CN106709242A - 一种鉴别污水监测数据真伪的方法 - Google Patents
一种鉴别污水监测数据真伪的方法 Download PDFInfo
- Publication number
- CN106709242A CN106709242A CN201611114422.7A CN201611114422A CN106709242A CN 106709242 A CN106709242 A CN 106709242A CN 201611114422 A CN201611114422 A CN 201611114422A CN 106709242 A CN106709242 A CN 106709242A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- monitoring data
- sewage
- inspection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及鉴别污水监测数据真伪技术领域,综合运用数理统计的方法,首先采用格拉布斯法进行异常值判断并修正时监测数据,再根据《城市污水处理厂污染物排放标准》(GB18918‑2002)要求的级别标准对修正后的时数据进行达标筛选,不满足排放标准的数据剔除,并采用t检验法来验证抽检数据样本均值是否在整体样本均值的接收域,采用χ2检验法来判断样本相对于整体的波动性是否有显著变化,以此实现污水监测数据的纵向对比;采用F检验法和箱线图法来匹配年数据离散程度相近的样本,以此实现污水监测数据的横向对比。本发明对监测数值真实度的检测层层深入,对辨别污水监测数据的真伪具有一定参考价值。
Description
技术领域
本发明涉及鉴别污水监测数据真伪技术领域,尤其是一种联合运用数理统计原理鉴别污水监测数据真伪的方法。
背景技术
当前一些排放污水的企业在经济利益驱使下,采用各种手段对在线监测数据进行造假,例如在监测点稀释污水,私接暗管,篡改监测仪器重要参数等。这些不法行为导致污水监测数据失真,给监测部门的工作带来很大的麻烦。许多监测人员本身业务素质较低,缺少将数据进行科学有效的分析和处理的能力,导致数据的可信度不高,失去评价意义。由于环境监测种类多样,数据数量庞大,大部分审核人员对数据的合理性、报告的规范性等缺乏研究,审核往往流于形式,数据经审核后,常常存在不同程度的问题或错误,致使监测工作陷入被动,甚至造成监测站不应有的损失。
发明内容
为了解决上述问题,本发明提出一种鉴别污水监测数据真伪的方法,联合运用数理统计的方法,例如格拉布斯法、箱线图法、t检验法,从数据自身的角度入手,实现监测数据的纵横比较,对监测数值真实度的检测层层深入,为监测数据的合理性和相关性研究提供了技术支持。
为实现上述目的,本发明采取的技术方案为:一种鉴别污水监测数据真伪的方法,综合运用数理统计方法的鉴别流程如下:
(1)获取污水处理厂污水排放指标时在线监测数据,建立数据表;
(2)对时在线监测数据进行升序排序;
(3)运用格拉布斯法对排序后时在线监测数据进行异常值的判断和观测值的修正,判断出的异常值即为异常数据,找出异常值对应的时刻,确定异常值出现的位置,并进行剔除,保留修正数据;
(4)在修正的时监测数据基础上计算日均值;
(5)根据《城市污水处理厂污染物排放标准》(GB18918-2002)要求的级别标准对日均值进行达标筛选,不满足排放标准的数据剔除;
(6)取监测月份和前11个月的年度观测值作为样本基数,通过月均值检验和月均值波动性检验,实现数据的纵向比较;
(7)匹配年数据离散程度相近的样本,来匹配出具有对比价值的企业,并通过差值波动性分析,实现数据的横向比较;
(8)由最终检测结果鉴别数据真伪。
所述数据的纵向比较是与企业历史数据作比较;所述数据的横向比较是同行业同时间段的监测数据作比较。
所述月均值检验是指采用t检验法来验证抽检数据样本均值是否在整体样本均值的接收域;所述月均值检验是指采用χ2检验法判断样本相对于整体的波动性是否有显著变化,实质是观察每个月数据的离散程度是否符合整体样本的离散程度。
所述匹配年数据离散程度相近的样本是指采用F检验法确定对照样本的方差范围,并通过减小显著水平α,配合使用箱线图法来缩小范围;所述差值波动性分析是指采用χ2检验法对待测样本和匹配样本的观察值做差,对差值的波动性进行分析。
所述格拉布斯法是以正态分布为前提,从多次等精度独立测量过程中剔除粗大误差的方法。对于从总体中抽取一个样本X1,X2…Xi…Xn,对其进行从小到大排列,使X1≤X2…≤Xi…≤Xn,假设Xn是需要检验判别的异常数据,S是样本标准差,对应的概率密度为:所以,
其中,α(0<α<1)为显著性水平,可根据实际情况取值。通过格拉布斯表可得λ(α,n)值,根据异常数据Xn与平均值的残差是否大于λ(α,n)倍样本标准差σ来判断异常数据是否应当剔除。
所述箱线图法是利用数据中的五个统计量:最小值、第一四分位数(下四分位数)Q1、第二四分位数(中位数)Q2、第三四分位数(上四分位数)Q3与最大值来鉴别数据中的异常值,包括离群值和极端值,鉴别原理如下:假设从总体中抽取一个样本X1,X2…Xi…Xn,对其进行从小到大排列,使X1≤X2…≤Xi…≤Xn,设Qk为第k四分位数,则有:
