CN111881974A - 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 - Google Patents
一种基于Piper-PCA-FCL判别模型的突水水源识别方法 Download PDFInfo
- Publication number
- CN111881974A CN111881974A CN202010729444.4A CN202010729444A CN111881974A CN 111881974 A CN111881974 A CN 111881974A CN 202010729444 A CN202010729444 A CN 202010729444A CN 111881974 A CN111881974 A CN 111881974A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- pca
- aquifer
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明属于水文地质技术领域,公开了一种基于Piper‑PCA‑FCL判别模型的突水水源识别方法,收集研究区近年来各主要含水层水质类型资料,选取各含水层的多个水样作为训练样本;使用Piper三线图对水样进行分类,筛选出能代表含水层特征的标准水样;对标准水样的水化学数据进行主成分分析,求出各含水层对应的主成分的平均值和标准差,利用得到的平均值和标准差将训练样本标准化;判定各含水层标准化后的样本数据是否服从正态分布,结合模糊置信度理论,建立Piper‑PCA‑FCL判别模型;对待测水样进行判别,预测突水水源。本发明方法将Piper‑PCA与置信度相结合,达到减少判别时间、提高判别精度的目的。
Description
技术领域
本发明属于水文地质技术领域,具体涉及一种基于 Piper-PCA-FCL判别模型的突水水源识别方法。
背景技术
煤矿水文地质条件复杂多样,并且开发的理论和技术不够娴熟, 因此矿井水害事故频繁,这也是一直制约煤炭事业发展的主要因素之 一。因此我们需要快速准确的判断出突水水源的位置,以避免造成重 大的经济损失。由于各含水层中水化学离子含量不同,故我们一般采 用水化学指标来判别突水水源。
目前,水源识别最被广泛使用的方法为水化学法。其中包括BP 神经网络法、Bayes判别法、Fisher判别法、灰色关联判别法等。但 由于没有综合含水层水化学类型以及没有考虑到水化学离子之间的 相互影响,造成信息间的重叠,导致判别精度不高。
发明内容
本发明针对传统判别法判定时间过长、判别精度过低,对标准水 样要求苛刻的缺陷,提供一种基于Piper-PCA-FCL判别模型的突水水 源识别方法,将Piper-PCA与置信度相结合代替单一预测突水水源的 传统方法,从而达到减少判别时间、提高判别精度的目的。
本发明提供了一种基于Piper-PCA-FCL判别模型的突水水源识 别方法,包括以下步骤:
步骤A,收集研究区近年来各主要含水层水质类型资料,选取各 含水层的多个水样作为训练样本,以各含水层均有的离子作为判别指 标;
步骤B,使用Piper三线图,根据水化学特征对水样进行分类, 确定含水层的水化学类型,作为判别待测水样时的初步依据,更重要 的是含水层之间往往发生混合联系,通过Piper三线图可筛选出能代 表含水层特征的标准水样;
步骤C,对标准水样的水化学数据进行主成分分析,得到各判别 指标之间的相关系数矩阵,若两个判别指标之间的相关系数较大,说 明两者互为影响,存在信息重叠现象,使其计算量增大,造成待判水 样判别的精度降低,所以必须对数据进行主成分分析,选取累积贡献 率大于90%的判别指标作为主成分,计算各标准水样的主成分得分, 求出各含水层对应的主成分的平均值和标准差,利用得到的平均值和 标准差将训练样本标准化;
步骤D,判定各含水层标准化后的样本数据是否服从正态分布, 若服从正态分布,结合模糊置信度理论,建立Piper-PCA-FCL判别模 型;若不服从正态分布,则根据数据的不同特征,选取不同的变换方 法,将不服从正态分布的数据转化为正态分布或近似正态分布,结合 模糊置信度理论,建立Piper-PCA-FCI判别模型;依据建立的 Piper-PCA-FCI判别模型,对待测水样进行判别,将计算结果与实际 结果进行对比,预测突水水源。
优选地,在收集研究含水层水化学组分的数据时,通过对水样进 行水化学分析以及离子的测定,对水样进行筛选,以Na++K+、Ca2+、 Mg2+、Cl-、SO4 2-、HCO3 -离子作为判别指标。
根据本发明,步骤B中,利用AquaChem软件绘制Piper三线图。
本发明步骤C中,采用SPSS软件对数据进行主成分分析,根据 主成分得分系数矩阵,计算出各水样的主成分得分。
本发明步骤D中,采用SPSS软件对各含水层标准化后的数据是 否服从正态分布进行判定。
