数学建模处理数据的方法篇1

【关键词】三维扫描仪；GeomagicDesignGeomagicStudio逆向；技术

1前言

随着科学技术的不断发展，工业产品本身对其设计与制造过程和效率的要求也越来越高，因此，逆向工程技术的运用也就越来越广泛。尤其是在模具制造行业、汽车制造行业、产品的质量检测与修复等方面，逆向工程技术显得更为突出。所以，对基于Win3DD-L三维扫描仪的逆向设计与制造技术的研究是一个重要的课题。逆向过程是一个从产品到产品的设计制造过程，对于基于Win3DD-L三维扫描仪的逆向设计与制造过程就是利用Win3DD-L三维扫描仪，首先对现有产品进行其点云数据的采集；然后再把得到的点云数据进行去除噪音杂点、统一采用等处理，进行三维数字化建模；再利用UG加工进行模拟加工轨迹和编写程序；最后利用数控铣床把产品加工出来。

2点云数据采集

对电话模型进行点云数据的采集。首先对产品的结构进行分析，分析其结构特征及外形特征，考虑该零部件在三维扫描过程中显像情况；然后对电话模型的表面进行显影处理（即进行喷粉处理），喷粉要十分均匀，颜色不能太深，有特征的地方粉不能过厚；之后进行贴点工作，根据贴点的原则，电话模型的贴点如图1所示。零部件贴完标志点后，应运三维扫描仪对该零部件进行三维扫描，获得其点云数据，如图2所示。在扫描的过程中，应该先扫描定位标点，之后再对工件进行扫描，这样有利于工件正反面的拼接，能有效的保证扫描数据的精度。

3点云数据处理

对电话模型进行点云数据的后处理。点云数据的处理过程是一个非常重要的过程，因为对于整个电话模型的后期的建模和数控加工都是建立在点云数据的基础之上。首先，将通过扫描仪采集的点云数据导入GeomagicStudio软件中，然后对扫描的初始点云数据进行减少噪音、删除体外孤点、统一采样等处理，最终初始点云数据的处理结果如图3所示。然后，要将处理完的点云数据转化从片体数据，即，要对点云数据进行封装，封装成三角面片，此时电话模型就从点云数据转化成了三角面片。之后再对三角面片进行强度优化、孔填补、删除钉状物等处理，最终导出igs的点云文件，如图4所示。

4电话模型的三维数字化建模

三维数字化建模是逆向工程技术过程中最为关键的一部分，它把三角面片转化成数学特征实体，得到最终可以加工的数学模型。不同的建模方法、不同的建模过程所得到的数学模型的精度也会完全不同，首先要选择适当的方法建立工件的坐标系，优先选择特征最明显的面或体建立工件坐标系。其次，仔细分析该零部件的结构特征，找出分型线或者基准面，先从整体特征做起，最后再一一完善局部特征。电话模型的三维数字化建模。把得到的igs文件导入到GeomagicDesign软件中，利用该三维建模软件对电话模型进行三维数字化建模。首先导入该igs文件，选择基准平面，建立模型的坐标系，然后在三角面片的基础上先对电话模型的整体特征进行建模，然后再完善其它所有的曲面特征，最终生成电话模型的三维数学模型，如图5所示。

5机床加工

机床是把三维数学模型转化成产品的工具，它可以实现对数学模型的加工过程。为了降低加工成本以及验证加工方法的可行性，首先对建立好的数学模型进行模拟仿真加工，模拟出实际加工时的刀轨轨迹，仔细检查加工时的刀轨轨迹路线，以保证和提高零部件的加工效率。首先利用UG10.0的加工模块，对电话模型进行刀轨轨迹模拟加工并进行后处理程序编程。导入三维数学模型，该模型需要正反面加工，应用型腔轮廓铣的方法先对工件的正面进行粗加工、后进行精加工、然后半精加工、再精加工、最后进行清根处理，之后再对工件反面进行粗加工、进行精加工、然后半精加工、再精加工、最后进行清根处理，其加工轨迹如图6所示。最终的模拟加工效果图如图7所示。之后根据生成的工件加工轨迹，程序进行后处理，生成该零件的加工程序，然后将该程序导入到XK713型数控机床中，对电话模型进行机床加工，最后加工完成的效果图如图8所示。

6结语

本文主要阐述分析了基于Win3DD-L三维扫描仪的逆向设计与制造过程，以电话模型的逆向设计制造过程为实例，详细阐述了一种新的逆向设计制造思路和方法，并验证了该思路和方法的正确性和可行性。这种先利用三维扫描采集点云数据；然后再处理点云数据，对其进行三维建模；之后再应运UG对其进行加工程序的编程；最后再利用数控铣床加工出实际产品的从虚拟到实际的产品开发过程，其最大的优点就是大大地缩短了新产品的开发周期，具有一定的研究意义。

参考文献：

[1]李刚.基于逆向工程的自由曲面重构技术研究[D].济南:山东大学,2009.

[2]张甲瑞.基于逆向工程的汽车覆盖件设计与制造[D].重庆:重庆理工大学,2010．

[3]李志博.基于逆向工程与快速成型的轮胎花纹块模具制造技术[D].大连:大连理工大学,2013.

[4]蔡闯,成思源,杨雪荣,张湘伟.基于GeomagicDesignDirect的截面特征提取与逆向建模[J].组合机床与自动化加工技术,2015.

[5]赵毅,王明辉.基于GeomagicStudio的汽车连杆锻件逆向建模技术[J].CAD/CAM与制造业信息化,2007(10).

