CN114579635B - 基于云计算的大数据信息分析处理系统 - Google Patents

基于云计算的大数据信息分析处理系统 Download PDF

Info

Publication number
CN114579635B
CN114579635B CN202210213859.5A CN202210213859A CN114579635B CN 114579635 B CN114579635 B CN 114579635B CN 202210213859 A CN202210213859 A CN 202210213859A CN 114579635 B CN114579635 B CN 114579635B
Authority
CN
China
Prior art keywords
coal
identification
identification model
sample
samples
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.)
Active
Application number
CN202210213859.5A
Other languages
English (en)
Other versions
CN114579635A (zh
Inventor
汪文英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sanyueyu Culture Communication Co ltd
Original Assignee
Beijing Sanyueyu Culture Communication Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sanyueyu Culture Communication Co ltd filed Critical Beijing Sanyueyu Culture Communication Co ltd
Priority to CN202210213859.5A priority Critical patent/CN114579635B/zh
Publication of CN114579635A publication Critical patent/CN114579635A/zh
Application granted granted Critical
Publication of CN114579635B publication Critical patent/CN114579635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Animal Husbandry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computational Linguistics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Agronomy & Crop Science (AREA)
  • Plasma & Fusion (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于云计算的大数据信息分析处理系统，其包括激光诱导等离子光谱设备和上位机，所述的激光诱导等离子光谱设备用于对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合；基于云计算应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，确定最相关的煤质样品的识别模型集合，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别。

