【摘 要】
:
随着科学技术的不断提高,工业技术也随之不断升级。但由于快速的工业化发展带来了产能过剩、城市资源消耗大、人口过于密集等诸多问题导致了严重的环境污染及空气质量的加剧恶化,严重影响了人们的身体健康及公共危害。而造成空气质量急剧下降的表现结果大多为各种严重的雾霾现象出现。造成雾霾现象的主要大气污染物为PM2.5、PM10、NO2、SO2等,其中主要污染颗粒物为PM2.5。为了提高空气质量,减小空气质量下降
论文部分内容阅读
随着科学技术的不断提高,工业技术也随之不断升级。但由于快速的工业化发展带来了产能过剩、城市资源消耗大、人口过于密集等诸多问题导致了严重的环境污染及空气质量的加剧恶化,严重影响了人们的身体健康及公共危害。而造成空气质量急剧下降的表现结果大多为各种严重的雾霾现象出现。造成雾霾现象的主要大气污染物为PM2.5、PM10、NO2、SO2等,其中主要污染颗粒物为PM2.5。为了提高空气质量,减小空气质量下降对公众的影响,必须更好地了解PM2.5浓度的变化规律及污染程度。采用行之有效的大气PM2.5浓度智能预测方法为人们的出行提供可靠及有效的信息成为当前研究的热点问题。本研究课题依托北京工业大学校园大气监测系统平台,以采集的大气污染颗粒物及气象条件数据为研究样本,运用多模型理论思想与智能预测方法对大气污染物浓度的预测研究。文中主要研究工作和创新点为:一、围绕影响空气质量的污染物浓度预测进行研究针对传统的神经网络的训练时间长、数据需求量大、过拟合及陷入局部最小值等问题分别建立多个不同模型对影响空气质量的污染物浓度进行预测。其多个模型方法分别为长短记忆(LSTM)网络对NO2浓度预测,粒子群与最小二乘支持向量回归(PSO-LSSVR)相结合方法及在线序列极限学习机(OS-ELM)方法对PM2.5浓度预测。研究中充分利用每个模型的优点进行仿真实验,并与传统的神经网络等预测模型进行比较。仿真结果表明,所提方法克服了传统神经网络预测模型训练时间长、样本量大及易陷入局部极小化的缺点,提高了预测污染物浓度的准确性、快速性及实用性。针对不同空气质量等级的大气PM2.5时间序列的浓度变化,提出了一种基于时间序列的交互式多模型(IMM)的大气PM2.5浓度预测方法。该方法利用不同空气质量等级的PM2.5浓度变化数据,分别建立相应空气质量等级的PM2.5浓度时间序列模型,与各个卡尔曼滤波器相结合形成一种混合形式,再通过马尔科夫链实现不同的空气质量等级情况下模型预测的互相切换,进而实现在不同的空气质量等级下准确地预测PM2.5浓度。仿真实验结果显示,所提IMM方法可以克服单一模型在不同的空气质量等级情况下受到影响导致预测不准确的缺点,从而提高了大气PM2.5浓度预测精度。针对大气环境中总是存在着非线性、不确定性和随机性,并且时常伴随着不正确或者未知的先验噪声等问题,提出了一种基于支持向量回归与自适应无迹卡尔曼滤波(SVR-AUKF)相结合的大气PM2.5浓度预测及噪声估计方法。该方法以建立支持向量回归的大气PM2.5浓度预测模型状态方程框架为基础,与自适应无迹卡尔曼滤波方相结合,在不正确或未知的噪声情况下对大气PM2.5浓度进行预测。实验仿真结果显示,所提方法在不正确或未知的噪声情况下都可以较准确地预测大气PM2.5浓度并对其噪声进行自适应估计,提高在未知及不正确的噪声情况下PM2.5浓度预测精度及鲁棒性,使预测更加准确并贴近实际环境。不同环境下建立的最佳模型存在着差异,即使在相同环境下选择的最佳模型,也会随着PM2.5浓度状态变化而变化。有针对性地建立相应的预测模型是准确预测PM2.5浓度的重要研究问题。因此,本论文提出了一种多模型自适应无迹卡尔曼滤波(MMAUKF)方法的大气PM2.5浓度预测。根据一天中不同时间段PM2.5浓度变化,建立三个时间段内的PM2.5浓度预测模型,与各个自适应无迹卡尔曼滤波相结合对相应的时间段内PM2.5浓度进行预测,再利用贝叶斯融合方法对三个时间段的PM2.5浓度预测值进行融合,得到最终一天不同时段PM2.5浓度预测值。仿真实验结果显示,所提方法可以在不同时间段准确地预测PM2.5浓度,并提高预测精度和鲁棒性。二、围绕影响空气质量的污染物浓度扩散进行研究针对某火电厂湿法烟气脱硫排放二氧化硫(SO2)浓度情况,本论文提出了基于污染物排放浓度扩散模拟研究方法。根据其湿法烟气脱硫工艺,建立排出SO2的高斯烟羽扩散模型,并根据周围环境设定条件对SO2浓度扩散进行仿真模拟。仿真模拟结果表明,SO2浓度扩散与风速有直接的影响关系,并较好地掌握了SO2浓度扩散的规律,为该地区的空气污染状况研究及环境监测提供了一定的参考作用。
