本文選題：數(shù)據(jù)整合　切入點：離群點檢測　出處：《中國科學院大學(中國科學院沈陽計算技術研究所)》2017年碩士論文　論文類型：學位論文

【摘要】：隨著大數(shù)據(jù)與數(shù)據(jù)挖掘等技術的發(fā)展,越來越多的信息系統(tǒng)接入了數(shù)據(jù)挖掘的技術,如語音模擬、圖像識別等等。本文提出了在生產(chǎn)事故破壞程度評估系統(tǒng)引入數(shù)據(jù)挖掘技術,根據(jù)外部數(shù)據(jù)、危險源自身特征以及歷史數(shù)據(jù)訓練分類器,對生產(chǎn)事故破壞程度得到比較精確的評估結果。本文主要研究內(nèi)容有以下幾點:1.數(shù)據(jù)整合。在面對多源異構數(shù)據(jù)整合并且要求實時性的時候,傳統(tǒng)方案中并沒有很好的解決實時性需求。本文提出了新的數(shù)據(jù)整合流程,增加了監(jiān)控數(shù)據(jù)、自動更新以及知識公式庫模塊。2.數(shù)據(jù)整合過程中異常問題的處理。在眾多數(shù)據(jù)整合方案中,往往出現(xiàn)數(shù)據(jù)異常問題,導致整合效果減弱。本文提出了基于角度的三階段異常檢測算法,有效地解決異常問題,也避免出現(xiàn)可能被誤判的的異常數(shù)據(jù)。3.基于K鄰近算法的改進與應用。在生產(chǎn)事故破壞度評估系統(tǒng)中,為了得到快速高效的分類器,本文提出了基于K鄰近算法的改進方案,將樣本集進行組織分區(qū),壓縮樣本集數(shù)量,從而減少了與樣本集的相似性計算。4.工廠事故破壞度系統(tǒng)的設計與實現(xiàn)。本文給出了該系統(tǒng)核心模塊的數(shù)據(jù)接口設計以及部分源代碼實現(xiàn)樣例,然后展示了采用數(shù)據(jù)可視化形式的系統(tǒng)頁面效果,最后進行了系統(tǒng)性能測試。
[Abstract]:With the development of big data and data mining technology, more and more information systems are integrated into data mining technology, such as voice simulation, image recognition and so on. Training classifiers based on external data, risk source characteristics and historical data, The main contents of this paper are as follows: 1. Data integration. In the face of multi-source heterogeneous data integration and real-time requirements, The traditional scheme does not solve the real-time requirement well. In this paper, a new data integration process is proposed, and the monitoring data is added. Automatic updating and knowledge formula database module .2. handling of abnormal problems in the process of data integration. In many data integration schemes, there are often abnormal data problems, In this paper, a three-stage anomaly detection algorithm based on angle is proposed to solve the anomaly problem effectively. In order to obtain a fast and efficient classifier, this paper proposes an improved scheme based on K-neighborhood algorithm in order to obtain a fast and efficient classifier in order to avoid the occurrence of abnormal data that may be misjudged. 3. In order to obtain a fast and efficient classifier in the evaluation system of failure degree of production accidents, this paper proposes an improved scheme based on K-neighbor algorithm. The sample set is organized and partitioned, and the number of samples is compressed. Therefore, the similarity calculation with the sample set is reduced. 4. The design and implementation of the factory accident damage degree system. This paper presents the data interface design of the core module of the system and some examples of the source code implementation. Then the system page effect of data visualization is demonstrated, and the system performance test is carried out at last.
【學位授予單位】：中國科學院大學(中國科學院沈陽計算技術研究所)
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP311.52;TP311.13

【參考文獻】

相關期刊論文 前10條

1 汪旭光;王尹軍;;構建“互聯(lián)網(wǎng)+大數(shù)據(jù)”模式 大力提升危險化學品管控和應急救援能力(一)[J];中國消防;2017年Z1期

2 張興凱;;我國“十二五”期間生產(chǎn)安全死亡事故直接經(jīng)濟損失估算[J];中國安全生產(chǎn)科學技術;2016年06期

3 周德紅;馮豪;李文;劉越;張明;;火災爆炸后果分析法在LNG儲罐風險評估中的應用[J];工業(yè)安全與環(huán)保;2015年10期

4 鄧侃;歐智堅;;深層神經(jīng)網(wǎng)絡語音識別自適應方法研究[J];計算機應用研究;2016年07期

5 張玲;劉波;;基于殘差統(tǒng)計的時間序列加性離群點檢測算法研究[J];電子技術應用;2015年09期

6 唐成華;劉鵬程;湯申生;謝逸;;基于特征選擇的模糊聚類異常入侵行為檢測[J];計算機研究與發(fā)展;2015年03期

7 陳明;;大數(shù)據(jù)可視化分析[J];計算機教育;2015年05期

8 程杰;;基于歐式距離平均值的離群點自動檢測算法[J];電腦知識與技術;2015年07期

9 董文斌;樊濤;;淺析數(shù)據(jù)整合方法在水利工程施工設計中的運用[J];黑龍江科技信息;2014年04期

10 錢同明;;如何做好企業(yè)(機械制造)企業(yè)危險源的管理監(jiān)控[J];低碳世界;2013年22期

相關博士學位論文 前1條

1 李方媛;重特大道路交通事故致因機理及其風險行為研究[D];長安大學;2014年

相關碩士學位論文 前10條

1 張友強;基于選擇性集成學習的離群點檢測研究[D];青島科技大學;2016年

2 劉靜;可變模糊集理論在重大危險源安全評估中的應用[D];西安科技大學;2015年

3 周瑩瑩;利用離群點檢測改進協(xié)同過濾推薦算法[D];南京郵電大學;2015年

4 孫科;基于Spark的機器學習應用框架研究與實現(xiàn)[D];上海交通大學;2015年

5 劉楊;動態(tài)檢重系統(tǒng)數(shù)據(jù)處理算法的研究[D];中國計量學院;2014年

6 杜本漢;基于霍夫變換和條件隨機場模型的目標檢測[D];上海交通大學;2014年

7 蔡加欣;半監(jiān)督學習及其在MR圖像分割中的應用[D];南方醫(yī)科大學;2011年

8 鄭魯寧;基于逆向云理論的入侵檢測評定方法研究[D];蘭州理工大學;2009年

9 孫曉霞;聚類分析在客戶細分領域的應用研究[D];西北大學;2006年

10 羅松濤;基于GEP挖掘的戰(zhàn)爭函數(shù)模型及應用[D];四川大學;2006年

，

本文編號：1596371