基于PCA-RF算法的大数干扰信号识别

针对瓦斯传感器在信号采集与传输时易受到大数干扰的问题,在实验模拟大数干扰的条件下,提出基于PCA-RF算法的大数干扰信号识别模型。对信号进行窗口化采样获得信号样本,对瓦斯突出信号和大数干扰信号进行时域特征分析并提取6个时域特征;用主成分分析法(PCA)对原始数据降维,选择累计贡献率最高的前3个主成分作为新的特征输入到随机森林(RF)算法中,以达到识别大数干扰信号的目的。结果表明:经主成分分析法降维后的随机森林(PCA-RF)可以有效识别大数干扰信号,与单一的RF算法、KNN算法相比,PCA-RF的准确度分别提高了4.6%、9.1%,与BP神经网络和SVM相比,准确度分别提高了18.2%、4.6%,PCA-RF的识别效果较好。

基于GA-BP的煤矿瓦斯监控系统“大数干扰”信号辨识

针对瓦斯传感器数据传输过程受到强电磁信号干扰而产生误报警的问题,在实验模拟“大数”干扰的条件下,提出了基于遗传算法(GA)优化BP神经网络的煤矿瓦斯监控系统大数干扰信号辨识方法。首先根据大数干扰信号幅值变换较快的特点,确定BP神经网络的输入与输出,然后利用贝叶斯正则化的方法提高网络的泛化能力,结合遗传算法的全局搜索能力,优化网络的权值和阈值,最后建立了GA优化BP神经网络的大数干扰信号辨识模型。实验结果表明,遗传算法能够有效降低BP神经网络的训练误差,GA优化BP神经网络辨识模型和未被优化的BP神经网络相比,优化后的网络测试信号相对误差由10.003降低到6.096,且辨识后不会影响瓦斯突出信号的正常输出,能够解决煤矿井下因大数干扰信号造成传感器误报警的问题。

关于生态环境监测的若干分析

生态环境监测工作是一项重要性的综合管理工作,监测水平的高低关系到整个环境监测的整体效果。在具体的运用过程中,通过现代化的生态环境监测系统与技术能取得更好的效果。文章围绕新形势下生态环境监测的重要意义进行概述,并阐述了生态环境监测中存在的问题,进而从多技术角度探讨生态环境监测的有效运用。

水质自动监测参数的相关性分析及在水环境监测中的应用

随着我国经济的高速发展,人们的消费水平已经有了一个整体的提升,越来越注重生活的质量,对水质的要求越来越高.一旦水质不达标的水流入到人们的餐桌上,就会对人体的健康造成非常大的影响,需要地方政府认真做好对水质的监测工作,及时发现水质的变化,及时进行调整,避免发生重大的水质问题.