展．四川环境，2006
[10] 李祚泳，邓新民．大气环境质量综合评价的B-P网络模型．重庆环境科学，1994，16(6)：37-40
[11] 郑成德．大气环境质量的人工神经网络决策模型．环境科学进展，1997，7(1)：83-87
[12] 李祚泳．环境监测优化布点的人工神经网络模型．中国环境科学，1997，17(1)：27-29
[13] 杨文东，程洪斌．神经网路在大气环境质量评价中的应用研究．工业安全与环境，2001，9(21)：31-33
[14] 熊德国，鲜学福，周富春．燃煤型城市环境大气质量综合评价的模糊神经网络模型．中国矿业，2004，1(13)：51-56
[15] 熊德国，何青林．模糊神经网络用于环境大气质量评价的研究．煤矿环境保护，1999．5(13)：57-59
[16] 王俭．一种基于模糊神经网络的大气质量评价模型．城市环境与城市生态，2003，5(16)：92-94
[17] 常炳国，毛节泰．智能模糊测量系统在监测大气环境质量中的应用．工业仪表与自动化装置，2002，(1)：42-44
[18] 陈云洁，郭达志，杜培军．遗传BP算法在大气环境综合评价中的应用．上海环境科学，1998，17(12)：17-18
[19] 周廷刚．基于遗传神经网络模型的大气质量评价方法．四川环境，2003，3(22)：73-75
[20] 杨立民，许有鹏．改进遗传神经网络方法在大气环境质量评价中的应用．环境科学研究，1999，2(12)：28-30
[21] 王丽敏．粒子群算法及神经网络在大气质量评价及预测中的应用．吉林硕士学位论文，吉林，2002
[22] HECTOR JORQUERA, ICARDO PEREZ.etc. Forecasting ozone daily maximum levels at Santiago, Chile. Atmosphheric Environment, 1998, 32(20):3415-3424
[23] Wenjian Wang, Weizhen Lu, Wiekang Wang, Andrew YT. Leung. Prediction of maximum daily ozone level using combined neural network and statistical characteristics. Environment International, 2003. (29): 555-562
[24] Zhou Hao, Ccn Kefa, Mao Jianbo. Combing neural network and genetic algorithms, to optimize low NOX pulverized coal combustion Fuel 2001,(80): 2163-2169
[25] Jaakko Kukkonen, Leena Partanen. etc. Extensive evaluation of neural network models for the prediction of NOZ and PMio concentrations compared with a central Helsinki deterministic modeling system and measurements in Atmospheric Envionment, 2003.(37): 4439-4550
[26] M. Kolehrnainen, H. Martikainen. J. Ruuskanen. Neural networks and periodic components used in air quality.forecasting. Atmospheric Environment, 2001, (35):815-825
[27] 梁继民．多传感器决策融合方法研究．西安电子科技大学博士研究生学位论文．西安．西安电子科技大学，1999
[28] 谭振江．多传感器光测系统数据融合技术的应用研究．中国科学院研究生院博士学位论文．北京．中国科学院，2003
[29] 龚元明，萧德云，王俊杰．多传感器数据融合技术(下)．冶金自动化，2002，(5)：3-4
[30] Xiang F, Anderson G A,Veenstra T D, Lipton M S and Smith RD. Characterization of microorganisms and biomarker development from global ESI—MSIMS analyses of cell lysates, Anal. Chem.2000.72 (11):2475-2481
[31] R C Lou. Data fusion and sensor integration: Fusion in Robotics and Machine Intelligence, State-of-the art 1990s, Data Academic Press Inc. 1992,128-136
[32] 朱大奇．人工神经网络原理及其应用．科学出版社，2006
[33] Martin T．Hagan}Howard B．Demote，Mark H．Beale著，戴葵等译．神经网络设计．北京．机械工业出版社，2002，9-16
[34] 楼顺天，施阳．基于MATLAB的系统分析与设计—神经网络．西安电子科技大学出版社，1998．9
[35] 李芳社，王宝树．基于模糊逻辑的模糊神经网络推理及结构及其实现．西安电子科技大学学报，1998，25(6)：799-800
[36] 刘同明，夏祖勋，解洪成．数据融合技术及其应用．国防工业出版社，1999
[37] 康耀红．数据融合理论与应用．西安．西安电子科技大学出版社，1997
[38] 杨万海．多传感器数据融合及其应用．西安电子科技大学出版社，2004
[39] 陈文伟，黄金才，赵新昱．数据挖掘技术．北京工业大学出版社，2003
[40] Margaret H．Dunham著，郭崇慧，田凤占，靳晓明等译．数据挖掘教程．清华大学出版社，2005
[41] 邵峰晶，于忠清．数据挖掘原理与算法．中国水利水电出版社，2003
[42] Jiawei Han and Micheline Kamber. Data mining :concepts and techniques. Higher Education Press,2001
[43] 王璿．数据挖掘与数据融合相结合的信息处理技术研究．西北工业大学硕士学位论文．西安．2006
[44] 环境空气监测监控系统的硬件组成．www.xianemc.gov.cn．西安市环境监测站
[45] MCGS工控组态软件用户手册．北京昆仑通态自动化软件科技有限公司
[46] 曾黄麟．智能计算．重庆大学出版社，2004
[47] 杨炳儒．基于内在机理的知识发现理论及其应用．电子工业出版社，2004
[48] 高隽．智能信息处理方法导论．机械工业出版社，2004
[49] 熊和金，陈德军．智能信息处理，2006
[50] 崔庆安．工业系统集成信息处理技术及其应用研究．西安科技大学硕士学位论文．西安，2004
[51] 李国勇．智能控制及其MATLAB实现．电子工业出版社，2005
[52] 飞思科技产品研发中心．神经网络理论与MATLAB7实现．电子工业出版社，2005
[53] 李士勇．蚁群算法及其应用．哈尔滨工业大学出版社，2004
[54] 段海滨．蚁群算法原理及其应用．科学出版社，2005
[55] 李祚泳．环境质量评价原理与方法．化学工业出版社，2004
[56] 吴云志．基于粗糙集与神经网络方法结合的知识发现应用研究．合肥工业大学硕士学位论文．合肥．2006
[57] 凌维业，贾民平，许飞云，胡建中，钟秉林．粗糙集神经网络故障诊断系统的优化方法研究．中国电机工程学报，2003