数学建模处理数据的方法篇2

关键词：GIS；地质勘查；找矿；预测

中图分类号：F407.1文献标识码：A文章编号：

地质勘查找矿工作离不开全面的空间信息的支持，因此，需要建立在完善的设计、准确的数据结果和客观的评价之上，而地理信息系统恰恰为其提供了可能。地理信息系统侧重于对各种空间信息的采集、管理和分析，并利用自身强大的数据查询、空间分析能力，为地质勘查、设计、施工提供有效的信息支持。本文将从GIS具有的优势、特点及具体应用进行分析探讨。

地理信息系统（GIS）在地质勘查找矿工作中的优势

在地质学、气象学等自然资源与环境学科中，需要大量准确的空间数字进行模拟、分析、统计，例如地震数据处理、遥感数据处理、重磁数据处理、地球化学数据处理等。GIS的出现，其强大的数据采集、分析、管理功能，为解决环境及资源问题提供了一条康庄大道。在具体的地质勘查找矿工作中，具有以下的优势与特点：

强大的数据信息采集与处理能力

GIS简单而言，是一种处理数据输入/出、图件产品的计算机软、硬件系统，它集采集、存储、管理、检索和综合分析各种地理空间信息为一体，涵盖了计算机的各种应用程序和各种地学信息数据，并且还可以有效地组织而成的现实空间信息模型。在地质找矿勘查工作中，地质人员可以通过输入空间材料的数据，形成各种模型，并且可以从视觉、计量和逻辑上对现实空间进行模拟、管理及预测；地质人员可以随意的抽取、组合、传输相关的空间信息，对各类数据所形成的图片进行仿真模型，有效地预测出成矿的规律及岩土成分。GIS强大的数据采集、管理及处理能力，为地质工程勘查找矿工作提供了来源广泛的数据，数据采集的质量更高、速度更加的快。

2、对图形的处理更加灵活

我们可以把GIS看作是一个图形处理和显示的系统。图形可以是矢量格式，也可以是栅格格式。在该系统中，包含有许多图形的算法，可以充分地实现图形的生成、修改、布局、装饰、显示、可视化等操作的需求。并且可以表达和描述复杂的空间实体，并且对所收集到的图形、图像数据和属性数据高度集成的地理信息系统数据库，为全面管理地质勘查找矿设计信息提供了可能，为建立完善的地质模型、预测成矿、地形特点等，提高了全面可靠的信息。GIS的可视化操作能力，为地质找矿勘查工作提供了一个可视化操作平台，为判断与决策提供了必要的信息数据支持。

3、强大的综合分析能力

GIS可以进行大量的数据模拟与分析，例如地震数据处理、遥感数据处理、地球化学数据处理等。为丰富多彩的空间信息分析与综合提供了有力的新工具。GIS的空间数据分析功能还有拓扑叠加、缓冲区分析数字地形分析等，为建立完善的专业设计、分析、评价、辅助决策模型提供了强有力的分析工具。

二、GIS在地质找矿成矿预测中的应用

GIS成矿预测的经验方法只适用于具备足够数量的已知矿床的地区，因为需要利用这些已知矿床来证实矿化的空间关系。然而，在工作程度较低的几乎不含有已知矿床的地区，则需要借助于概念方法来进行成矿预测，这种方法包括下述三个步骤：

1、建立知识库

首先需要建立导致矿床形成因素及过程的知识库，然后把它们转化为局域范围(数十公里)或区域范围(数百公里)的GIS成因准则。由于大多数矿床的面积都小于3k㎡，因而无论是在局域或大区域成矿预测中都不能直接提供目标矿床的位置。不过，大多数矿床都是多种地质过程共同作用的产物，其中的许多地质过程在这样的大范围内都是可以成图的。从而，分析某个地区的成矿潜力，很重要的一点是把矿床看作是一个完整的区域成矿系统中的一个微小部分。根据这种认识，成矿系统可以认为包括六个主要的组成部分：(1)驱动成矿系统的能源；(2)配位体的来源；(3)矿质的来源；(4)搬运通道；(5)圈闭区；(6)出流区。这种方法要求证实上述每个成矿分量可能促成矿化的潜在要素。

建立GIS数据库

条件优越的成矿地质、具有较多地学资料的区带要优先选择，或在重点勘查区优先试用地理信息系统（GIS）技术,只有在试行得以认可的基础上,我们才能使一套具有高度可行性的地理信息系统（GIS）系统的衡量标准得以建立，才地学建设处一个更具合理性和实用性的信息空间数据库建设，才能对信息进行综合分析。

证实了成矿系统的基本要素并转化为成图准则后，还必须建立相关数据的GIS数据库。为了能够进行快速成矿分析，可以从原始图形数据中建立一系列专题数据库，例如，为了便于度量距某个特征(如断层或花岗岩体边界)的距离，可以建立一系列由同心缓冲(以距这些特征的不同距离)组成的专题。

3、开发评价成矿潜力的子程序

这一步骤涉及到发展和改进成矿预测的方法，澳大利亚地质调查部门已在ARC／INFOGIS上开发了三个由菜单驱动的模块：

(1)专用模拟模块

该模块实际上是一个简单的“黑箱”专家系统，它能使用户选择某个特殊的矿床类型以及包括研究区的某个GIS数据库的名称，该模块然后询问该GIS数据库并圈定满足全部矿床预测准则的区域。该模块的不足之处在于：

