金谷煤矿充水因素分析评价及涌水量预测

本文对山西古县金谷煤业有限公司的地质与水文地质条件进行分析研究,查明矿井主要充水因素,包括大气降水及地表水、含水层水、采空区积水等。通过现场实测和数据分析,确定了各含水层的水文特征及其与矿井充水的关系,计算了垮落带和导水裂隙带高度以及奥灰水突水系数。在此基础上,采用面积比拟法对矿井涌水量进行了预测,得出矿井正常涌水量为54.58 m^(3)/h,最大涌水量为81.87 m^(3)/h。这一研究为金谷煤业矿井水害防治提供了科学依据,有助于提高矿井的安全生产水平,对于类似地质条件下的煤矿充水因素评价与涌水量预测具有重要的参考价值。

基于BORDA计数法的多元水文时间序列相似性分析

本文针对水文时间序列的特点和当前多元时间序列相似性分析研究的不足,提出了一种新的基于BORDA数的多元水文时间序列相似性度量计算方法。该方法首先根据多元水文时间序列数据复杂性进行主成分变换降维,然后利用线性分段斜率距离分别计算单一序列的相似性,最后采用基于BORDA计数法的投票方法获得多元水文时间序列整体相似性。为了证明提出方法的可行性和有效性,分别以太湖五站水位序列和宜丰洪水过程相似性分析为例进行了验证。分析结果表明,基于BORDA计数法的多元水文时间序列相似性度量计算方法可以满足防汛指挥中相似水文过程查找的需要。

我国水文数据挖掘技术研究的回顾与展望

水文科学研究的领域面临来自许多方面的不确定性和非确知问题。引入数据挖掘的理论与技术,结合水文科学发展的需要,充分应用以计算机技术为基础的现代信息技术,研究水文数据挖掘的理论、技术和方法,为解决水文科学研究面临的问题提供了新的思路。当前,水文数据挖掘研究还处于起步阶段,研究内容多集中在水文数据的单项和局部数据的模拟与处理方面,对基于水文数据库的全局性多因素数据挖掘涉及很少,在数据挖掘技术与水文数据适应性方面所进行的研究也还很不够。为了充分发挥数据挖掘发现知识的作用,需要在水文主题数据库和多维数据立方、水文序列的分类、聚类和关联规则挖掘技术及优化算法以及水文序列的相似性、周期性和其它序列模式挖掘方面开展进一步研究,并向形成水文数据挖掘软件及数据平台方向发展。

水文数据在线分析与知识发现系统模型研究

数据的在线分析与知识发现是开发信息资源的高级形式 .为了挖掘关于水的运动变化规律和对环境的作用的知识 ,作者提出了水文数据的在线分析与知识发现系统模型 .文章对模型采用的在线分析处理与数据挖掘相结合的分层次结构进行了详细阐述 ,并重点介绍了模型中的关键技术应用 .

动态贝叶斯网络在水文预报中的应用

贝叶斯网络是目前人工智能中不确定知识与推理中最有效的理论模型之一。提出一种基于动态贝叶斯网络模型理论的水文预报方法。在综合考虑降雨径流成因的基础上,利用领域专家知识构建网络模型,在已有降雨、流量数据的基础上通过计算变量间的条件概率来计算流量发生的可能性。最后,通过渭河流域咸阳至临潼段历时数据进行仿真实验,对仿真结果和该模型进行了分析。

水文时间序列的相似性搜索研究

将时间序列相似性搜索的数据挖掘方法应用于水文时间序列数据中,挖掘相似的水文过程.在分析欧氏距离和动态时间扭曲距离两种相似性距离度量方法特点的基础上,采用对时间轴的伸缩和弯曲具有较好适应性的动态时间扭曲距离法对塔里木河流域源流区出山口水文站沙里桂兰克站1961—2000年共220场洪水流量过程进行相似性搜索,基于相似性距离度量矩阵,挖掘出相似的洪水流量过程.结果表明,沙里桂兰克站洪水过程虽形态多样,但也表现出一定的相似性,基于动态时间扭曲法的相似性搜索能有效挖掘出相似的水文过程.

