考虑数据去噪分解的滑坡位移组合预测研究

为准确掌握滑坡位移变化规律,基于滑坡变形监测结果统计,对位移数据进行去噪分解处理,将滑坡位移数据分解为趋势项和误差项,并分别利用优化多核极限学习机和Arima模型构建预测模型,以实现滑坡位移的组合预测.结果表明:Morlet复小波较传统去噪模型分解效果更优,且通过优化处理,能更好地提高其分解能力;通过对多核极限学习机的...     

砂轮机安全操作要点

砂轮机是用来刃磨各种刀具、工具的常用设备,也用于对普通小零件进行磨削、去毛刺及清理等工作,可分为手持式砂轮机、立式砂轮机、悬挂式砂轮机、台式砂轮机等,主要由基座、砂轮、动力源、托架、防护罩和给水器等组成。     

基于随机森林的光散射法传感器微站PM2.5监测值的校正方法研究

光散射法传感器微站以其体积小、反应迅速、成本低等优点,已成为城市PM_2.5规模化移动监测的新选择.由于其标准与传统标准台站不同,必须对这类微站的监测数据进行准确地校正.本研究利用2021年06月—2022年02月武汉市江夏区标准台站及同期传感器微站监测数据,探讨传感器微站监测误差与温度、相对湿度的关系,并通过随机森林回归(Random Forest Regressor,RFR)校正传感器微站PM_2.5监测数据.对比单一RFR模型、按气象因素分类后RFR模型、“小波去噪+RFR”组合模型、“加权滑动平均去噪+RFR”组合模型校正效果,结果表明：RFR模型和分类后RFR模型均出现泛化能力差的问题,不能满足校正需求;“小波去噪+RFR”组合模型、“加权滑动平均去噪+RFR”组合模型平均绝对误差分别为8.77μg·m^-3和4.78μg·m^-3,平均相对误差分别为40.80%和18.13%.去噪组合模型能满足校正需求,且“加权滑动平均+RFR”组合模型校正效果明显优于“小波去噪+RFR”组合模型.研究结果可为...     

基于小波去噪-卡尔曼滤波的供水管网爆管检测

在应用卡尔曼滤波进行爆管检测时，若受到监测误差、用水量随机波动等因素形成的背景噪音影响会导致误报率偏高，进而带来爆管检测系统鲁棒性较低的问题。鉴于此，对原始卡尔曼滤波进行了改进，首先采用小波函数对监测数据进行处理，其可以成功将周期循环信号中的有效信号及噪声信号分解至不同频域，然后使用硬阈值函数去噪后再对信号进行重构；最后利用卡尔曼滤波对重构后的信号进行爆管检测。研究结果表明：通过小波去噪，重构的信号中噪声信号占比显著降低，且信号与有效信号相似性更大；利用实际管网数据验证发现，所提算法可成功应用于实际管网爆管检测且与卡尔曼滤波相比，信号持续稳定，无剧烈波动且误报次数由6次降至0次，极大提高了爆管检测系统鲁棒性。     

基于XGBoost-ARIMA方法的PM2.5质量浓度预测模型的研究及应用

针对PM_2.5时间序列的非线性、高噪声、不平稳与波动性的特征，提出一种基于分解集成框架以及相关性去噪的新型XGBoost-ARIMA混合预测模型。以石家庄市为例，选择PM₁₀、SO₂等4个影响因子，PM_2.5为目标因子，构建混合预测模型以合理区分与处理时间序列中高频、低频数据，并通过Pearson相关性去噪方法对时间序列中的噪声因子进行去除。实例验证及与经典预测模型的对比研究表明，提出的新型XGBoost-ARIMA混合预测模型适用于大气污染治理以及环境政策制定所需的PM_2.5质量浓度日均数据预测，实现了针对大气污染物日均质量浓度的准确预测，能够为污染治理与政策制定提供科学的数据支撑；该方法与经典预测模型相比，具有更优的预测性能(平均绝对误差仅为10.465 18,且希尔不等系数低至0.085 89)。