A．必须定义矿床类型的特征，从而它不能圈定新的矿床类型的远景区；

B．它要求以严格的方式建立区域数据库，所命名的所有专题和属性都必须与该专家系统数据库相同。

(2)相互作用模拟模块

相互作用模拟模块更灵活，并能使地质人员在一套指定的专题中定义专门的搜索参数而建立用户模型。换句话说，该方法使地质人员能够定义构成某个未知矿床类型的异常岩石类型和其他地质特征；该模块要求用户具有广博的成矿系统的知识。完成分析以后，研究区内任何已知矿床都可用于检验相互作用模拟的结果。

(3)类模拟模块

该模块用于检验矿化已知区域GIS内重要的地球物理异常。类模拟模块能使用户选择某个重要的地区并根据GIS数据库内所有专题的内容确定选择区的特殊地学显示，然后该模块证实具有类似特征的所有其他地区，最后产生一份二元图，把所选择的地区分成类似或不类似于该重要区的区域。

三、小结

综上所述，GIS成矿预测的经验方法和概念方法不是对立的，而是互补的。GIS能够对成矿环境进行定量化，因而在成矿规律和成矿预测中具有极强的功能；GIS还能建立勘查项目管理系统并能够储存与勘查项目有关的各种信息，诸如矿权地边界、以前的勘查成果等。GIS正在改变着我们传统的矿产勘查工作的方式，其巨大的应用潜力正在越来越多地被认识。

参考文献:

[1]李贵荣，郭建平.地理信息系统的研究现状及发展趋势[J].南方冶金学院学报，2003(3):10―14.

[2]吕增泰.地质勘查与找矿技术探析[J].中国高新技术企业,2010(12).

数学建模处理数据的方法篇3

关键词：神经网络化工应用

一、前言

人工神经网络是一个多科学、综合性的研究领域，它是根据仿生学模拟人体大脑结构和运行机制构造的非线性动力学系统[1]。神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。现已广泛应用于经济学、军事学、材料学、医学、生物学等领域。

化工过程一般比较复杂，对象特性多变、间歇或半连续生产过程多，具有严重非线性特性。因此，其模型化问题一直是研究的热点。化工生产过程的数据或实验室实验数据的拟台、分析，是优化过程或优化反应条件的基础一般被处理的数据可以分为二类：静态数据（staticdata）和动态数据（Dynamicdata），对于静态数据的关联，神经网络是一种很有希望的“经验模型”拟合工具。动态过程数据具有系统随时间而变化的特征，操作参数和产物的产量和质量之间的关系更为复杂。处理和分析动态过程数据的方法除了常用的在物料衡算、能量衡算、反应动力学方程、相平衡等基础上建立数学模型（MathematicalModels）、数理统计（StatisticalAnalysis）等方法外，用神经网络拟合动态过程数据，建立动态过程模型，往往能从动态数据提供的模式中提取较为有用的信息，对过程进行预测、故障诊断，从而使过程得到优化。因此，神经网络以其强大的函数映射能力，已经广泛用于化工过程非线性系统建模领域。它能够通过输入输出数据对过程进行有效地学习，为化工过程的综合发展提供了一种先进的技术手段。

二、人工神经网络简介

人工神经网络（英文缩写为ANN）简称神经网络，是在生物学和现代神经科学研究的基础上，对人类大脑的结构和功能进行简化模仿而形成的新型信息处理系统[2，3]。由“神经元”（neurons）或节点组成。至少含有输入层、一个隐含层以及一个输出层。输入层—从外部接受信息并将此信息传入人工神经网络，以便进行处理；隐含层—接收输入层的信息，对所有信息进行处理；输出层—接收人工神经网络处理后的信息，将结果送到外部接受器。当输入层从外部收到信息时，它将被激活，并将信号传递到它的近邻这些近邻从输入层接收到激活信号后，依次将其输出到它们的近邻，所得到的结果在输出层以激活模式表现。

神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程。比如，一个复杂化工装置的操作工人，开始学习操作时，由于没有经验，难以保证控制质量。但经过一段时间学习后，他就能逐步提高技能。神经网络正是模拟人类学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。人工神经网络研究工作可分成3个大方向：（1）探求人脑神经网络的生物结构和机制，这实际上是研究神经网络理论的初衷；（2）用微电子或光学器件形成有一定功能的网络，这主要是新一代计算机制造领域所关注的问题；（3）将人工神经网络作为一种解决问题的手段和方法，而这类问题用传统方法无法解决或在具体处理技术上尚存在困难。

三、神经网络在化工中的应用

1.故障诊断

当系统的某个环节发生故障时，若不及时处理，就可能引起故障扩大并导致重大事故的发生。因此建立高效的、准确的实时故障检测和诊断系统，消除故障隐患，及时排除故障，确保安全、平稳、优质的生产，已成为整个生产过程的关键所在。神经网络是模仿和延伸人脑智能、思维、意识等功能的非显形自适应动力学系统，其所具有的学习算法能使其对事物和环境具有很强的自学习、自适应和自组织能力。神经网络用于故障诊断和校正不必建立严格的系统公式或其它数学模型，经数据样本训练后可准确、有效地侦破和识别过失误差，同时校正测量数据中的随机误差。与直接应用非线性规划的校正方法相比，神经网络的计算速度快，在化工过程的实时数据校正方面具有明显的优势。目前应用于故障诊断的网络类型主要有：BP网络、RBF网络、自适应网络等。