计算四分位距IQR(即Q3-Q1),内限值区间(Q1-1.5IQR和Q3+1.5IQR),在区间外的值即视为异常值。在顺序排列样本后,使用箱型图法判断异常值Xe,Xe必然首先出现在最大值或最小值的位置,即Xe∈{X1,Xn}。确定了异常值的位置根据样本观测值即可定位出虚假样本。剔除异常值后,进行迭代运算,即可修正样本数据。
所述t检验法是用T分布理论来推断差异发生的概率,从而判定两个平均数的差异是否显著。对于X1,X2,X3,…Xn,是由服从正态分布N的总体中随机抽取的样本,则统计量为服从自由度为(n-1)的t分布。提出原假设H0:μ0=μ1和备择假设H0:μ0≠μ1。根据实际情况对显著水平α取值,对于统计量T,有分位数使:当T的观测值满足不等式:
时,就拒绝原假设H0,接收备择假设H1。
所述χ2检验法是检验服从正态分布总体N的某个样本的波动性是否显著的一种假设检验方法。对于X1,X2,X3,…Xn,是由N(μ,σ2)的总体中随机抽取的样本,和S2的观测值分别为s2。提出原假设H0:和备择假设H0:对于给定的显著水平α,可查χ2分布表确定分位数和若满足
则接受H0,否则拒绝H0。
所述F检验是检验两个正态随机变量的总体方差是否相等的一种假设检验方法。设X1,X2,X3,…Xn,是由的总体中随机抽取的样本,Y1,Y2,Y3,…Yn,是由的总体中随机抽取的样本,且样本相互独立,样本方差提出原假设H0:和备择假设H0:如满足不等式
则接受H0,否则拒绝H0。
具体实施方式
为了进一步揭示本发明,下面结合具体实施例对本发明作详细的说明。
实施例
1.格拉布斯法修正时观测值
实地走访某污水处理厂后取其某天的COD在线监测数据(表2-1)。
表2-1某污水处理厂某日COD在线监测数据
因为时监测数据是本鉴别流程的基础数据,为保证其可信度,进行观测值修正是首要任务。经验可知,COD的时在线监测数据大体呈正态分布。在此基础上,可通过格拉布斯法进行异常值的判断和观测值的修正。
假定企业发现COD浓度有超出行业规定标准趋势,在14:00通过稀释监测点污水的方法降低COD的浓度,使观测值变为25.72mg/L,现采用格拉布斯法进行异常值判断并修正数据。
先对观测值有大到小进行顺序排列,得到最大值xmax=39.87,最小值xmin=25.72,可以肯定异常值xe∈{xmax,xmin}。
①计算出平均值和标准差s=3.31。
②计算偏离值显然最小值的异常概率最大,故假定xmin为可疑值。
③由公式1-1可知,如果异常数据和平均值的残差与标准差的比值(其中i为可疑值排列序号)大于格拉布斯表的临界值G1-α(n),可判断异常值及其位置。
④临界值G1-α(n)可根据样本观测值个数n和显著水平α查格拉布斯表得到。这里取α=0.05,查得G0.95(12)=2.285,G1=3.399>G0.95(12),由此可确定14:00的观测值为异常值。
⑤剔除异常值,重复上述流程修正观测值,直到满足检出水平为止。
2.筛选达标日观测值并修正
根据该污水处理厂排入地表水域环境功能和保护目标,以及污水处理厂的处理工艺,出水水质需符合《城市污水处理厂污染物排放标准》(GB18918-2002)要求的一级B标准,即COD≤60mg/L。对修正后的时数据进行达标筛选,不满足排放标准的数据剔除,那么每天的时监测值均为达标数据。经格拉布斯法筛选后的观测值必然近似呈正态分布,这里取其样本平均值作为日数据观测值。同样采用格拉布斯法对该企业某月日观测值进行修正,即可获得具有较高真实度的日监测数据。
基于上述两步筛选和鉴定,企业指定月份内的监测数据已经具有很高的可信度。但由于月数据样本基数小,偶然性大,如果企业采用的非法手段(如私接暗道排污)运作时间较长,仅对月数据修正鉴别是不能断定数据真伪的。如果有充足的样本基数(如一年的样本观测值),有参照价值的对比样本,运用合理的检测原理和方法即可达到满意效果。
3.数据纵向对比
(1)月均值检验
企业一年内的COD监测数据X近似服从正态分布,Xn,Xn-1,Xn-2,…Xn-11,是随机抽取的12个样本,其中Xn代表鉴别样本,对走访企业2015年度日修正数据取其算术平均值作为月观测值,得到表2-2。
表2-2某污水处理厂2015年COD在线监测数据月均值
由于企业月度均值离散程度σ2是未知量,假定12月份为鉴别样本,采用t检验法来验证抽检数据样本均值是否在整体样本均值的接收域,可提出原假设H0:μ=39.72和备择假设H1:μ≠39.72。
①计算出前11个月算术平均值和标准差s=5.85。
②由公式1-3可知,如果统计量的观测值t满足可接收原假设H0,即认为12月的月均值在整体样本的接受域内。
③分位数可根据显著水平α查t分布表得到。这里取α=0.05,查得t0.025(10)=2.228,|t|=2.211<t0.025(10),由此可确定12月的月均值在整体样本的接受域内。
(2)月均值波动性检验