根据本发明,步骤D中,在实际资料充分的情况下,即服从正 态分布,依据不同主成分的平均值和标准差将待测样本数据放入各含 水层构建的标准正态分布,得到的值称为单侧置信区间,公式如下;
求出各含水层置信度的平均值,平均置信度最高的含水层即为待 测水样的判别类型。
根据本发明,步骤D中,在实际资料不充分的情况下,若服从 正态分布,将已知的水样数据当作标准差未知的t分布处理,公式如 下;
求出各含水层置信度的平均值,平均置信度最高的含水层即为待 测水样的判别类型。
根据本发明,步骤D中,变换方法选自对数变换、平方根变换、 倒数变换和平方根反正旋变换中的至少一种。
对数变换是将原始数据Y的对数值作为新的分布数据Z:Z=lgY; 当原始数据中有小值及零时,亦可取Z=lg(Y+1),或者Z=lg(Y+k), (Y+k>0)。
对数变换常用以下数据特征:1、使服从对数正态分布的数据正 态化。如环境中某些污染物的分布,人体中某些微量元素的分布等, 可用对数正态分布改善其正态性。2、使数据达到方差齐性,特别是 各样本的标准差与均数成比例或变异系数CV接近于一个常数时。
平方根变换是将原始数据Y的平方根作为新的分布数据Z: Z=sqrt(Y)。
平方根变换常用以下数据特征:1、使服从poission分布的计数 资料或轻度偏态资料正态化,可用平方根变换使其正态化。2、当各 样本的方差与均数呈正相关时,可使资料达到方差齐性。
倒数变换是将原始数据Y的倒数作为新的分析数据Z:Z=1/Y。
倒数变换常用以下数据特征:资料两端波动较大的资料,可使极 端值的影响减小。
平方根反正旋变换是将原始数据Y的平方根反正旋值作为新的 分析数据Z:Z=sin-1sqrt(Y)。
平方根反正旋变换常用以下数据特征:服从二项分布的率或百分 比。一般认为等总体率较小如<30%时或较大(如>70%时),偏离 正态较为明显,通过样本率的平方根反正旋变换,可使资料接近正态 分布,达到方差齐性的要求。
求出各含水层置信度的平均值,平均置信度最高的含水层即为待 测水样的判别类型。
本发明步骤D中包括将标准水样的数据回代到Piper-PCA-FCL 判别模型中,验证Piper-PCA-FCL判别模型的判别效果。
与现有技术相比,本发明具有如下有益效果:
本发明首先利用Piper三线图确定水化学类型,然后利用主成分 分析法对各主要含水层水化学离子含量进行分析,利用降维的原理, 排除各离子间重叠干扰因素,同时选取几个主成分代替原来众多变量, 最后结合模糊置信度理论建立Piper-PCA-FCL判别模型,进行研究区 突水水源的识别。该方法使两种传统的水源识别方法和模糊置信度理 论相结合,判别效率高且精度准,为突水水源的识别预测提供了一种 新的实用方法。
附图说明
图1为本发明的基于Piper-PCA-FCL判别模型的突水水源识别 方法流程图。
具体实施方式
下面将结合本发明实施例对本发明的技术方案进行清楚、完整地 描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全 部的实施例。
实施例用于说明本发明的基于Piper-PCA-FCL判别模型的突水 水源识别方法。
实施例
一种基于Piper-PCA-FCL判别模型的突水水源识别方法,包括以 下步骤:
某矿突水水源分为第四系孔隙水、二叠系砂岩水、石炭系裂隙灰 岩水、寒武系灰岩水。从四类水源中选取N个水样作为训练样本, 其中二叠系砂岩水n1个,石炭系裂隙灰岩水n2个,第四系孔隙水n3个,寒武系灰岩水n4个(N=n1+n2+n3+n4)。考虑到不同含水层的化学组分不同,选取六大常规离子作为判别指标。
首先利用AquaChem软件绘制Piper三线图,根据水化学特征对 水样进行分类,确定含水层的水化学类型。更重要的是含水层之间往 往发生混合联系,通过Piper三线图可以筛选出能代表含水层特征的 标准水样。
其次用SPSS软件对数据进行主成分分析,得到各判别指标之间 的相关系数矩阵。设判别指标(X1,X2,X3…Xp)是一个p维随机变量, 任意Xi与Xj的相关系数rij(i,j=1,2...p)存在,则以rij为元素的p阶 矩阵称为该维随机向量的相关矩阵,记作R,即
若两个判别指标之间的相关系数较大,说明两者互为影响,存在 信息重叠现象,使其计算量增大,造成待测水样判别的精度降低。所 以必须对数据进行主成分分析,选取累积贡献率大于90%的4个判 别指标(Y1、Y2、Y3、Y4)作为主成分。
主成分得分系数矩阵
根据主成分得分系数矩阵,利用提取的新的因子Y1、Y2、Y3、 Y4与经过标准化处理的原始变量之间关系表达式如下:
Y1=a1X1+a2X2+a3X3+a4X4+a5X5+a6X6
Y2=b1X1+b2X2+b3X3+b4X4+b5X5+b6X6
Y3=c1X1+c2X2+c3X3+c4X4+c5X5+c6X6
Y4=d1X1+d2X2+d3X3+d4X4+d5X5+d6X6