Rengaswamy[4]等人把神经网络用在化工过程的初始故障预测和诊断（FDD）中，提出一种神经网络构架，利用速度训练在分类设计中明确引入时间和过程模型映像的在线更新三个要素，来解决化工过程中的初始故障诊断问题。国内也有关于神经网络用于故障诊断的报道，黄道[5]等人以TE（TenneaaeeEastman，Eastman化学公司开发的过程模拟器，提供了一个实际工业过程的仿真平台，是一种国际上通用的标准仿真模型）模型为背景，根据模型的特点进行了故障诊断。当输入变量接近训练过的样本时，诊断的成功率可达100％。另外，模糊神经元网络作为一种更接近人脑思维的网格，也是解决此类问题的一个发展方向。李宏光[6]等人就针对化工非线性过程建模问题，提出了由函数逼近和规则推理网络构成的模糊神经网络，其规则网络基于过程先验知识用于对操作区间的划分，而函数网络采用改进型模糊神经网络结构完成非线性函数逼近，并将该技术应用于工业尿素CO2汽提塔液位建模。

2.化工过程控制

随着神经网络研究的不断深入，其越来越多地应用于控制领域的各个方面，从过程控制、机器人控制、生产制造、模式识别直到决策支持神经网络都有应用。神经网络可以成功地建立流程和控制参数问的非线性关系及构造相关的数学模型，并可跟踪瞬息过程及具有稳健功能等，因此可有效地用于化工过程最优化和控制。

1986年，Rumelhart第一次将ANN用于控制界。神经元网络用于控制有两种方法，一种用来构造模型，主要利用对象的先验信息，经过误差校正反馈，修正网络权值，最终得到具有因果关系的函数，实现状态估计，进而推断控制；另一种直接充当控制器，就像PID控制器那样进行实时控制。神经元网络用于控制，不仅能处理精确知识，也能处理模糊信息。Tsen[7]等利用混合神经网络实现对乙酸乙烯酯（VA）的乳液聚合过程的预测控制。原有的该间歇过程的复杂的机理模型可对单体转化率做出较准确的预测，然而对产品性质（如数均相对分子质量及其分布）的预测不太可靠。所建的混合型神经网络模型用于实现过程的反馈预测控制。国内对神经网络的实质性研究相对较晚，谭民[8]在1990年提出了一种基于神经网络双向联想机制的控制系统故障诊断方法，并且作了仿真验证。清华大学自动化系则开发了一种基于时序神经网络的故障预报方法，利用工艺现场数据对大型氯碱厂的氯气中含氢气的问题进行了模拟预报实验。

3.药物释放预测

建立精确的缓释微胶囊模型是找出最优的工艺条件及掌握芯材释放规律的重要一步。缓释微胶囊的性能与影响因素之间足一种多输入、多输出、复杂的非线性关系。机理分析法和传统的系统辨识法对输入、多输出问题适应性差，过分依赖研究领域的知识与经验，难以得到实用的缓释微胶囊模型。人工神经网络能够很好地解决传统方法不能解决的具有高度非线性、耦合性、多变量性系统的建模问题并具有独特的优势。

赵武奇[9]等人建立了红景天苷缓释微囊的人工神经网络模型及其遗传算法优化技术，用神经网络模型描述了微囊制作参数与性能之间的关系，并用遗传算法优化微囊制作工艺参数，设计出性能最佳的微囊制作工艺参数。范彩霞[10]等人以难溶性药物氟比洛芬为模型药物，制备了17个处方并进行释放度检查。氟比洛芬和转速作为自变量，取其中l4个处方为训练处方，其余3个处方为验证处方，将自变量作为人工神经网络的输入，药物在各个取样时间点的释放为输出，采用剔除一点交叉验证法建立了人工神经网络模型。并通过线性回归和相似因子法比较人工神经网络和基于二元二项式的响应面法的预测能力，显示了人工神经网络的预测值与实测值的接近程度。

4.物性估算

用神经网络来解决估算物质的性质必须解决三个基本问题，第一个是对物质的表征问题；第二个是采用何种神经网络及其算法问题；第三个是神经网络输入与输出数据的归一化问题。无论采用哪种方法对数据进行处理，当用经过训练的神经网络进行物性估计时，不能将网络直接的输出值作为物性预估值，而是要将输出值再乘上一个系数，这个系数就是前面进行归一化处理时对数据的除数，相乘后得到的值作为物性估算值。神经网络用于物性估算，目前采用的就是BP网络或在此基础上的各种改进形式。常压沸点进行估算和研究。Prasad[11]等人利用神经网络对有机化合物的物理性质进行了预测，并与传统的基团贡献法比较，可以得到更为准确的物性参数。而后，董新法、方利国[12]等人将神经网络在物性估算中的应用作了一个全面而又简要的讲解，并提出神经网络在物性估算中潜在的应用前景，为其发展及其以后的应用研究提供了很好的工作平台。

目前，人工神经网络在各个领域中的应用都在向人工智能方向发展。不断丰富基础理论和开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件，对于我国的化工发展具有重要意义。此外，模糊理论、小波变换、统计学方法和分形技术等信息处理方法和理论与神经网络的结合解决化工类问题，被认为是一种发展趋势。

参考文献

[1]高大文，王鹏，蔡臻超.人工神经网络中隐含层节点与训练次数的优化[J].哈尔滨工业大学学报，2003，35（2）：207-209.

[2]苏碧瑶.人工神经网络的优化方法[J].科技资讯，2011（30）：239-240.

[3]黄忠明，吴志红，刘全喜.几种用于非线性函数逼近的神经网络方法研究[J].兵工自动化，2009，28（10）：88-92.

[4]RengaswamyR，VenkatasubramanianV.Afasttrainingneuralnetworkanditsupdationforincipientfaultdetectionanddiagnosis[J].ComputersandChemicalEngineering，2000，（24）：431-437.

[5]黄道，宋欣.神经网络在化工过程故障诊断中的应用[J].控制工程，2006，（13）：6-9.

