论文部分内容阅读
随着我国社会生产力与经济建设的快速发展,环境污染问题也日益突出,提高污染源监测效率对环境监督管理具有重要意义。2015年,宁夏回族自治区环境保护厅召开专题会议,研究部署环境监察、监测、自动监控联合执法事项。目前,环境监管部门监测范围广、监测数据量大,而检测技术仍然是简单的数学计算或人工审核,无法满足环境监管部门对真实环境的判断与管理。本课题依托宁夏回族自治区环境保护科学技术研究项目《污染源智能数据审核与现场信息管理系统开发研究》,提出基于模糊聚类与BP神经网络的环境污染源数据的异常检测研究,将数据挖掘技术应用到环境监测中,对环境监管系统智能化建设具有重要意义。本文主要研究内容：(1)研究基于FCM算法的污染源监测数据异常检测。利用隶属度确定数据点之间相关特性对数据划分聚类,实现环境污染源数据的异常检测,帮助提高宁夏环境污染处理效率。(2)研究基于BP神经网络算法的污染源数据异常值修正。利用BP神经网络强大的非线性拟合能力,实现对异常数据的修正。为环保部门进行总量考核、监督管理工作提供监测数据异常程度的参考依据。(3)研究基于FCM与BP神经网络结合的污染源异常值修正的改进算法,并采用“Z”型读取法来提高输入样本质量,改善异常值修正效果。解决了传统BP神经网络算法容易陷入局部极小点、收敛速度慢且样本依赖性强的问题。本文研究了基于模糊聚类与BP神经网络的环境污染源数据的异常检测和异常值修正。并提出基于FCM与BP神经网络结合的污染源异常值修正的改进算法。利用仿真实验,表明了本课题研究的算法对污染源监测数据异常检测和异常值修正具有良好的处理效果,相对于传统的污染源数据检测技术处理精度高、速度快,为宁夏科学化、信息化的环境监管提供技术支持。