本文選題：數(shù)據(jù)整合　切入點(diǎn)：離群點(diǎn)檢測(cè)　出處：《中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著大數(shù)據(jù)與數(shù)據(jù)挖掘等技術(shù)的發(fā)展,越來(lái)越多的信息系統(tǒng)接入了數(shù)據(jù)挖掘的技術(shù),如語(yǔ)音模擬、圖像識(shí)別等等。本文提出了在生產(chǎn)事故破壞程度評(píng)估系統(tǒng)引入數(shù)據(jù)挖掘技術(shù),根據(jù)外部數(shù)據(jù)、危險(xiǎn)源自身特征以及歷史數(shù)據(jù)訓(xùn)練分類器,對(duì)生產(chǎn)事故破壞程度得到比較精確的評(píng)估結(jié)果。本文主要研究?jī)?nèi)容有以下幾點(diǎn):1.數(shù)據(jù)整合。在面對(duì)多源異構(gòu)數(shù)據(jù)整合并且要求實(shí)時(shí)性的時(shí)候,傳統(tǒng)方案中并沒(méi)有很好的解決實(shí)時(shí)性需求。本文提出了新的數(shù)據(jù)整合流程,增加了監(jiān)控?cái)?shù)據(jù)、自動(dòng)更新以及知識(shí)公式庫(kù)模塊。2.數(shù)據(jù)整合過(guò)程中異常問(wèn)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(wèn)題,導(dǎo)致整合效果減弱。本文提出了基于角度的三階段異常檢測(cè)算法,有效地解決異常問(wèn)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(jìn)與應(yīng)用。在生產(chǎn)事故破壞度評(píng)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(jìn)方案,將樣本集進(jìn)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(jì)算。4.工廠事故破壞度系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。本文給出了該系統(tǒng)核心模塊的數(shù)據(jù)接口設(shè)計(jì)以及部分源代碼實(shí)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(yè)面效果,最后進(jìn)行了系統(tǒng)性能測(cè)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(xué)位授予單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP311.52;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 汪旭光;王尹軍;;構(gòu)建“互聯(lián)網(wǎng)+大數(shù)據(jù)”模式 大力提升危險(xiǎn)化學(xué)品管控和應(yīng)急救援能力(一)[J];中國(guó)消防;2017年Z1期

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

3 周德紅;馮豪;李文;劉越;張明;;火災(zāi)爆炸后果分析法在LNG儲(chǔ)罐風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J];工業(yè)安全與環(huán)保;2015年10期

4 鄧侃;歐智堅(jiān);;深層神經(jīng)網(wǎng)絡(luò)語(yǔ)音識(shí)別自適應(yīng)方法研究[J];計(jì)算機(jī)應(yīng)用研究;2016年07期

5 張玲;劉波;;基于殘差統(tǒng)計(jì)的時(shí)間序列加性離群點(diǎn)檢測(cè)算法研究[J];電子技術(shù)應(yīng)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(cè)[J];計(jì)算機(jī)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(jì)算機(jī)教育;2015年05期

8 程杰;;基于歐式距離平均值的離群點(diǎn)自動(dòng)檢測(cè)算法[J];電腦知識(shí)與技術(shù);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(shè)計(jì)中的運(yùn)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(jī)械制造)企業(yè)危險(xiǎn)源的管理監(jiān)控[J];低碳世界;2013年22期

相關(guān)博士學(xué)位論文 前1條

1 李方媛;重特大道路交通事故致因機(jī)理及其風(fēng)險(xiǎn)行為研究[D];長(zhǎng)安大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 張友強(qiáng);基于選擇性集成學(xué)習(xí)的離群點(diǎn)檢測(cè)研究[D];青島科技大學(xué);2016年

2 劉靜;可變模糊集理論在重大危險(xiǎn)源安全評(píng)估中的應(yīng)用[D];西安科技大學(xué);2015年

3 周瑩瑩;利用離群點(diǎn)檢測(cè)改進(jìn)協(xié)同過(guò)濾推薦算法[D];南京郵電大學(xué);2015年

4 孫科;基于Spark的機(jī)器學(xué)習(xí)應(yīng)用框架研究與實(shí)現(xiàn)[D];上海交通大學(xué);2015年

5 劉楊;動(dòng)態(tài)檢重系統(tǒng)數(shù)據(jù)處理算法的研究[D];中國(guó)計(jì)量學(xué)院;2014年

6 杜本漢;基于霍夫變換和條件隨機(jī)場(chǎng)模型的目標(biāo)檢測(cè)[D];上海交通大學(xué);2014年

7 蔡加欣;半監(jiān)督學(xué)習(xí)及其在MR圖像分割中的應(yīng)用[D];南方醫(yī)科大學(xué);2011年

8 鄭魯寧;基于逆向云理論的入侵檢測(cè)評(píng)定方法研究[D];蘭州理工大學(xué);2009年

9 孫曉霞;聚類分析在客戶細(xì)分領(lǐng)域的應(yīng)用研究[D];西北大學(xué);2006年

10 羅松濤;基于GEP挖掘的戰(zhàn)爭(zhēng)函數(shù)模型及應(yīng)用[D];四川大學(xué);2006年

，

本文編號(hào)：1596371