[6]李宏光，何谦.化工过程建模中的一类复合型模糊神经网络[J].计算机与应用化学，2000，17（5）：399-402.

[7]TsenAD，ShiSJ，WongDSH，etal.PredictiveControlofQualityinBatchPolymerizationUsingaHybridArtificialNeuralNetworkModel[J].AIChEJournal，1996，42（2）：455-465.

[8]谭民，疏松桂.基于神经元网络的控制系统故障诊断[J].控制与决策，1990（1）：60-62.

[9]赵武奇，殷涌光，仇农学.基于神经网络和遗传算法的红景天苷缓释微囊制备过程建模与优化[J].西北农林科技大学学报（自然科学版），2006，34（11）：106-110.

[10]范彩霞，梁文权，陈志喜.人工神经网络预测氟比洛芬HPMC缓释片的药物释放[J].中国医药工业杂志，2006，37（10）：685-688.

[11]PrasadY，BhagwatSS.SimpleNeuralNetworkModelsforPredictionofPhysicalPropertiesofOrganicCompounds[J].ChemicalEngineering&Technology，2002，25（11）：1041-1046.

数学建模处理数据的方法篇4

【关键词】大数据人工智能算法设计

1大数据的发展概述

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。大数据包括海量的数据信息与高强度的数据处理能力，大数据是相对于传统数据处理应用程序来说，不足以处理大型、复杂的数据集的新型处理模式，包括分析、捕获、数据整理、搜索、共享、存储、传输、可视化查询、更新和信息管理。大数据通常仅指使用预测分析、用户行为分析或某些其他高级数据的分析方法，这些方法从数据中提取价值，很少涉及特定大小的数据集。数据集分析可以发现新的联系与信息。科学家、企业高管、医学从业者、广告和政府都定期在互联网搜集大数据，这些数据在金融、城市信息学和商业信息学等领域更为重要。科学家在电子科学工作中遇到了很多需要处理海量数据的问题，涉及气象学、基因组学、复杂物理模拟、生物学和环境研究等。大数据包括文本、图像、音频、视频，它通过数据融合可以完成未来数据的机器学习，大数据通常是数字交互的无成本的产品。越来越成熟的概念更清楚地描述了大数据和人工智能之间的区别，人工智能使用具有高信息密度的数据的描述性统计来测量事物、检测趋势等。大数据使用归纳统计和来自非线性系统识别的概念，从具有低信息密度的大量数据集中推断出法则，例如回归、非线性关系和因果效应，以揭示关系和依赖性或者进行结果和行为的预测。

2大数据技术中的算法分析

2.1神经网络算法

神经网络系统是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。神经网络是一种计算方法，基于神经单元的大集合，解决由轴突连接的生物神经元的大群集的问题。每个神经单元与许多其他神经单元连接，并且可以对所连接的神经单元的激活状态影响中实施抑制。每个单独的神经单元可以具有将所有其输入的值组合在一起的求和功能。在每个连接和单元本身上可以存在阈值函数或限制函数，使得信号在传播到其他神经元之前必须超过极限。这些系统是自学习和训练的，而不是明确编程的，并且在传统计算机程序中难以表达的，这种方案在特征检测领域中效果很好。神经网络的目标是以与人类大脑相同的方式解决问题，现代神经网络项目通常使用几千到几百f个神经单元和数百万的连接，这比人类大脑的复杂性还要少几个数量级，更接近于蠕虫的计算能力。为了训练它们，通常发生几千次交互循环。神经网络已被用于解决使用普通的基于规则的编程难以解决的各种各样的任务，如智能化学习。历史上，神经网络模型的使用向高级人工智能的方向移动，其特征在于包含在具有一些动力系统的认知模型的参数中的知识。

2.2灰色关联度分析

灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，来进行归纳和评价，作为衡量因素间关联程度的一种方法。灰色关联度分析使用特定的信息概念。它定义没有信息为黑色的情况以及具有完美信息为白色的情况，这些理想化的情况都不会出现在现实世界的问题中。事实上，这些过渡阶段的情况被描述为灰色。因此，灰色系统意味着其中部分信息是已知的并且部分信息是未知的系统。根据这个定义，信息质量形成从信息的缺乏到完整信息的存在过渡过程。由于不确定性总是存在，灰色分析可以得出一系列关于解决方案的清晰陈述。在一个极端情况下，这种方案无解，在另一个极端情况下，具有完美信息的系统具有独特的解决方案。在中间情况中，灰色系统将给出各种优化的解决方案。灰色分析试图找到最好的解决方案，提供了确定一个好的解决方案的技术来解决现实世界的问题。

3大数据平台的设计

3.1平台层

大数据分布式存储系统：研究大规模、非结构化数据的存储问题，突破大数据的存储、管理和高效访问关键技术，当前需要构建至少PB级存储能力的大数据平台才能满足一般的科研和应用需求。