在获取到走访企业的年度数据后运用数学工具软件Matlab算的总体长期以来服从的方差σ2=5742和12月份的方差观测值s2=7389。
现采用χ2检验法来判断样本相对于整体的波动性是否有显著变化,可提出原假设H0:σ2=5742和备择假设H1:σ2≠5742。
因为12月份的日观测值有31个,故样本观测个数n=31。显著水平α仍然取0.05。查χ2分布表得到,χ0.025 2(30)=46.979,χ0.975 2(30)=16.791。
由公式1-4,代入s2=7398,σ2=5742,算得故判断样本相对于整体的波动性没有显著变化。
实际上,取一年的日监测值作为整体样本作此判断计算量过大,可根据实际情况简化,以上仅提供一个鉴定计算方法。
4.数据横向对比
(1)对照样本方差范围确定
假定企业12月份监测数据为待测样本,年度服从方差σ0 2=5742。近似服从正态分布样本Y为匹配样本,年度服从方差σ2。匹配出具有对比价值的企业,可看作对两个独立正态总体方差近似度的检验。采用F检验法,在给定的显著水平下,确定F的接受域,从而确定离散程度相近的样本。
本例仍在显著水平α=0.05的条件下进行说明。因为样本基数趋于无穷大,F(n1,n2)近似等于1,由公式1-5可知检测失去意义,故根据实际情况考虑,这里取前两个月的样本离散程度进行研究。
查找F分布表,n1=n2=61,α=0.05,可得到由公式(1-7):σ0 2=5742,σ2∈(3445.2,9589.14)。那么,在监测部门的数据库中,长期服从方差满足该范围的企业,即可视为具有对比意义的参考对象。
(2)精确匹配对照样本
为了精确匹配对象Y,就需要缩减F的可接收域。此时可通过减小显著水平α,配合使用箱线图法来缩小范围,直到匹配出一个或几个对比对象为止。如下主要介绍箱线图法的使用。
现对X有匹配对象Y1,Y2…Y10对应一组10个方差观测值如下表2-3。
表2-3匹配企业方差观测值
由公式1-2可求得Q1=5131.5,Q2=5713.5,Q3=5952,IQR=820.5,内限Q1-IQR=3900.75,Q2-IQR=7182.75,所以正常值范围为(3900.75,7182.75)。经比较可剔除Y1、Y7。逐步减小显著水平α,进行上述迭代运算,逐渐确定出最终匹配样本。
(3)差值波动性分析
确定匹配对象Y后,Y企业监测数据的变化与待测企业的变化近似相同,对X、Y样本的观察值做差Z=X-Y,对Z的波动性进行分析,如果待测月份的差值波动性较之前显著,则认为检测月份数据有造假的嫌疑。此检测方法可采用χ2检验法,以上已有说明不再累述。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种鉴别污水监测数据真伪的方法,其特征在于:综合运用数理统计方法的鉴别流程如下:
(1)获取污水处理厂污水排放指标时在线监测数据,建立数据表;
(2)对时在线监测数据进行升序排序;
(3)运用格拉布斯法对排序后时在线监测数据进行异常值的判断和观测值的修正,判断出的异常值即为异常数据,找出异常值对应的时刻,确定异常值出现的位置,并进行剔除,保留修正数据;
(4)在修正的时监测数据基础上计算日均值;
(5)根据《城市污水处理厂污染物排放标准》(GB18918-2002)要求的级别标准对日均值进行达标筛选,不满足排放标准的数据剔除;
(6)取监测月份和前11个月的年度观测值作为样本基数,通过月均值检验和月均值波动性检验,实现数据的纵向比较;
(7)匹配年数据离散程度相近的样本,来匹配出具有对比价值的企业,并通过差值波动性分析,实现数据的横向比较;
(8)由最终检测结果鉴别数据真伪。
2.如权利要求1所述的一种鉴别污水监测数据真伪的方法,其特征在于:所述数据的纵向比较是与企业历史数据作比较;所述数据的横向比较是同行业同时间段的监测数据作比较。
3.如权利要求1所述的一种鉴别污水监测数据真伪的方法,其特征在于:所述月均值检验是指采用t检验法来验证抽检数据样本均值是否在整体样本均值的接收域;所述月均值检验是指采用χ2检验法判断样本相对于整体的波动性是否有显著变化,实质是观察每个月数据的离散程度是否符合整体样本的离散程度。
4.如权利要求1所述的一种鉴别污水监测数据真伪的方法,其特征在于:所述匹配年数据离散程度相近的样本是指采用F检验法确定对照样本的方差范围,并通过减小显著水平α,配合使用箱线图法来缩小范围;所述差值波动性分析是指采用χ2检验法对待测样本和匹配样本的观察值做差,对差值的波动性进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611114422.7A CN106709242B (zh) | 2016-12-07 | 2016-12-07 | 一种鉴别污水监测数据真伪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611114422.7A CN106709242B (zh) | 2016-12-07 | 2016-12-07 | 一种鉴别污水监测数据真伪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709242A true CN106709242A (zh) | 2017-05-24 |