Description

基于云计算的大数据信息分析处理系统
技术领域
本发明涉及大数据信息分析处理，具体涉及到一种对煤质进行识别和分析相关领域中的基于云计算的大数据信息分析处理系统。
背景技术
在对煤质进行识别和分析相关领域中，相关的现有技术公开了基于大数据库辨识的煤质特性分析方法，其主要的步骤一般：首先使用各种特性已知的n种煤炭样品作为定标样品，利用激光诱导击穿光谱系统，对每种定标样品采用不同实验条件分别进行检测：设置激光波长为λ，激光能量为A，延迟时间为B，激光聚焦的斑点直径为C，其中,λ包括1064nm、532nm、266nm、193nm；90mJ≤A≤150mJ， 0.5μs≤B≤3μs；100μm≤C≤1000μm；多次改变λ、A、B和C中至少一种参数的值，共得到p种设置；
对于p种设置中任一种设置下每种定标样品重复击打t次，得到n种定标样品的t×n个特征光谱，从每个特征光谱中得到定标样品内各种元素的特征谱线强度矩阵；
对于p种设置中任一种设置下的任意由t次重复击打，得到均值矩阵和方差矩阵；
重复上面步骤，得到包含p种设置下n种定标样品的t×n×p个特征光谱的特征光谱大数据库；特征光谱大数据库中包含的n种定标样品称为定标样品库；
然后，以各种特性已知的n种定标样品中某一种特性作为目标特性，在p种设置中每一种设置下，利用多变量定标的方法对定标样品的目标特性分别建立定标模型；以各种特性未知的煤炭样品为待测样品，首先使用激光诱导击穿光谱系统在p种设置下检测待测样品，对于p种设置中任一种设置下的待测样品的任一特征谱线由s次重复击打得到的特征光谱得到s个其中s≥50；计算s个的均值和方差，得到待测样品的均值矩阵和方差矩阵；然后针对不同的阈值，判断是不是所有的特征谱线都满足阈值关系的，如果满足的话，则认为在当前设置下，待测样品与定标样品库中相应种样品的特征光谱没有显著差异；
计算中重复前面的步骤，在p种设置下，检验待测样品与定标样品库中任一种定标样品的特征光谱之间的差异性，若在p种设置下，待测样品与定标样品库中相应种样品的特征光谱都没有显著差异，则最终确定待测样品和定标样品库中相应种样品是同一种样品；直接得到待测样品的目标特性的值，否则继续利用前面的定标模型计算目标特性的值。
相关的类似现有技术确实能够对煤质进行识别和分析并判断待测样品的目标特性的值，但是实际上该技术的效率并不高，因为在对煤质进行识别和分析中类似的现有技术定标模型的数量有限的，这主要是因为其构建模型的参数设置的有限性和确定性带来的，比如现有技术中对于激光波长、激光能量、延迟时间、激光聚焦的斑点直径等相关参数都有具体的限定；所以基于上述参数最后检测获取的定标模型的数量有限，这样子在实际的煤质样品的测试中并不能完全确保所有的待测样品都能被识别，现有技术中的解决办法：如果不能识别到待测样品则继续利用前面的定标模型计算目标特性的值，这样子不仅仅效率低而且多次反复计算也未必能够识别到待测样品。
发明内容
本发明的目的在于提供基于云计算的大数据信息分析处理系统。
为实现上述目的，本发明采取的技术方案如：
基于云计算的大数据信息分析处理系统，包括激光诱导等离子光谱设备和上位机，所述的激光诱导等离子光谱设备用于对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合；识别模型集合；
所述的上位机内设置大数据数据库；
所述的上位机用于采集和存储每一种已知的煤质样品的识别模型集合，建立任意的两种煤质样品识别模型集合之间的相关性系数集，并且“任意的两种煤质样品识别模型集合之间的相关性系数集”作为主要数据项配置大数据数据库；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，在煤质样品识别中根据识别的具体结果不断更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别。
优选地所述的对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合具体的：
设共计m种已知的煤质样品，则已知的煤质样品的识别模型集合为：
Figure BDA0003533281940000031
其中的jmn具体为第m种煤质样品的第n个识别元素参数，该识别元素参数包括一个具体数值、多维的矩阵数值。
优选地“任意的两种煤质样品识别模型集合之间的相关性系数集”为k(Ci，Cl)，k(Ci，Cl)具体表征为第i 种煤质样品识别模型集合的识别元素参数与第l种煤质样品识别模型集合相应的识别元素参数之间的相关性系数形成的集合。
“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)具体为：
k(Ci,Cl)＝(p1(ji1-jl1),p2(ji2-jl2)，p3(ji3-jl3)，......，pn(jin-jln))
，其中的pn为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的相关性函数，相关性函数pn的输入数值为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的差值。
对于每一个“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)，为其分配一个索引值
Figure BDA0003533281940000041
Figure BDA0003533281940000042
Figure DA00035332819446404936
其中的q为变数，其中的un为统一参数分配的权值，其中的n为正整数。
优选地更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数具体为更新“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)对应的识别元素参数的相关性函数pn；且具体地条件：在煤质样品识别中，当任意的两种煤质样品的识别模型集合Ci与Cl之间出现互识时则更新相应的两种煤质样品识别模型集合Ci与Cl之间的相关性系数集k(Ci，Cl)，其中的“互识”具体为在若干次煤质样品识别中，某一个未知的煤质样品至少有一次被两种煤质样品识别模型集合Ci与Cl同时识别。
有益的效果：
本申请能能够应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别，通过这样本申请在实施之中就不再需要进行现有技术中繁琐的运算“如果不能识别到待测样品则继续利用前面的定标模型计算目标特性的值”，而是在每一次不能识别到待测样品之后马上选择更优的识别模型集合，这样可以大大提高识别效率。
附图说明
图1为本申请基于云计算的大数据信息分析处理系统对应的实施流程图。
具体实施方式
下面结合实施例对本发明的技术方案作进一步的说明,但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案精神和范围，均应涵盖在本发明的保护范围中。
具体实施中本申请基于云计算的大数据信息分析处理系统，其包括激光诱导等离子光谱设备和上位机，所述的激光诱导等离子光谱设备用于对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合；
所述的上位机内设置大数据数据库；