分布式数据挖掘运行时系统：突破MapReduce技术的局限，研究有效支持迭代、递归、层次及集成机制的海量数据挖掘编程模型和运行时系统，构建大数据运行时系统。

3.2功能层

高可扩展性大数据挖掘算法：基于云计算的分布式大数据处理与挖掘算法，构建高可扩展的大数据处理与挖掘算法库，实现TB级数据的建模能力。

分布式工作流引擎：基于云计算的分布式工作流调度、负载均衡技术，构建高效分布式工作流执行引擎。

交互式可视化分析技术：启发式、人机交互、可视化数据挖掘新技术，实现大数据挖掘的高度人机交互功能。

3.3服务层

基于Web的大数据挖掘技术：Web的大数据挖掘方法和流程，实现易于使用的基于Web的大数据挖掘技术，构建基于Web的大数据分析环境。

基于OpenAPI的大数据挖掘技术：OpenAPI的大数据挖掘方法，研究大数据挖掘开放接口、开放流程，构建基于OpenAPI的大数据分析模式。

4大数据算法的应用分析

4.1数据挖掘

数据挖掘是发现大数据数据规律的计算过程，涉及人工智能、机器学习、统计和数据库系统结合的方法，它是一个跨学科的计算机科学子领域。数据挖掘过程的总体目标是从数据集中提取信息并将其转换为可以理解的结构以供进一步使用。除了原始数据分析外，它涉及数据库和数据管理方面、数据预处理、模型和推理、复杂性考虑、结构整合处理、可视化和在线更新。数据挖掘是一个热门的领域，并且经常应用于各种形式的大规模数据或信息处理，主要包括收集、提取、存储、分析和统计以及计算机决策支持系统的应用，包括人工智能、机器学习和商业智能。实际的数据挖掘任务是大量数据的自动或半自动分析，从而提取先前未知的数据存在模式，例如聚类分析、异常数据检测和关联规则挖掘、顺序模式分析等，这通常涉及使用诸如数据索引的数据库技术。数据收集、数据准备或结果解释和报告都不是数据挖掘步骤的一部分，但是作为附加步骤属于整个数据挖掘过程。数据挖掘、数据捕获和数据窥探是指使用数据挖掘方法对较大数据集的部分进行抽样分析。虽然这些数据集太小，不足以进行可靠的统计推断以得出更多有价值的信息。然而，这些方法可以用于创建新的假设，以测试更大的数据群体。

4.2机器学习

机器学习是计算机科学的子领域，它使计算机能够学习而不用明确编程。从模式识别和计算学习理论在人工智能的研究演变而来，机器学习探索学习对数据进行预测算法的研究和构建，这样的算法克服了严格的静态程序指令数据驱动的预测或决策，通过从样本输入来建立一个模型。机器学习在一系列计算任务中使用，其中有着明确算法的设计和编程是不可行的，比如垃圾邮件过滤、检测网络入侵者或恶意内部人员、光学字符识别、搜索引擎和计算机视觉，这些方面都没有明确的算法表示。机器学习与计算统计密切相关，并且经常与计算统计重叠，计算统计也集中在通过使用计算机的预测中。它与数学优化有着紧密的联系，它将方法、理论和应用领域传递到现场。机器学习有时与数据挖掘相结合，后者的子领域更侧重于探索性数据分析。机器学习也可以是全自动化的，用来学习和建立各种实体的行为预测，然后用于发现有价值的异常情况。在数据分析领域，机器学习是一种用于设计适合预测的复杂模型和算法的方法，在商业应用中，这被称为预测分析。这些分析模型允许研究人员、数据科学家、工程师和分析师通过学习数据中的历史关系和趋势来产生可靠的、可重复的决策和结果并揭示隐藏的规律。

5总结与展望

大数据技术算法的创新是一条光明而曲折的路，在这条路上会出现很多难题与挑战，这个任务长期而又艰巨，需要结合实际经验，不断地进行总结归纳。为实现自身的长远发展而进行大胆革新，利用创新思维进行现代化建设，从而大踏步地走向智能化的大稻莘⒄鼓勘辍

参考文献

[1]陈晓，赵晶玲.大数据处理中混合型聚类算法的研究与实现[J].信息网络安全，2015（04）.

[2]杨婷婷，林昌露，刘忆宁，张胜元.基于多方排序协议的安全电子投票方案[J].计算机系统应用，2015（08）.

[3]文坤，廖瑛，杨雅君.带有空间机械臂的航天器系统惯性参数辨识[J].飞行器测控学报，2015（04）.

[4]何锋，谷锁林，陈彦辉.基于编辑距离相似度的文本校验技术研究与应用[J].飞行器测控学报，2015（04）.

[5]黄冬梅，杜艳玲，贺琪.混合云存储中海洋大数据迁移算法的研究[J].计算机研究与发展，2014（01）.

[6]孔凡新，刘丽.云环境下的隐私保护密文排序查询[J].计算机工程与设计，2014（01）.

[7]何清，李宁，罗文娟，史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能，2014（04）.

[8]程芳权，彭智勇，宋伟，王书林，崔一辉.云环境下一种隐私保护的高效密文排序查询方法[J].计算机学报，2012（11）.

[9]王茜，杨正宽.一种基于加权KNN的大数据集下离群检测算法[J].计算机科学，2011（10）.

[10]陈书让.超大数据量的快速排序法[J].物探化探计算技术，2000（04）.

作者简介

李跃（1979-），男，黑龙江省大庆市人。研究生学历。现为大庆师范学院讲师。

数学建模处理数据的方法篇5

关键字:电力系统;人工神经网络;信号处理

1引言

基于电力变压器故障诊断方法对提高电力系统运行的安全性和可靠性具有重要意义,同时也具有重要的理论价值和广阔的工程应用.基于智能信息处理方法的关键技术研究在研究分析智能信息处理理论关键技术的基础上,提出了以智能信息技术处理理论为主线的电力变压器故障智能诊断技术方案来实现基于云模型白化权函数的灰聚类分析和改进的加权灰靶理论相结合的电力变压器状态评估模型,通过先验知识和实验分析共同优化云模型参数结构,提高电力变压器故障评估的实用性与科学性.