CN106709242B CN106709242B (zh) | 2018-12-07 |
Family
ID=58936152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611114422.7A Active CN106709242B (zh) | 2016-12-07 | 2016-12-07 | 一种鉴别污水监测数据真伪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709242B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292501A (zh) * | 2017-06-09 | 2017-10-24 | 江苏梦兰神彩科技股份有限公司 | 一种评估废水监测数据质量的方法及设备 |
CN107301617A (zh) * | 2017-06-09 | 2017-10-27 | 江苏梦兰神彩科技股份有限公司 | 一种评估废气监测数据质量的方法及设备 |
CN107436277A (zh) * | 2017-07-12 | 2017-12-05 | 广东旭诚科技有限公司 | 基于相似距离判别的单指标数据质量控制方法 |
CN108806218A (zh) * | 2018-06-13 | 2018-11-13 | 合肥泽众城市智能科技有限公司 | 一种可燃气体监测数据异常原因的判断方法及装置 |
CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
CN109302444A (zh) * | 2018-08-06 | 2019-02-01 | 佛山科学技术学院 | 一种基于区块链的无人机信息采集方法及系统 |
CN109325059A (zh) * | 2018-12-03 | 2019-02-12 | 枘熠集成电路(上海)有限公司 | 一种数据比较方法及装置 |
CN109614526A (zh) * | 2018-11-09 | 2019-04-12 | 环境保护部环境工程评估中心 | 基于高维异常检测模型的环境监测数据造假手段识别方法 |
CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
CN110807174A (zh) * | 2019-10-23 | 2020-02-18 | 西安建筑科技大学 | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 |
CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
CN112241512A (zh) * | 2020-10-15 | 2021-01-19 | 四川长虹电器股份有限公司 | 提升审计精度的方法及系统 |
CN113157684A (zh) * | 2021-05-13 | 2021-07-23 | 中山大学 | 一种水利海量数据的查错方法 |
CN115406403A (zh) * | 2022-11-01 | 2022-11-29 | 广州地铁设计研究院股份有限公司 | 一种轨道交通隧道沉降监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776212A (zh) * | 2010-03-23 | 2010-07-14 | 昆明理工大学 | 一种管道温度检测和异常温度数据剔除的方法和系统 |
CN101776674A (zh) * | 2010-01-19 | 2010-07-14 | 华东理工大学 | 基于模糊动态模式识别的复合材料高温机械性能测试方法 |
CN103034929A (zh) * | 2012-12-11 | 2013-04-10 | 北京恩菲环保股份有限公司 | 用于污水厂的运营管理系统和远程信息化管理系统 |
CN103413026A (zh) * | 2013-07-22 | 2013-11-27 | 北京航空航天大学 | 一种随机右截尾型寿命数据分布检验方法 |
CN104360667A (zh) * | 2014-11-28 | 2015-02-18 | 山东省环境保护信息中心 | 一种污染源在线监控平台及污染源监控数据防造假方法 |
CN104407590A (zh) * | 2014-11-26 | 2015-03-11 | 山东大学 | 基于无线传感器网络的治污设备的监控系统及其方法 |
-
2016
- 2016-12-07 CN CN201611114422.7A patent/CN106709242B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776674A (zh) * | 2010-01-19 | 2010-07-14 | 华东理工大学 | 基于模糊动态模式识别的复合材料高温机械性能测试方法 |