所述的上位机用于采集和存储每一种已知的煤质样品的识别模型集合，建立任意的两种煤质样品识别模型集合之间的相关性系数集，并且“任意的两种煤质样品识别模型集合之间的相关性系数集”作为主要数据项配置大数据数据库；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，在煤质样品识别中根据识别的具体结果不断更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别。
在具体实施中，参考图1，本申请通过激光诱导等离子光谱设备对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合；
建立任意的两种煤质样品识别模型集合之间的相关性系数集，并且“任意的两种煤质样品识别模型集合之间的相关性系数集”作为主要数据项配置大数据数据库；基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，在煤质样品识别中根据识别的具体结果不断更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数；基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别。
优选地的实施例中，所述的对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合具体的：
设共计m种已知的煤质样品，则已知的煤质样品的识别模型集合为：
Figure BDA0003533281940000061
其中的jmn具体为第m种煤质样品的第n个识别元素参数，该识别元素参数包括一个具体数值、多维的矩阵数值。
优选地的实施例中，“任意的两种煤质样品识别模型集合之间的相关性系数集”为k(Ci，Cl)，k(Ci，Cl) 具体表征为第i种煤质样品识别模型集合的识别元素参数与第l种煤质样品识别模型集合相应的识别元素参数之间的相关性系数形成的集合。
“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)具体为：
k(Ci,Gl)＝(p1(iil-jl1)，P2(ji2-jl2)，p3(ji3-jl3)，......，pn(jin-jln))
，其中的pn为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的相关性函数，相关性函数pn的输入数值为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的差值。
对于每一个“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)，为其分配一个索引值
Figure BDA0003533281940000071
Figure BDA0003533281940000072
Figure DA00035332819446426115
其中的q为变数，其中的un为统一参数分配的权值，其中的n为正整数。
优选地的实施例中，更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数具体为更新“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)对应的识别元素参数的相关性函数pn；且具体地条件：在煤质样品识别中，当任意的两种煤质样品的识别模型集合Ci与Cl之间出现互识时则更新相应的两种煤质样品识别模型集合Ci与Cl之间的相关性系数集k(Ci，Cl)，其中的“互识”具体为在若干次煤质样品识别中，某一个未知的煤质样品至少有一次被两种煤质样品识别模型集合Ci与Cl同时识别。
在至少一个具体实施中，本申请通过激光诱导等离子光谱设备对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合：
设共计m种已知的煤质样品，则已知的煤质样品的识别模型集合为：
Figure BDA0003533281940000081
其中的jmn具体为第m种煤质样品的第n个识别元素参数，该识别元素参数包括一个具体数值、多维的矩阵数值。
然后，建立任意的两种煤质样品识别模型集合之间的相关性系数集，并且“任意的两种煤质样品识别模型集合之间的相关性系数集”作为主要数据项配置大数据数据库；所述的“任意的两种煤质样品识别模型集合之间的相关性系数集”为k(Ci，Cl)，k(Ci，Cl)具体表征为第i种煤质样品识别模型集合的识别元素参数与第l种煤质样品识别模型集合相应的识别元素参数之间的相关性系数形成的集合；“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)具体为：
k(Ci,Cl)＝(p1(ji1-jl1),p2(ji2-jl2)，p3(ji3-jl3)，......，pn(jin-jln)
，其中的pn为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的相关性函数，相关性函数pn的输入数值为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的差值；
对于每一个“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)，为其分配一个索引值
Figure BDA0003533281940000082
Figure BDA0003533281940000091
Figure DA00035332819446439362
其中的q为变数，其中的un为统一参数分配的权值，其中的n为正整数。
然后，基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，在煤质样品识别中根据识别的具体结果不断更新“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl) 对应的识别元素参数的相关性函数；具体地在煤质样品识别中，当任意的两种煤质样品的识别模型集合 Ci与Cl之间出现互识时则更新相应的两种煤质样品识别模型集合Ci与Cl之间的相关性系数集，其中的“互识”具体为在若干次煤质样品识别中，某一个未知的煤质样品至少有一次被两种煤质样品识别模型集合Ci与Cl同时识别。
然后，基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品中，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合Ci，并且根据该选定的煤质样品的识别模型集合Ci的所有索引值选择一个最大的索引值
Figure BDA0003533281940000093
根据该选择的最大的索引值
Figure BDA0003533281940000094
确定最相关的煤质样品的识别模型集合Cl，然后，以所确定的最相关的煤质样品的识别模型集合Cl对未知的煤质样品进行识别。
可以理解的，本申请能够应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别，通过这样本申请在实施之中就不再需要进行现有技术中繁琐的运算“如果不能识别到待测样品则继续利用前面的定标模型计算目标特性的值”，而是在每一次不能识别到待测样品之后马上选择更优的识别模型集合，这样可以大大提高识别效率。