2基于云模型综合应用研究

基于云模型是指一种描述非确定性不确定性数学方法应用在模糊数学和统计学的基础与模糊性和随机性相结合共同构成定性描述和定量描述的相互映射关系,其中,模糊隶属函数是模糊理论的基石,是一个重要的概念,但是在工程实践中如何确定模糊隶属度函数却没有公认的方法与不确定性问题的随机性和模糊性来弥补模糊理论的不彻底性缺陷,因此提出了隶属云平台、云技术与云模型等概念和理论体系结构.

2.1基于电力变压器故障云模型研究

基于电力变压器故障云模型数字运算期望值、熵和超熵表示.期望值Ex是所有云滴电力故障所在数域的重心位置,反映了这个定性概念的量在数域上的坐标.熵En是表示定性概念亦此亦彼性的变量,反映了数域中可被语言值接受的数据范围,同时还反映了在数域中的云滴电力故障能够代表这个语言值的概率.超熵He反映每个数值代表这个语言值确定性的凝聚性和云滴的凝聚程度.

对于电力变压器控制系统故障存在双边约束的指标,电力变压器故障云模型的期望值根据公式⑴计算=⑴

根据正态分布的原则,电力变压器故障云模型的熵En按公式（2）计算：

⑵

超熵He是一个常数,可根据具体指标的不确定性和随机性进行调整.

3基于灰色系统理论应用在智能信息电力变压器故障研究

3.1灰色系统理论介绍

基于灰色系统理论是指以GM(1,1)模型为基础的预测,灰色系统模型是一阶微分方程动态模型.而智能信息电力变压器故障不确定性因素与不确定性全因素多传感器数据信息融合处理关键技术方法,应用于时间序列预测数据.

3.2基于灰色智能信息电力变压器故障模型建模算法研究

3.2.1设所要智能信息电力变压器故障预测系统的某项指标的原始数据列为

3.2.2对原始数据列做一次累加,先生成(1-AGO),再生成(3.2.1)新数据列,即

3.2.3对生成的数据列’建立相应的微分方程式中.为发展系数,为内生控制系数.

3.2.4解步骤3.2.3)中方程式,可得其相应的时间响应模型为:

3.2.5设方程的参数的向量:式中B为累加生成矩阵,为向量,二者的构造分别为:

,

式中为第年的原始数据;为第年的一次累加.

3.2.6令t=1,2,…,n-1,由4)中式可得的值.其中是一次累加量,还需求出还原值,即

3.2.7求出原始智能信息电力变压器故障数据的还原预测值与实际数据值之间的残差值和相对误差q(t),进行残差检验

3.2.8进行关联度R检验;后验差C检验和小误差概率P检验.

3.2.9如果残差检验、关联度检验和后验差都能通过,则可以用所建立的智能信息电力变压器故障模型进行预测.

3.4基于灰色神经网络智能信息电力变压器故障模型研究

⑴灰色理论模型.灰色系统建模使用最多的是GM(1,1)模型,它是对经过一次累加生成的数列建立的模型,其灰微分方程为(,为待定参数).⑶

⑵白化GNNM(1,1)灰色神经网络模型.设参数已经确定,对式⑶求解可得到其时间响应函数:⑷

白化微分方程⑶的参数的思路是:将方程⑶的时间响应函数⑷映射到一个智能信息电力变压器故障BP网络中,对这个BP网络进行训练,从训练后的BP网络中提取出相应的方程系数,从而得到一个白化的微分方程,进而利用此白化的微分方程,对系统进行深层次的研究,或对此微分方程求解.要将⑷式映射到BP网络中,对其做如下变换,对等式两边同除以1+exp(-ak),可得

=

=⑸

经过变换后可将⑸映射到BP网络中,其结构如图1所示.

相应的BP网络权值可进行如下赋值(令

(6)

的阈值设为,由⑸得,多层神经元激活函数为Sigmoid型函数:⑺

该函数是S型函数,存在一个高增益区,能确保网络达到稳定态,其它层激活函数取线性的.经过⑹式赋值及BP网络激活函数确定为⑺式后,可对网络中各个结点计算为:

⑻

LD层仅1个节点,其作用只是对进行y1放大,使之与式⑶相符.考虑到灰色BP网络与式①的对应关系,因此在设计灰色BP网络学习算法时要注意以下几点:1)学习算法采用标准BP算法,由于有一些神经元所用的激活函数为线性的,因此计算误差时要利用线性函数的求导.2)由,故在BP网络训练过程中,权值始终保持不变.3)直接由输入与、得到,并且连接只是将误差前向传递到第3层,其本身不修改.精度比较可知,用神经网络辅助的灰色建模要远远优于传统的灰色模型方法.

4基于人工神经免疫系统应用研究

在人工免疫系统应用是生物必须防御机制与免疫功能的器官、组织、细胞和免疫效应分子及其基因组成通过分布在全身的各类淋巴细胞识别和清除侵入生物体的抗原性异物,可以保护机体抵御病原体、有害的异物以及癌细胞等致病因子的侵害.基于生物的免疫系统是一种高级的智能信息处理控制系统数据[2].而人工免疫系统是模仿免疫系统的一种智能方法,提供噪声忍耐、自组织神经网络结构学习、自组织与记忆神经网络等学习系统,结合分类器、神经网络和机器推理等系统的优点,具有分布式并行处理、自学习、自适应和强鲁棒性和集中式分散处理与分析电力变压器智能诊断故障等优点服务.

5结束语

基于智能信息与处理电力变压器故障诊断方法来应用电力变压器故障云模型处理、灰色系统理论模型、人工免疫系统等内容的理念和方法.以提高智能信息电力变压器故障诊断方法与灰色神经网络模型预测的应用体系结构,实践证明,基于智能信息处理关键技术在电力变压器故障诊断方法能够有效的排除故障.

