空气质量评价智能信息处理技术研究

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题来源及研究意义
• 1.2 国内外研究现状及发展水平
• 1.3 本文的目的和主要内容
• 1.3.1 本文的目的
• 1.3.2 本文的主要内容
• 第2章 空气质量评价信息处理技术
• 2.1 数据、信息与知识
• 2.2 数据融合技术
• 2.2.1 数据融合技术的基本概念
• 2.2.2 数据融合的分类
• 2.2.3 数据融合的方法
• 2.3 数据挖掘技术
• 2.3.1 数据挖掘的基本概念
• 2.3.2 数据挖掘的方法
• 2.4 数据挖掘和数据融合的集成
• 2.5 小结
• 第3章 空气质量评价集成信息处理系统的研究
• 3.1 “数据—信息—知识—智能行为”转化链
• 3.2 基于信息处理的空气质量评价系统拓扑结构
• 3.2.1 环境空气监测监控系统硬件结构
• 3.2.2 基于信息处理的空气质量评价系统拓扑结构
• 3.3 空气质量评价系统集成信息处理模型
• 3.4 空气质量评价系统信息处理的总体模型
• 3.5 空气质量评价信息处理模型的软硬件实现
• 3.6 小结
• 第4章 粗糙集与神经网络融合的空气质量评价信息处理系统
• 4.1 粗糙集的基本概念
• 4.2 属性约简
• 4.2.1 属性的约简
• 4.2.2 区分矩阵法求属性约简
• 4.3 人工神经网络
• 4.4 粗糙集与神经网络融合的空气质量评价信息处理系统
• 4.4.1 采用粗糙集与神经网络融合方法的原因
• 4.4.2 空气质量评价粗糙集-神经网络（RoughSet-NN）信息处理模型的实现
• 4.4.3 神经网络建立空气质量评价模型
• 4.5 小结
• 第5章 神经网络优化算法研究
• 5.1 遗传-蚁群算法优化神经网络的原因
• 5.2 蚁群算法
• 5.2.1 蚁群行为描述
• 5.2.2 基本蚁群算法的机制原理
• 5.2.3 基本蚁群算法的数学模型
• 5.2.4 基本蚁群算法的程序结构流程
• 5.3 遗传算法
• 5.3.1 遗传算法与自然选择
• 5.3.2 遗传算法的基本步骤
• 5.4 蚁群算法与遗传算法的比较
• 5.4.1 两种算法的优化质量比较
• 5.4.2 两种算法收敛速度比较
• 5.4.3 两种算法的特点与比较分析
• 5.5 遗传算法和蚁群算法融合的GAAA算法
• 5.5.1 遗传算法与蚁群算法融合的优点
• 5.5.2 GAAA算法中遗传算法的结构原理
• 5.5.3 GAAA算法中蚁群算法的设计
• 5.6 小结
• 第6章 系统仿真及实验结果分析
• 6.1 MATLAB仿真软件介绍
• 6.2 系统仿真
• 6.2.1 GAAA算法对空气质量评价问题的仿真实现
• 6.2.2 与其它空气质量评价方法的比较
• 6.3 小结
• 第7章 结论
• 7.1 论文工作总结
• 7.2 下一步工作和展望
• 致谢
• 参考文献
• 作者在读硕士期间的研究成果
• 附录I 图表索引
• 附录II 软件文档（部分）