式中;X1、X2、X3、X4、X5、X6代表水化学数据中的六大常规 离子;
根据上式可以计算出各标准水样的主成分得分。
求出二叠系砂岩水、石炭系裂隙灰岩水、第四系孔隙水、寒武系 灰岩水分别对应的Y1、Y2、Y3、Y4的平均值和标准差,如下表所示:
Y<sub>1</sub> | Y<sub>2</sub> | Y<sub>3</sub> | Y<sub>4</sub> | |
二叠系砂岩水 | a<sub>11</sub>/s<sub>11</sub> | b<sub>11</sub>/s<sub>21</sub> | c<sub>11</sub>/s<sub>31</sub> | d<sub>11</sub>/s<sub>41</sub> |
石炭系裂隙灰岩水 | a<sub>12</sub>/s<sub>12</sub> | b<sub>12</sub>/s<sub>22</sub> | c<sub>12</sub>/s<sub>32</sub> | d<sub>12</sub>/s<sub>42</sub> |
第四系孔隙水 | a<sub>13</sub>/s<sub>13</sub> | b<sub>13</sub>/s<sub>23</sub> | c<sub>13</sub>/s<sub>33</sub> | d<sub>13</sub>/s<sub>43</sub> |
寒武系灰岩水 | a<sub>14</sub>/s<sub>14</sub> | b<sub>14</sub>/s<sub>24</sub> | c<sub>14</sub>/s<sub>34</sub> | d<sub>14</sub>/s<sub>44</sub> |
在大数据的情况下,数据是服从正态分布的,利用得到的平均值 和标准差将训练样本标准化。标准化后的数据服从标准正态分布。
依据不同组平均值和标准差将待测水样数据放入四个含水层构 建的标准正态分布。得到的值称为单侧置信区间,公式如下;
式中,代表样本总体的平均值(a11、a12、a13、a14、b11、b12、b13、 b14、c11、c12、c13、c14、d11、d12、d13、d14),α为置信度,σ为标准差, n为样本个数,M为待测水样标准化的取值;
求出四个置信度α1,α2,α3,α4的平均值,平均置信度最高的含 水层即为待测水样的判别类型。
如果实际数据资料不充分,首先需要验证数据是否服从正态分布。
单个样本K-S检验(样本量较小时精确度高)。根据P值是否大 于0.05确定是否为正态性,大于为正态性,小于为非正态性。
SPSS软件中操作如下;「分析」→「非参数检验」→「单个样本 K-S检验」→弹出对话框中,选择要分析的变量,检验分布选择「正 态分布」→「确定」。由P值判断是否服从正态分布。
若服从正态分布,可以将已知的训练水样数据当作标准差未知的 t分布处理,公式如下;
求出四个置信度α1,α2,α3,α4的平均值,平均置信度最高的含 水层即为待测水样的判别类型。
如果不服从正态分布,可以应用变量变换的方法,将不服从正态 分布的资料转化为正态分布或近似正态分布。常用的变量变换方法有 对数变换、平方根变换、倒数变换、平方根反正玄旋变换等,应根据 资料性质选择适当的变量变换方法。
(1)对数变换;即将原始数据Y的对数值作为新的分布数据Z:
Z=lgY
当原始数据中有小值及零时,亦可取Z=lg(Y+1),
还可根据需要选用Z=lg(Y+k) (Y+k>0)
(2)平方根变换;即将原始数据Y的平方根作为新的分布数据 Z:
Z=sqrt(Y)
(3)倒数变换;即将原始数据Y的倒数作为新的分析数据Z:
Z=1/Y
(4)平方根反正旋变换;即将原始数据Y的平方根反正旋值作 为新的分析数据Z。
Z=sin-1sqrt(Y)
可以将已知的训练水样数据当作标准差未知的t分布处理,公式 如下;
求出四个置信度α1,α2,α3,α4平均值,平均置信度最高的含水 层即为待测水样的判别类型。
以上已经描述了本发明的实施例,上述说明是示例性的,并非穷 尽性的,并且也不限于所披露的实施例。在不偏离所说明实施例的范 围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和 变更都是显而易见的。
Claims (10)
1.一种基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于,包括以下步骤:
步骤A,收集研究区近年来各主要含水层水质类型资料,选取各含水层的多个水样作为训练样本,以各含水层均有的离子作为判别指标;
步骤B,使用Piper三线图,根据水化学特征对水样进行分类,确定含水层的水化学类型,作为判别待测水样时的初步依据,筛选出能代表含水层特征的标准水样;