数据挖掘在水文时间序列中的应用研究与进展

引入时间序列的数据挖掘理论与技术,在总结国内外数据挖掘在水文时间序列研究进展的基础上,进一步探讨了水文时间序列数据挖掘技术及应用,并展望了水文时间序列数据挖掘在分类聚类、相似性搜索、模式发现和趋势周期分析的研究方向,力求从理论框架上完善水文时间序列的数据挖掘研究。

基于语义相似的水文时间序列相似性挖掘——以太湖流域大浦口站水位数据为例

利用数据挖掘技术从长期观测的数据序列中发现蕴藏的规律是当前研究热点之一。相似性挖掘是时间序列挖掘的基础,提出一种基于语义相似的水文时间序列相似性查询方法。首先利用小波变换将时间序列进行平滑处理,在此基础上进行极值点分段并符号化,每个符号代表一种语义模式,从而选取语义相似的子序列作为候选集,再将候选集中子序列通过动态时间弯曲距离进行精确匹配从而得到相似子序列(以太湖流域大浦口站水位数据为例),实验证明,该方法能够在大幅度降低时间复杂度的基础上较准确地查找出相似子序列。

数据挖掘技术在水文预报中的应用及水文预报发展趋势研究

数据挖掘作为知识发现过程中的重要步骤,是从大型数据库中提取未知的、有价值的和可操作性的关系、模式和趋势用于决策支持的过程。我国目前在防洪领域存在着大量水文数据,如何充分有效地利用各种智能算法对这些数据进行分析与挖掘,以形成相应的水文预报模型进行准确的水文预报是防洪决策支持系统完善和发展的重要方面。本文首先全面地介绍数据挖掘的功能分类及以数据挖掘为基础的水文预报体系,然后对数据挖掘技术在水文预报中的应用进行了探讨和研究。

流域水文数据挖掘体系研究

针对流域水文数据存在的海量、复杂、时空性等一系列特点,面向流域防洪与兴利等主题,建立了以数据层、组织层、挖掘层以及决策层为基础的流域水文数据挖掘体系,并从数据仓库、数据挖掘、元数据管理等几个方面建立了该体系的分析流程,为流域防洪和兴利业务提供了新的解决方案。将数据挖掘体系初步应用于流域的预报和调度中,证明在有充足数据的支持下,形成可行的流域预报和调度方案是合理可行的。随着数据管理、数据分析等技术日益完善,以数据仓库、数据挖掘等技术为基础的水文数据挖掘体系将逐步走向实用化。

数据挖掘技术在水文数据分析中的应用

为提高水文预测的精度,降低预测的复杂度,提出了基于数据挖掘的水文数据分析方法,建立了水文数据分析系统。该系统引入数据挖掘相关技术,以J2EE(Java 2platform enterprise edition)技术为基础,基于Oracle的数据挖掘平台ODM(oracle data mining)和商务智能平台BIEE(oracle business intelligence enterprise edition),实现了水文数据分析的简单化、智能化。最后以江西省鄱阳湖地区4个重要水文站水位历史数据为实例,建立水位数据分析模型,分析结果表明该系统所建模型误差小、预测精度高,完全满足实际应用需求。

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM(1,1),对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。

基于数据挖掘的专家系统在电厂负荷分配中的应用

目前许多电站负荷分配需要使用机组效率曲线,但是由于机组效率曲线是通过模型机得来,在实际运行中难免会有误差。如果通过实测资料对效率曲线进行率定,又可能由于系统误差而不准确。提出一种避免使用机组效率曲线的负荷分配方法,在专家系统的基础上,通过对知识库进行充分的数据挖掘,从而确定负荷分配。该方法通过实际运行,是一种在缺乏机组效率曲线下有效可行的办法。

基于特征基元的空间数据计算模式及其地学应用

将地学计算的定义外延为空间数据计算,对空间数据计算的基本单元问题进行了初步的探讨,提出了基于特征基元的空间数据计算一般模式,并根据计算行为模式及计算侧重点的不同,将空间数据计算过程分为深度计算与主动计算,总结了“数据→特征→知识”的一般计算过程,并就此进行阐释。根据地理实体的形态和功能过程的不同来刻画形态和功能过程差异的空间数据,将地学空间数据划分为反映固态基质信息的陆地空间数据、反映液态基质信息的陆地水文空间数据、反映液态基质信息的海洋流体空间数据和反映气态基质信息的大气流体空间数据四类。基于陆地、水文、海洋和大气相关空间现象和空间过程分析,结合提出的深度计算与主动计算理论,对这四类空间数据的深度计算与主动计算过程进行了初步探讨。以基于特征的遥感信息提取和目标识别工作为例,对上述理论进行了说明和验证。最后对空间数据计算模式相关问题进行总结和展望。