CN101776212A (zh) * | 2010-03-23 | 2010-07-14 | 昆明理工大学 | 一种管道温度检测和异常温度数据剔除的方法和系统 |
CN103034929A (zh) * | 2012-12-11 | 2013-04-10 | 北京恩菲环保股份有限公司 | 用于污水厂的运营管理系统和远程信息化管理系统 |
CN103413026A (zh) * | 2013-07-22 | 2013-11-27 | 北京航空航天大学 | 一种随机右截尾型寿命数据分布检验方法 |
CN104407590A (zh) * | 2014-11-26 | 2015-03-11 | 山东大学 | 基于无线传感器网络的治污设备的监控系统及其方法 |
CN104360667A (zh) * | 2014-11-28 | 2015-02-18 | 山东省环境保护信息中心 | 一种污染源在线监控平台及污染源监控数据防造假方法 |
Non-Patent Citations (5)
Title |
---|
CHANG CJ ET AL.: "A novel gray forecasting model based on the box plot for small manufacturing data sets", 《APPLIED MATHEMATICS AND COMPUTATION》 * |
刘新惠: "用格拉布斯法解决样本数据中的异常数据问题", 《财贸研究》 * |
卜冬青等: "t检验法在水质统计中的应用", 《环境研究与监测》 * |
李 洁等: "污水处理厂水质在线监测数据可靠性研究", 《环 境 工 程》 * |
董亮星: "t检验和F检验在期间核查中的应用", 《中国计量》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301617A (zh) * | 2017-06-09 | 2017-10-27 | 江苏梦兰神彩科技股份有限公司 | 一种评估废气监测数据质量的方法及设备 |
CN107292501A (zh) * | 2017-06-09 | 2017-10-24 | 江苏梦兰神彩科技股份有限公司 | 一种评估废水监测数据质量的方法及设备 |
CN107436277B (zh) * | 2017-07-12 | 2019-07-09 | 中山大学 | 基于相似距离判别的单指标数据质量控制方法 |
CN107436277A (zh) * | 2017-07-12 | 2017-12-05 | 广东旭诚科技有限公司 | 基于相似距离判别的单指标数据质量控制方法 |
CN108806218A (zh) * | 2018-06-13 | 2018-11-13 | 合肥泽众城市智能科技有限公司 | 一种可燃气体监测数据异常原因的判断方法及装置 |
CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
CN109302444A (zh) * | 2018-08-06 | 2019-02-01 | 佛山科学技术学院 | 一种基于区块链的无人机信息采集方法及系统 |
CN109614526A (zh) * | 2018-11-09 | 2019-04-12 | 环境保护部环境工程评估中心 | 基于高维异常检测模型的环境监测数据造假手段识别方法 |
CN109325059A (zh) * | 2018-12-03 | 2019-02-12 | 枘熠集成电路(上海)有限公司 | 一种数据比较方法及装置 |
CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
CN110807174A (zh) * | 2019-10-23 | 2020-02-18 | 西安建筑科技大学 | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 |
CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
CN112241512A (zh) * | 2020-10-15 | 2021-01-19 | 四川长虹电器股份有限公司 | 提升审计精度的方法及系统 |
CN113157684A (zh) * | 2021-05-13 | 2021-07-23 | 中山大学 | 一种水利海量数据的查错方法 |
CN115406403A (zh) * | 2022-11-01 | 2022-11-29 | 广州地铁设计研究院股份有限公司 | 一种轨道交通隧道沉降监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106709242B (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709242A (zh) | 一种鉴别污水监测数据真伪的方法 | |