步骤C,对标准水样的水化学数据进行主成分分析,得到各判别指标之间的相关系数矩阵,选取累积贡献率大于90%的判别指标作为主成分,计算各标准水样的主成分得分,求出各含水层对应的主成分的平均值和标准差,利用得到的平均值和标准差将训练样本标准化;
步骤D,判定各含水层标准化后的样本数据是否服从正态分布,若服从正态分布,结合模糊置信度理论,建立Piper-PCA-FCL判别模型;若不服从正态分布,则根据数据的不同特征,选取不同的变换方法,将不服从正态分布的数据转化为正态分布或近似正态分布,结合模糊置信度理论,建立Piper-PCA-FCI判别模型;依据建立的Piper-PCA-FCI判别模型,对待测水样进行判别,将计算结果与实际结果进行对比,预测突水水源。
2.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:在收集研究含水层水化学组分的数据时,通过对水样进行水化学分析以及离子的测定,对水样进行筛选,以Na++K+、Ca2+、Mg2+、Cl-、SO4 2-、HCO3 -离子作为判别指标。
3.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:步骤B中,利用AquaChem软件绘制Piper三线图。
4.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:步骤C中,采用SPSS软件对数据进行主成分分析,根据主成分得分系数矩阵,计算出各水样的主成分得分。
5.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:步骤D中,采用SPSS软件对各含水层标准化后的数据是否服从正态分布进行判定。
8.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:步骤D中,变换方法选自对数变换、平方根变换、倒数变换和平方根反正旋变换中的至少一种;
对数变换是将原始数据Y的对数值作为新的分布数据Z:Z=lgY;当原始数据中有小值及零时,亦可取Z=lg(Y+1),或者Z=lg(Y+k),(Y+k>0);
平方根变换是将原始数据Y的平方根作为新的分布数据Z:Z=sqrt(Y);
倒数变换是将原始数据Y的倒数作为新的分析数据Z:Z=1/Y;
平方根反正旋变换是将原始数据Y的平方根反正旋值作为新的分析数据Z:Z=sin-1sqrt(Y)。
10.根据权利要求1所述的基于Piper-PCA-FCL判别模型的突水水源识别方法,其特征在于:步骤D中包括将标准水样的数据回代到Piper-PCA-FCL判别模型中,验证Piper-PCA-FCL判别模型的判别效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729444.4A CN111881974B (zh) | 2020-07-27 | 2020-07-27 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729444.4A CN111881974B (zh) | 2020-07-27 | 2020-07-27 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881974A true CN111881974A (zh) | 2020-11-03 |
CN111881974B CN111881974B (zh) | 2023-06-09 |
Family
ID=73201462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729444.4A Active CN111881974B (zh) | 2020-07-27 | 2020-07-27 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881974B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测系统、设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805357A (zh) * | 2018-06-13 | 2018-11-13 | 安徽理工大学 | 一种基于PCA分析的Fisher判别模型突水水源预测方法 |
CN109801685A (zh) * | 2019-03-15 | 2019-05-24 | 安徽理工大学 | 一种基于PCA法与Bayes判别模型的突水水源识别方法 |
CN109871654A (zh) * | 2019-03-19 | 2019-06-11 | 安徽理工大学 | 一种基于pca与灰色局势决策法的突水水源识别方法 |
CN111401716A (zh) * | 2020-03-10 | 2020-07-10 | 山东大学 | 一种基于叠加放水试验获取含水层连续参数的方法 |