空间数据计算模式分析与应用

随着传感器和其他数据采集技术的不断进步以及对地观测网络的建设和启动,空间数据的高性能处理和分析成为摆在地学工作者面前的瓶颈。本文以此为出发点,按照不同地学领域(陆地、大气、海洋)的空间数据载体的形态的不同,将空间数据划分为反映固态基质信息的陆地空间数据,反映液态基质信息的陆地水文空间数据,反映液态基质信息的海洋流体空间数据和反映气态基质信息的大气流体空间数据四类,并对每类数据的最小单元问题进行了初步的分析。本文详细阐述了地学空间计算的涵义,并根据计算行为模式及计算的侧重点的不同,将地学计算过程分为深度计算过程与主动计算过程(即“数据→特征→知识”的一般计算过程),并就此进行了阐释。以基于特征的遥感信息提取和目标识别工作为例,对上述理论进行了说明和验证。最后对空间数据计算模式相关问题进行了总结,并对以后的研究做了展望。

一种基于Apriori算法的优化挖掘算法

通过对关联规则挖掘基本问题的分析,总结经典挖掘算法Apriori的3点不足,针对不足进行相应改进:1)改变数据库映射方法,避免反复扫描数据库;2)确定非频繁项集,并确保其不与其它项连接,避免产生大量候选项;3)采用交运算,解决候选项集与事物模式匹配阶段耗时过多的问题。此外,为了验证改进算法的有效性,采用水文历史数据进行实验验证。实验结果表明,在支持度与置信度取不同值时,本文提出的改进算法IM-Apriori算法执行时间更短,效率更高。

人工智能在水文预报中的应用研究

全面论述了数据驱动水文模型中人工智能的关键技术及其适应范围,分析了机器学习在水文预报中遇到的技术瓶颈。采用Gamma Test对数据驱动模型进行输入优选,降低了模型的白噪声误差影响;提出了长短期记忆神经网络与批量学习、正则化、筛选神经元技术相结合的深度学习网络,以解决变化环境下降雨–洪水过程统计特征的非线性、随机性和时变性问题。长江上游向家坝~三峡水库区间流域的应用结果表明:在不考虑未来降雨预报的前提下,仅以前期和现时已知的降雨–洪水资料为模型输入,长短期记忆动态神经网络结合三种深度学习辅助算法,防止模型的过参数化和过拟合,有效提高了三峡水库入库洪水的预报精度,1~3 d预报精度均达到了甲等水平。

基于DTW的测站水位影响关系估计

通过对长江流域城陵矶和大通两测站的水位过程线分析,采用动态时间弯曲距离的改进算法进行相似性匹配,提取出上下游测站水位的影响关系,从而应用于洪峰传播时间的预报.

Benford法则在水文数据质量挖掘中的应用研究

为识别和改进数据中存在的质量问题,采用Benford法则进行数据质量挖掘分析,该方法通过分析数字分布规律来检测数据的合理性,达到控制数据质量的目的.以水文数据中降水量数据为样本验证方法的有效性.实验结果表明,该方法能有效识别数据集中存在异常信息,提高了水文数据的数据质量,具有一定的应用前景.

基于模式挖掘的中小河流暴雨洪水模式库

传统神经网络预测方法在水文领域已经有较成功的应用,但对于一些资料匮乏地区进行洪水预报时,由于训练样本的缺失,模型参数难以满足要求,使用这些方法预报结果往往并不理想。本文提出构建适用于待预报流域的暴雨洪水模式库的新思想,对该流域历史水文数据进行符号化模式挖掘处理,然后通过分析频繁模式和洪水流量水文时间序列,完成中小河流暴雨洪水模式库构建。使用具有中小河流典型特征的昌化流域的历年水文数据进行实验,实验结果表明,采用本文模式挖掘方法构建中小河流暴雨洪水模式库,并利用模式库快速预报未来洪水流量过程线走势,具有准确性和流域适用性。