Claims (1)

1.一种基于云计算的大数据信息分析处理系统，其特征在于，包括激光诱导等离子光谱设备和上位机，所述的激光诱导等离子光谱设备用于对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合；
所述的上位机内设置大数据数据库；
所述的上位机用于采集和存储每一种已知的煤质样品的识别模型集合，建立任意的两种煤质样品识别模型集合之间的相关性系数集，并且“任意的两种煤质样品识别模型集合之间的相关性系数集”作为主要数据项配置大数据数据库；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，在煤质样品识别中根据识别的具体结果不断更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数；
所述的上位机还用于基于云计算，应用已经建立的煤质样品识别模型集合来识别未知的煤质样品，当使用了若干个煤质样品的识别模型集合对未知的煤质样品进行识别失败之后，在识别失败的若干个煤质样品的识别模型集合之中选择识别阈值匹配最高的一种煤质样品的识别模型集合，并且根据该选定的煤质样品的识别模型集合的所有索引值选择一个最大的索引值，根据该选择的最大的索引值，确定最相关的煤质样品的识别模型集合，然后，以所确定的最相关的煤质样品的识别模型集合对未知的煤质样品进行识别；
所述的对已知的煤质样品进行特征谱线测试，获得每一种已知的煤质样品的识别模型集合具体的：
设共计m种已知的煤质样品，则已知的煤质样品的识别模型集合为：
Figure DEST_PATH_IMAGE001
其中的jmn具体为第m种煤质样品的第n个识别元素参数，该识别元素参数包括一个具体数值、多维的矩阵数值；
“任意的两种煤质样品识别模型集合之间的相关性系数集”为k(Ci，Cl)，k(Ci，Cl)具体表征为第i种煤质样品识别模型集合的识别元素参数与第l种煤质样品识别模型集合相应的识别元素参数之间的相关性系数形成的集合；
“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)具体为：
Figure 419918DEST_PATH_IMAGE002
，
其中的pn为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的相关性函数，相关性函数pn的输入数值为第i种煤质样品识别模型集合的第n个识别元素参数与第l种煤质样品识别模型集合的第n个识别元素参数的差值；
对于每一个“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)，为其分配一个索引值
Figure DEST_PATH_IMAGE003
，
Figure 681266DEST_PATH_IMAGE004
，
其中的q为变数，其中的un为统一参数分配的权值，其中的n为正整数；
更新“任意的两种煤质样品识别模型集合之间的相关性系数集”对应的识别元素参数的相关性函数具体为更新“任意的两种煤质样品识别模型集合之间的相关性系数集”k(Ci，Cl)对应的识别元素参数的相关性函数pn；且具体地条件：在煤质样品识别中，当任意的两种煤质样品的识别模型集合Ci与Cl之间出现互识时则更新相应的两种煤质样品识别模型集合Ci与Cl之间的相关性系数集k(Ci，Cl)，其中的“互识”具体为在若干次煤质样品识别中，某一个未知的煤质样品至少有一次被两种煤质样品识别模型集合Ci与Cl同时识别。
CN202210213859.5A 2022-03-04 2022-03-04 基于云计算的大数据信息分析处理系统 Active CN114579635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210213859.5A CN114579635B (zh) 2022-03-04 2022-03-04 基于云计算的大数据信息分析处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210213859.5A CN114579635B (zh) 2022-03-04 2022-03-04 基于云计算的大数据信息分析处理系统

