基于大数据的分布式光伏智能监控关键技术研究

为应对传统分布式光伏监控系统的难以部署、高成本和无人值守等问题,本文提出了一种基于大数据技术的Web分布式光伏智能监控技术。该技术旨在监控每台光伏逆变器的工作参数和整个光伏发电系统的运行状况,并通过实时智能分析挖掘数据,以解决传统系统存在的问题。此技术已在分布式光伏智能监控实验平台上得到验证,表现出良好的运行效果。

基于大数据挖掘技术的地震舆情感知研究

对地震舆情信息的深入感知和有效管理,能够保障社会和谐发展。提出一个基于大数据技术和深度学习的地震舆情感知平台,基于Hadoop和MongoDB大数据技术实现对海量实时地震舆情数据的处理和存储。基于Word2vec和LSTM的融合模型能够有效实现震后网民的情感识别,为舆情预警提供支持。以台湾5.8级地震舆情数据为例,对该平台进行了验证。实验结果表明,该平台能够有效对海量地震舆情信息进行监测和分析,对地震舆情情感识别精确率达到93.76%;在准确率和收敛速度性能上均高于传统CNN神经网络,能够为后续谣言的准确识别提供有力的支持。本研究可为相关灾害类舆情研究提供一些思路。

基于梯度方向直方图的本色布疵点检测算法

本色布疵点检测是质量控制重要环节,目前仍由人工来完成。文章采用梯度模板与灰度化处理之后的本色布图像进行卷积,得到图像的梯度模和角度,将角度离散化,然后将图像分块,每块内根据离散化后的角度统计直方图,将所有分块的直方图连接,构成原始图像的梯度方向直方图特征向量,最后采用卡方距离和最近邻分类器进行分类。在包含1 252幅图像的数据集上进行实验,其中训练图像457幅,测试图像795幅,准确率达到96.85%。实验结果表明基于梯度方向直方图的特征提取算法能有效识别出本色布图像中的疵点。

基于主成分分析法的本色布疵点分类算法

特征提取是本色布疵点分类最关键的问题。针对本色布疵点类型多、形态变化大,使得本色布疵点特征提取算法很难实现的问题,从分析本色布编织方法出发,分析本色布图像的特点,发现本色布图像中存在极强的相关性。采用主成分分析法(PCA)对本色布图像进行去相关性处理,将图像压缩到前k个最大方差的子空间,作为图像的特征向量。在含有457幅训练样本,795幅测试样本的平纹本色布数据集上,最大分类准确率达99.11%。

基于自动编码器的本色布疵点检测算法

为解决用于本色布疵点检测的浅层机器学习方法中人工特征提取主观性强、同一种特征提取方法无法适用于不同组织结构织物的问题,采用具有特征学习功能的自动编码器神经网络对原始图像进行特征自动提取。设计了含有一个隐藏层的全连接恒等神经网络,原始数据输入该神经网络后,被隐藏层压缩,并在输出层重构,训练过程中通过优化重构层与输入层之间的误差来求解神经网络最佳系数。将训练好的自动编码器神经网络用于对原始图像进行编码压缩,经过压缩后的数据通常维数远远低于输入数据,将压缩结果作为输入图像所对应的特征向量,采用支持向量机进行分类。通过将应用自动编码器自动提取的特征与传统的PCA、HOG特征进行对比实验,结果表明,采用自动编码器自动提取的特征性能明显优于传统手工提取的特征。

ChatGPT支持下的震例分析报告生成方法研究

生成式大语言模型目前已成为人工智能在自然语言处理领域的研究热点,它可以帮助人类从繁重的工作和重复劳动中解放出来。以ChatGPT为例,探讨生成式大语言模型在震例分析中的应用,降低地震科研工作者的劳动强度,提高工作效率。实验发现,在设定的聊天情景下,ChatGPT可以理解输入的自然语言内容,生成与之相符的答复结果;通过不断地与ChatGPT进行地震领域的知识交流,借助ChatGPT出色的前后学习机制,向ChatGPT输入以往震例分析报告的语言风格和报告模板,使得ChatGPT能够学习地震知识,生成与当前震例报告风格一致的震例分析报告;通过对比不同报告模板生成的分析报告内容,人工剔除报告中的错误信息,选择优质的震例分析报告,从而提高了报告的实用价值。这拓宽了ChatGPT的应用领域,为地震工作者提供了更加便利的服务。