其他文献
复杂网络的可控性是网络化系统保持稳定运行、实现各类功能的基本保障,其相关研究一直是网络科学领域的热门课题。在早期,大量研究工作聚焦于如何选取恰当的驱动节点使得系统在外部信号的影响下实现任意状态间的转移,即实现完全状态可控。近些年,随着大数据、5G、人工智能等信息技术的发展,针对复杂网络的攻击门槛越来越低,导致基于网络的蓄意攻击事件频繁发生,系统的可控性随之面临严重威胁,相关研究也引起广泛关注。如何
在未来的一段时间内,火力发电仍然是我国电力生产的主要形式。大型火力发电机组一旦发生故障会造成严重不利影响。大型火力发电机组系统结构复杂、多源异构参数众多,使得传统故障预测方法难以精准地识别异常工况、诊断异常成因和预测异常演化趋势。目前,大型火力发电机组已经初步具备了底层运行数据全覆盖采集能力,在这些数据中蕴含着大量的与大型火力发电机组健康状态相关的信息。本文利用基于时序特征的机器学习方法,以火力发
饲用益生菌广泛应用于动物生产过程中,动物肉品质决定经济价值。益生菌改善动物肉质地和风味,从而提高肉品质。本文对常见饲用益生菌对动物肉质物理指标、化学指标和风味物质的影响进行综述,从增强营养物质代谢、提高抗氧化能力、优化肠道菌群和提高胃饥饿素(Ghrelin)的分泌四个方面探讨益生菌改善动物肉品质的作用机制,为研究益生菌对动物肉质的影响提供参考。
随着5G技术的蓬勃发展,工业过程的集成化程度日益升高,所采集得到的数据也呈现出了复杂的关系。而人工智能技术的迅猛发展既为数据驱动建模提供了新思路和新方法,也为智能制造创造了新机遇。本文结合已有的深度学习模型,针对工业过程中数据关系复杂的问题,提出了基于深度概率隐变量模型的软测量建模方法。根据工业过程中数据处理的具体要求,本文重点解决了以下几个问题:(1)针对工业数据的强非线性问题,提出了非线性概率
气液两相流广泛存在于各种工业过程中,与国民经济息息相关,对气液两相流的状态监测和参数检测十分重要。但由于气液两相流复杂的特性,相关的监测/检测工作目前仍然是研究领域内的难题。电学层析成像(Electrical tomography,简称ET)技术是监测气液两相流和进行相关参数检测的有效手段。其中,电阻层析成像(Electrical resistance tomography,简称ERT)技术凭借无
光催化是一种利用可再生太阳能实现光能向化学能转化的绿色可持续发展技术。近年来,纳米光催化剂作为光催化技术的核心在水分解、二氧化碳还原、氮气固定、挥发性有机化合物去除以及水处理等领域迅速发展,为利用可再生太阳能替代传统的不可再生的化石燃料开阔了新思路,成为了解决能源和环境危机的有效方法。然而,目前纳米光催化剂的效率较低,距离工业化生产的光催化效率期望值10%还相距甚远。所以,合理构建高效纳米光催化剂
为提升结肠癌患者的临床治疗和预后效果,针对结直肠癌的早期精准诊断及化疗损伤鉴别至关重要,而这方面的新型检测技术具有重要研究价值和应用前景。在目前的传统临床肿瘤诊断手段中,组织活检存在有创检测的弊端,影像学和内镜学检测存在早期诊断假阴率高的不足,而血液检查又存在对患者化疗轻度损伤检测的特异性不足的问题,这些都会对肿瘤患者的治疗与预后造成不利影响。而太赫兹光谱技术因其安全无损、无标记且无需反应底物等优
在布尔(控制)网络系统研究的过程中,无论是网络系统的外部噪声、或者是控制器在执行过程中出现的延迟、数据丢失等扰动都会对网络系统的稳定性产生影响。为了更好地将系统模型和实际应用相结合,本文考虑了状态反馈控制器、黎曼采样控制器、勒贝格采样控制器、牵制控制器这四类基础且重要的控制器来实现网络系统的随机稳定性。另外,在控制器的设计过程中,保证控制目标的可实现性、节约控制成本,提高控制效率是控制器设计过程中
针对如何快速、精准地检索门户网站信息的问题,设计和实现基于Python语言的聚焦网络爬虫。首先分析聚焦网络爬虫的爬取数据流程,明确爬虫的基本原理;在爬取数据流程的基础上,设计聚焦网络爬虫的通用结构模型;最后,利用Python语言库实现聚焦网络爬虫,并以广东省政府采购网的招标信息的爬取为实例验证该聚焦网络爬虫的可用性。
随着互联网技术的快速发展,图像和视频已经成为数字媒体信息的重要载体。如何从图像与视频中提取有效的语义信息成为计算机视觉领域的研究热点。目前大多基于深度学习的方法通常利用有大量明确任务标注的数据进行训练和学习,但是由于某些特定和专业场景缺少任务相关的精细标注数据,难以学习高质量视觉信息。本文重点研究弱监督问题中不完全监督和不确切监督问题,即训练数据只具备粗粒度标签和只有部分类别训练数据具备标签。实际