CN109993459B (zh) | 一种复杂多含水层矿井突水水源识别方法 | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN103366123A (zh) | 基于缺陷分析的软件风险评估方法 | |
KR20140067763A (ko) | 통계적 분석 방법을 이용한 지하수 수질 시계열 자료의 오염 등급 정량화 및 지하수 수질등급 평가방법 | |
CN105843870A (zh) | 重复性和再现性的分析方法及其应用 | |
Al-Nasser et al. | Developing single-acceptance sampling plans based on a truncated lifetime test for an Ishita distribution | |
CN106383135A (zh) | 基于全反射x射线荧光光谱的元素定量分析方法和系统 | |
CN107798149A (zh) | 一种飞机维修性评估方法 | |
CN113702612B (zh) | 基于人工智能的河岸污染检测及考察地点选址方法及系统 | |
Senthilkumar et al. | Construction and selection of six sigma quick switching sampling system: Sample size tightening | |
Spagnolo et al. | Forensic metrology: uncertainty of measurements in forensic analysis | |
Andersson et al. | Testing for normality of censored data | |
Guo et al. | Consistent tests for almost stochastic dominance | |
Slamet et al. | Analysis of calendar anomaly in Indonesia stock market using stochastic dominance | |
CN117269109B (zh) | 基于近红外光谱的混凝土结构中氯离子含量检测方法 | |
Mindrila et al. | Tests of Significance | |
Farizky | Factors Determining Profitability Of Islamic Bank Empisire Study In Indonesia’s Sharia Banking | |
McCann et al. | In-line inspection performance verification | |
Kotek et al. | Validation of human error probabilities with statistical analysis of misbehaviours | |
CN108491995A (zh) | 一种用于饮用水风险因子识别的关键控制因素筛选方法 | |
Achterbosch et al. | Determination of the corrosion rate of a MIC influenced pipeline using four consecutive pig runs | |
Ramsey | The Effect of Sampling Error on Acceptance Sampling for Food Safety | |
SenGupta | An analysis of the globalisation and income inequality relationship in the developing economies: A Static Approach | |
Haider et al. | Effect of sample size and methods on percent within limits for quality control and assurance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230627 Address after: Room 1203D, No. 100 Guokang Road, Yangpu District, Shanghai, 200082 Patentee after: SHANGHAI HUYUAN ENERGY SAVING TECHNOLOGY Co.,Ltd. Address before: Gehu Lake Road Wujin District 213164 Jiangsu city of Changzhou province No. 1 Patentee before: CHANGZHOU University |