大数据存储技术在张衡一号卫星数据服务中的应用

随着张衡一号卫星监测数据的不断增加,目前的HDF5文件存储方式不仅在性能扩展性、读写并发性等方面凸显出劣势,而且无法实现对业务数据的精准时空查询,给用户带来很大困扰。为解决对海量卫星数据的高效存储和读取,分析了HBase数据库和ElasticSearch搜索引擎的优缺点,提出了一种基于二者相结合的卫星大数据存储方案,并搭建了Hadoop架构的大数据试验平台,完成了对张衡一号卫星空间电场超低频(ultra-low frequency, ULF)频段数据的存储试验和对比测试。结果表明,该方案大大提高了对海量卫星观测数据的读写并发性能,达到当前文件存储方式的几十倍,并实现了对卫星数据的精准定位和快速查询,很好地满足了用户要求。

基于长短期记忆网络的地热数据预测——以毛垭温泉泉水温度数据为例

地热异常与地震关系密切。地热数据是典型的时间序列数据,研究其变化规律是检测异常数据的前提。传统的时间序列分析方法主要以线性方法为主,其拟合精度有限。根据地热时间序列数据的特点,论文采用LSTM模型对毛垭温泉泉水温度4年观测数据进行建模,并将实验结果与传统的AR方法、ARMA方法进行了对比。实验结果表明,在毛垭温泉泉水温度数据集上,LSTM方法预测的均方根误差RSME明显小于AR和ARMA方法。论文研究为地震前兆数据预测拓宽了思路。

空基电场数据处理方法综述

地震孕育过程中激发的电磁波穿过大气层进入太空,引起电离层物理参量发生变化,这些扰动信号可被卫星记录下来,因此电磁卫星作为一种监测预测地震的新手段越来越受到重视.卫星记录的数据具有时空同步变化性、数据量大等特点,需要采用多种数据处理方法进行分析.本文分析了卫星观测的地震前兆电场数据服务的不同需求,对地震电离层异常分析的不同阶段所采用的数据处理方法进行了梳理和总结,指出了不同方法的适应条件和环境,对几种典型的算法给出了实例分析效果.这为利用电磁卫星进行数据分析和研究的工作者提供了参考,具有现实意义.

张衡一号卫星观测的震前电场数据扰动识别研究

大量研究证实地震前的电磁扰动可以被卫星观测到.本研究选取2020年1月29日古巴南部海域7.7级地震为例,利用包含哨声波特征的C值法,基于张衡一号卫星电场数据获取了地震前的电离层电磁扰动信号,孕震区的C值在震前3天其最大值从2.0开始持续上升,在地震当天达到最大值3.0,震后逐渐下降恢复至2.0左右;其C值波动区间在-2~3,与之前利用DEMETER卫星的震例研究结果C值范围2~12有差异,可能与卫星的轨道高度、重访周期有关.进而对C值进行归一化处理,对得到的θ值做时间序列分析,结果显示:在孕震区内,扰动幅度θ值的背景变化在2倍标准差范围内,从震前第七周期(一个周期数为5天,即震前35~39天)开始θ值的最大扰动幅度开始逐渐上涨,到震前第四周期(震前20~24天)达到了2σ;然后在震前第三周期(震前15~19天)急剧下降到1.5σ左右,经过两周期上升后,震时(结合地震发生时间与卫星飞行特征,震时周期定义时间为2020年1月25~29日,并以此定义研究时间周期线)震中上空θ值最高达到了2.1σ,震后θ值下降到2倍标准范围内;震时孕震区中心区域扰动幅度θ值为负值,显示出瞬时的能量释放过程.对比可以发现,在C值法的基础上通过归一化处理得到的θ值考虑了背景场的变化特征,其结果能够更好地反映震前电离层电场能量变化.