参考文献:

数学建模处理数据的方法篇6

关键词：图形语言；图像处理算法；开发环境模型

信息化社会不断建成，数字图像技术不断发展，出现了一系列图像处理算法，但这些算法往往针对某个固定的程序才能实现，缺少广泛的应用性。数据处理过程说到底是算法分析和图像处理。图像处理过程中必备的开发软件是必不可少的。如Photoshop在平面图的设计方面有强大的图像处理功能，而ERDAS在遥感图像和地理信息系统应用方面取得了巨大的成功。但这两款应用软件的用途比较单一，只是针对于艺术设计领域和地理专业应用领域有强大的功能，软件本身并未对其所包含的图像处理算法进行精确地原理解释。因此，这类软件并不适合基于图形语言的图像处理算法开发环境模型的研究，在图像处理算法开发环境模型的研发过程中，研究人员需要花大量的时间和精力在图像处理算法上，使得工作量变大，过程变得复杂，研究工作进行的比较缓慢。

1图像处理算法模型

算法模型的建立采用抽象的代数理论进行定义，算法单元的转换和单元间的组合关系要明确的定义。通过分析图像处理过程，算法单元是一个可以动态重复应用的结构，一个算法单元是由多个子算法单元按照特定的顺序构建而成的，并且每一个子算法单元可以进行再次的分解，具体的分解示例如图1：

图1算法分解示例图

对算法模型的定义要在算法分解的过程中逐步完成。（1）算法模型是一个树状结构图，由不同层次的子算法模型构成，分别以任务序号、任务子目标和算法模型序号表示；（2）算法模型的基本结构由一个二元组组成，分别是子算法模型和算法关系；（3）一个算法单元是一个三元组，分别描述集合算法检索分类、单元算法集合标志。其中，算法单元的描述是以一个五元组来实现的，分别以算法的功能、类别、输入、输出集合进行描述。算法单元标志由一个四元组实现，即属性集合、算法集合与接口属性集合。

2图像处理算法的开发集成环境

2.1系统组成

一个典型的数据程序语言所需要满足的条件是能够提供必须的数据结构和预定义函数数据库以支撑复杂的计算问题。以此为基础，提出了构建图像处理算法的开发环境，构建过程由三个单元组成：算法库的构建、数据元素的构建、相关交界面组建工具的构建。以上三个逻辑单元可以在实现单元分解的基础上构建有效的开发环境，使得研发工作顺利快速地开展。通过对研发过程的分析，在已经成型的开发环境下，提出新的基于图形语言的图像处理算法开发环境，该研发环境需要同时具备以下几个要素：

a.数据形式。图像处理算法的开发环境，除了要定义特定的数据形式外，还要定义图形图像数据的形式，这些通常是以二维和三维的矩阵操作来达成的。同时，为了实现快速开发环境而提供的函数库，可以大大减轻研发人员额外的工作负担。

b.预定义函数库。为了使图像处理算法的研发工作顺利完成，应提供开发环境所需要的相对应的函数库，快速搭建起开发环境，交互界面是在函数库的基础上，让研发人员了解图形语言的算法，此开发环境能使研发过程更加简单快捷。

c.数据查看和数据转换功能工具。数据查看工具能最大限度的减少研发工作人员的时间，在研发的过程中，只要仔细观察数据形式、图像方式以及空间数据和矩阵方差数据，就能实现对图像数据的观察查看。通过一定的转换工具，实现数据转换及图像格式转换，这样，多样化的数据格式在研发过程中才能更加透明化。

其中，由于数字图像的获取方式比较多样，有些图像受到条件的限制而无法获得，可以选择在研究开发过程中用仿真技术获取所需要的数据，并添加必要的第三方软件接口。

2.2平台框架

作为一个完整的开发环境，图像处理和分析算法开发平台是多元化的子系统相互协作完成的处理环境平台，包含了图像处理过程中数据获取、数据处理和数据分析。可以通过图2详细、直观地看出图像处理算法的集成平台。

图2图像处理算法环境的集成平台

数据仿真与获取子系统属于数据生产阶段，通过数据的转换能够为图像处理算法提供一定的支撑。于此同时，和算法性能评估子系统联系，生成实验数据。最后，基于图形语言对算法进行重新定义，通过处理进而正是研究上的准确性。

算法设计子系统属于数据的处理阶段。研究开发工作人员借助算法设计子系统系统设计相对应的算法评估方式，可以有针对性地减少数据需求误差，快速地完成算法开发工作。

算法性能评估子系统属于数据分析阶段。而数据库为开发环境提供主要的数据支持，是目标算法经过确认后，将其作为预定义的算法，便于以后为新算法的开发应用提供基础条件。

3结束语

本文通过列举传统图像处理算法和图像处理软件的不足之处，对基于图形语言的图像处理算法开发环境的优势和图像处理算法开发环境模型的研究开发过程进行了分析，该模型是一个基于图形语言开放的、可二次开发的算法环境，该环境能够使研发人员最大程度上形成界面资源和算法库，减少研发人员复杂的工作程序，减轻研发算法过程中的工作量，使更专注于目标算法的研发工作。由于基于图形语言的图像处理算法能够更高效地完成算法研发任务，所以还需要后期进一步的完善和维护，并且多在实践中验证，争取让这一模型的应用性更加广泛。

参考文献

[1]杨卫东；张天序；宋成军.低分辨率SAR图像舰船目标检测[J].华中科技大学学报（自然科学版），2008（02）.

[2]崔文凯；卢再奇.ATR信息处理的软件体系结构[J].计算机技术与发展，2009，（01）.