Publications (2)

Publication Number Publication Date
CN114579635A CN114579635A (zh) 2022-06-03
CN114579635B true CN114579635B (zh) 2022-11-04

Family

ID=81774437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210213859.5A Active CN114579635B (zh) 2022-03-04 2022-03-04 基于云计算的大数据信息分析处理系统

Country Status (1)

Country Link
CN (1) CN114579635B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543132A (zh) * 2013-10-17 2014-01-29 清华大学 一种基于小波变换的煤质特性测量方法
CN106770194A (zh) * 2017-01-20 2017-05-31 华中科技大学 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981289A (zh) * 2016-01-14 2017-07-25 芋头科技（杭州）有限公司 一种识别模型训练方法及系统以及智能终端
CN105718749B (zh) * 2016-01-29 2018-08-28 清华大学 一种基于大数据库辨识的煤质特性分析方法
CN106404748B (zh) * 2016-09-05 2019-03-05 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN108072626B (zh) * 2018-01-31 2021-09-10 长安大学 一种沥青品牌识别方法
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及系统
CN111461010B (zh) * 2020-04-01 2022-08-12 贵州电网有限责任公司 一种基于模板跟踪的电力设备识别效率优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543132A (zh) * 2013-10-17 2014-01-29 清华大学 一种基于小波变换的煤质特性测量方法
CN106770194A (zh) * 2017-01-20 2017-05-31 华中科技大学 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法

Also Published As

Publication number Publication date
CN114579635A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN110763660B (zh) 基于集成学习的libs定量分析方法
CN106549813A (zh) 一种网络性能的评估方法及系统
CN106503689A (zh) 基于粒子群算法的神经网络局部放电信号模式识别方法
CN110687072A (zh) 一种基于光谱相似度的校正集和验证集选择及建模方法
CN109142251B (zh) 随机森林辅助人工神经网络的libs定量分析方法
CN109145685B (zh) 基于集成学习的果蔬高光谱品质检测方法
CN111863151B (zh) 基于高斯过程回归的聚合物分子量分布的预测方法
CN110503288A (zh) 考虑机台交互作用的辨识良率损失原因的系统与方法
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
CN117368651A (zh) 一种配电网故障综合分析系统及方法
CN114783538A (zh) 一种煤炭灰分预测方法及装置
CN115034303A (zh) 一种食品有害物质定向检测方法及系统
CN114579635B (zh) 基于云计算的大数据信息分析处理系统
CN114219157A (zh) 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法
CN113033639A (zh) 一种异常数据检测模型的训练方法、电子设备及存储介质
CN112599194A (zh) 甲基化测序数据的处理方法和装置
CN116030955B (zh) 基于物联网的医疗设备状态监测方法及相关装置
CN116453437A (zh) 显示屏模组的测试方法、装置、设备及存储介质
CN116346475A (zh) 一种隐匿高危行为操作异常评分方法和系统
CN114002204B (zh) 一种基于光谱抖动的激光诱导击穿光谱分析方法
CN114199989B (zh) 一种基于质谱数据融合的广陈皮识别方法及系统
CN114460116A (zh) 一种支持向量机回归结合灵敏度分析的元素含量定量分析方法
CN107944491B (zh) 质量特性符号化映射控制图构建方法
CN117633053B (zh) 一种用于监控变压器状态的数据处理系统
CN117808558B (zh) 基于孪生网络的客户风险行为识别方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Cloud based Big Data Information Analysis and Processing System

Granted publication date: 20221104

Pledgee: Beijing Bank Co.,Ltd. Taiyanggong Branch

Pledgor: BEIJING SANYUEYU CULTURE COMMUNICATION Co.,Ltd.

Registration number: Y2024110000259

PE01 Entry into force of the registration of the contract for pledge of patent right