-
2020
- 2020-07-27 CN CN202010729444.4A patent/CN111881974B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805357A (zh) * | 2018-06-13 | 2018-11-13 | 安徽理工大学 | 一种基于PCA分析的Fisher判别模型突水水源预测方法 |
CN109801685A (zh) * | 2019-03-15 | 2019-05-24 | 安徽理工大学 | 一种基于PCA法与Bayes判别模型的突水水源识别方法 |
CN109871654A (zh) * | 2019-03-19 | 2019-06-11 | 安徽理工大学 | 一种基于pca与灰色局势决策法的突水水源识别方法 |
CN111401716A (zh) * | 2020-03-10 | 2020-07-10 | 山东大学 | 一种基于叠加放水试验获取含水层连续参数的方法 |
Non-Patent Citations (2)
Title |
---|
PINGHUA HUANG 等: "Prediction of water inrush from coal floor based on Fisher discriminant analysis", 《FRONTIERS OF GREEN BUILDING, MATERIALS AND CIVIL ENGINEERING》, pages 4211 - 4215 * |
杨中元 等: "矿井突水水源的PCA-GRA 判别模型研究", 《煤炭技术》, vol. 32, no. 12, pages 84 - 87 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测系统、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111881974B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993459B (zh) | 一种复杂多含水层矿井突水水源识别方法 | |
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN111208793B (zh) | 基于慢特征分析的非平稳工业过程的状态监测方法 | |
CN107491783B (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
WO2019015226A1 (zh) | 一种快速识别风速分布规律的方法 | |
CN111881974A (zh) | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 | |
CN114611604A (zh) | 一种基于电驱总成载荷特征融合与聚类的用户筛选方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN112884013A (zh) | 基于数据挖掘技术的能耗分区方法 | |
CN110210154B (zh) | 利用大坝测点数据判断测点表征大坝性态相似度的方法 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
García et al. | Automated clustering of heterotrophic bacterioplankton in flow cytometry data | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
CN111105041A (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
CN114390002A (zh) | 基于分组条件熵的网络流量多模块聚类异常检测方法 | |
Li et al. | Research on Composition Analysis and Identification Based on Ancient Glass Products | |
CN109724637B (zh) | 一种基于试验数据的传感器元件质量评估方法 | |
CN116739394B (zh) | 一种大气污染气象影响评估系统及评估方法 | |
CN112365168A (zh) | 一种基于主分量分析评价环境空气质量的方法 | |
CN109238508B (zh) | 一种获取地表温度和co2浓度相关度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |