一、空气质量监测运行方式分析（论文文献综述）
江苏省人民政府办公厅[1]（2022）在《江苏省人民政府办公厅关于印发江苏省“十四五”生态环境保护规划的通知》文中进行了进一步梳理苏政办发[2021]84号各市、县（市、区）人民政府,省各委办厅局,省各直属单位:《江苏省"十四五"生态环境保护规划》已经省人民政府同意,现印发给你们,请认真组织实施。2021年9月28日江苏省"十四五"生态环境保护规划前言"十四五"时期是江苏深入贯彻党的十九大和十九届二中、三中、四中、五中全会精神,
宁夏回族自治区人民政府办公厅[2]（2021）在《自治区人民政府办公厅关于印发宁夏回族自治区生态环境保护“十四五”规划的通知》文中指出宁政办发[2021]59号各市、县（区）人民政府,自治区政府各部门、各直属机构:《宁夏回族自治区生态环境保护"十四五"规划》已经自治区人民政府第98次常务会议审议通过,现印发给你们,请结合实际,抓好组织实施。2021年9月7日（此件公开发布）宁夏回族自治区生态环境保护"十四五"规划为持续改善全区生态环境质量,协同推进经济高质量发展和生态环境高水平保护,加快建设黄河流域生态保护和高质量发展先行区,依据国家《"十四五"生态环境保护规划》《宁夏回族自治区国民经济和社会发展第十四个五年规划和2035年远景目标纲要》,制定本规划。
徐洁[3]（2021）在《环境空气自动化监测系统信息化质量控制策略分析》文中研究说明环境空气自动化监测系统是为更准确进行区域内空气质量评估而构建的综合系统,与传统监测系统相比,其实现了实时性、连续性监测,监测结果可反馈空气污染程度、污染物浓度等情况。其组成环节多元、运行原理复杂,日常运行管理与质量控制是目前行业内的重大难题。为早日形成针对环境空气自动化监测系统的运行管理、质量控制统计标准,确保管控工作的科学性、规范性、统一性,智能化、信息化的现代高精尖技术的应用必不可少。基于此,文章对环境空气自动化监测系统运行管理及质控信息化展开详细探究,以提高系统管控水平与效果。
李市双[4]（2021）在《西安市PM2.5时空特性研究及NARX神经网络模型预测》文中研究指明雾霾天气在我国已经成为了一个严重的威胁和挑战。PM2.5作为空气污染物中受人关注的主要污染物之一,其危害大,分布广,对PM2.5的研究及预测有着重要的意义。本文针对目前人工神经网络在PM2.5预测上精度不高的问题,对PM2.5预测方法进行了研究,提高预测精度。首先依据西安市1 1个监测站点的大气污染物浓度气象参数对西安市PM2.5的时空分布特征及空气氧化性进行分析,为PM2.5预测提供基础;其次,将西安市11个监测站点作为研究对象,建立带有外部输入的非线性反馈型自回归神经网络NARX模型对PM2.5进行预测;最后,基于主成分分析及小波分解建立了四种NARX网络模型并对各站点PM2.5进行预测评价,确定最优的网络模型,从而实现了西安市11个站点的PM2.5高精度预测,为实际应用提供理论参考并助力环保事业的发展。研究结果如下:1.西安市PM2.5有明显的季节差异,供暖期空气质量劣于非供暖期,西安市2015～2017年兴庆小区空气污染较小,经开区和高压开关厂较差;PM2.5与大气氧化物SO2、CO、NO2和O38h的相关系数分别为0.622、0.607、0.551、-0.418,呈显着相关,表明大气氧化性对PM2.5水平有一定影响。2.NARX神经网络能较准确地预测PM2.5,经过主成分分析后,Re降低了 0.17%～6.78%、rmse降低了 1.10～5.42、γs提高了 0.002～0.053,经过小波分解后,Re降低了-0.25%～9.40%、rmse降低了-2.77～3.94、γs提高了-0.010～0.058;主成分分析和小波分解均能提高NARX神经网络的预测精度;基于主成分分析的NARX神经网络的预测精度优于基于小波分解的模型。3.经过主成分分析与小波分解相结合的NARX网络模型Re降低了 0.04%-12.46%、rmse降低了 0.64-7.54、γs提高了-0.02-0.075。基于主成分分析与小波降噪相结合的NARX网络的预测精度最高。4.本文模型在一年中各个月份预测效果均可以满足正常使用要求,各个评价指标月平均值结果显示较好,预测值与实测值相关性为强相关。
游庆国[5]（2021）在《生物转笼处理典型食品工业废水特性研究及其优化运行管理》文中指出食品工业废水具有高有机物、高悬浮物、高可生化性和水质水量波动大等特征,属于高污染、易降解工业废水,常见的处理工艺主要为活性污泥法和生物膜法,在实际应用中均有工程实例。由运行管理模式导致能耗物耗增加,是食品工业废水处理过程中亟待解决的问题。其中生物膜法抗冲击负荷能力强且适宜长世代周期微生物生长,更适合食品加工废水处理。以生物转盘（RBC）为代表的旋转式生物膜反应器,因其特有的充氧与混合方式,更加节能高效;在此基础上改进结构,填充生物填料而制成的生物转笼,具有更大的生物膜附着生长面积、更高的生物量和处理效能。论文通过分析食品工业废水水质特征,设计开发一套一体化生物转笼污水处理装置;基于新开发的反应器,探究了反应器填料最适填充比、填料上生物膜性能、C:N负荷及不同转速下食品工业废水处理特性及生物群落特征;通过反应器不同转速下能耗分析,得到比能耗,辅助指导反应器运行;基于反应器氧传质特征,构建基于DO衡算的氧传质模型并验证,进而利用模型解释反应器效果和特性,给出优化运行方案。论文主要研究内容与结果为:（1）基于食品工业废水构建食品工业废水水质典型特征,根据食品工业废水水质和处理需求,设计开发了一套一体化污水处理装置,集成生物转笼反应器、调节池、二沉池、污泥干化池、加药箱、监测系统和控制系统于一体。该装置设计反应器有效体积为3 m3、处理能力12 m3·d-1和转速1～7 r·min-1,可对污水水质进行在线监测和运行调控。（2）反应器内转笼设置40个填料格,每个格子可填充0.11 m3填料。引入种子污泥并投加营养物质启动反应器挂膜,挂膜成熟探究了0.4～0.5、0.5～0.6、0.6～0.7、0.7～0.8、0.8～0.9和>0.9六个填充比梯度下生物膜状态和生物膜污水处理性能。研究结果表明,填料上生物膜量随填充比增加而变大,为65.02～147.23 mg/颗,但生物膜越厚密度越小,为68.10～59.79 mg·m-3;生物膜具有很好的COD去除和反硝化能力,且生物膜越厚反硝化能力越好。综合对比反应器填料填充比生物膜量、生物膜结构和生物膜性能,得到反应器最适填充比为0.7～0.9。（3）确定填料最佳填充比后,探究生物转笼反应器在不同C:N（C:N为20、25、30和35）的食品工业废水中污染物去除能力和微生物群落的演化。研究结果表明,C:N≤30时COD和NH4+-N平均去除率分别为99.18%和86.27%,当C:N≥35时,COD和NH4+-N出水浓度开始上升,但COD平均去除率仍然大于90%;反应器内NO3--N和NO2--N的去除能力与温度成正相关,即温度越高NO3--N和NO2--N的出水浓度越低,分别低于4 mg·L-1和0.05 mg·L-1。微生物群落结构分析表明,C:N≤30时,微生物多样性随C:N升高而增加,C:N≥35时,反应器内COD负荷较大,功能型微生物群落多样性下降导致出水浓度偏高。因而反应器适合处理C:N≤30食品工业废水。（4）在低C:N食品工业废水下探究不同转速下反应器对污染物去除特性,对反应器运行参数调优,达到节能降耗的目的。实验研究结果表明,在实验转速下(1.0～3.0 r·min-1下,梯度为0.5 r·min-1),反应器运行转速与COD去除速率成正相关,其平均去除速率为318.76～499.84 mg·L-1·h-1,理论上该反应器COD去除能力为21.92（±1.0）～36.85（±1.7）kg COD·d-1;反应器对NH4+-N平均去除速率为4.56～8.4 mg·L-1·h-1(转速2.0 r·min-1和2.5 r·min-1的NH4+-N平均去除速率最大,分别为8.4 mg·L-1·h-1和8.35 mg·L-1·h-1),理论上NH4+-N去除能力为0.3428～0.6114kg·d-1;反应器内COD越充足,出水NO3--N和NO2--N浓度越低。反应器能耗分析表明,转速越大能耗越高,去除单位质量COD（kg）能耗也越高(变化范围为0.11～0.17 k Wh·kg COD-1),与传统工艺相比转速为1.0～3.0 r·min-1,节能2.55%～90.69%。综合分析不同转速下COD、NH4+-N、NO3--N和NO2--N去除速率及能耗,确定反应器最佳运行速率为2.0～2.5 r·min-1。（5）根据不同转速下反应器DO变化规律,构建物理氧传质模型,并耦合“传质-反应”过程实现反应器水质预测和运行优化。论文从微观上对“空气-溶液”和“空气-生物膜”两个氧过程构建模型,宏观上计算出污染物去除速率和对耗氧量,对微观和宏观结果对比,完成模型验证。运用模型解释污染物降解速率随转速的线性变化关系和模拟给出满足要求的反应器运行方案。
郭昆鹏[6]（2021）在《基于GCN-LSTM的空气质量预测系统的设计与实现》文中研究指明近年来随着我国经济实力的快速发展,不可避免的带来了一定的环境污染问题,尤其是大气污染。这些环境污染问题已经给人民群众的生活质量和我国经济的快速发展造成了一定的影响。为了能够快速发现和应对空气污染问题,一些地区已经开始采用空气质量的网格化监测技术来加强对环境情况的监测与管控。所以,为了能够更好的利用网格化监测技术带来的大量数据,提前发现空气污染情况,搭建一套可以使用历史空气质量监测数据来预测未来一段时间空气质量的可视化系统,是可以为我国的环境治理工作带来一定帮助的。本文的主要工作如下:（1）收集整理沈阳市浑南区18个位于空气质量网格化监控中的微型监测站的6种空气中污染物（PM2.5,PM10,O3,CO,NO2,SO2）浓度数据并进行数据预处理。（2）在分析了空气中污染物浓度数据中缺失记录前后的数据特征的基础上提出了一种融合双向GRU的空气质量数据缺失填补算法（Bi-GRU）,填补算法相比以往研究中的线性插值填补算法表现更优。（3）考虑到网格化监测中各个微型监测站之间的空间关联,提出了一种基于GCN-LSTM的空气质量预测算法,GCN-LSTM算法在空气质量预测方面相比于传统的LSTM算法表现更优。（4）以Bi-GRU算法和GCN-LSTM算法为基础,结合Spring Boot,Vue和Redis等技术,搭建并测试空气质量预测系统。
马元婧[7]（2021）在《基于深度学习的大气环境监测系统关键技术研究》文中提出环境空气质量与人们的生产生活以及社会发展密不可分,所以大气环境监测系统在环境保护、污染治理方面发挥着不可替代的作用。利用实时更新的监测信息掌握大气污染状况,评估预测环境质量,对预警决策和科学治理空气质量以及开展区域联防联控工作提供技术支撑。深度学习是机器学习研究中的一个新的领域,其目的在于建立神经网络,使其能够模拟人脑进行分析学习,学习样本数据的内在规律和表示层次。利用人类大脑的运转机制来读取并解释数据,是为了能够让机器可以像人类一样会学习会分析。深度学习在图像分类、目标检测、语义分割和人脸识别等计算机视觉任务中都取得了巨大的成功。本文分析大气环境监测系统采集的多源、多维、多态的海量数据,应用深度学习技术对大气环境监测系统关键技术进行研究,分别从环境监测设备异常数据来源诊断、大气气溶胶颗粒成分分析和空气质量数值预报模型优化三个方面展开,对大气环境监测过程中的关键问题予以分析解决,同时给出具体的解决方法:1.基于深度学习的异常数据来源诊断模型的研究。针对大气环境监测系统无法对产生异常数据的监测设备进行详细定位的问题,提出一种改进Faster RCNN模型,应用基于深度学习的目标检测算法,训练大量环境监测设备正常运行状态与异常运行状态的图像,来建立大气环境监测异常数据来源诊断模型。借助环境监测站内视频监控系统对监测设备采集的图像,将对异常数据来源设备的定位问题,转化为对监测设备采集图像的目标检测问题。考虑到检测目标的特征属性,对Faster R-CNN模型进行卷积层重构、特征融合、锚框重置和数据扩增等改进方式,提高模型异常数据来源诊断的准确率,使得针对异常数据来源的监测设备故障排查工作向无人值守化过渡。2.基于深度学习的气溶胶颗粒自动分类模型的研究。现有的大气气溶胶颗粒分类方法存在缺乏统一的提取标准以及完全依靠人工经验手动命名,耗费大量人力物力的问题。同时,以单个颗粒为单位的大气气溶胶颗粒监测过程又会产生过于庞大的颗粒信息。针对大气气溶胶颗粒监测与分类的现状以及不足之处,基于深度学习的分类算法,提出一种改进Alex Net模型,训练并建立大气气溶胶颗粒自动分类模型。利用以往监测活动中已经被人工命名的气溶胶颗粒质谱图,人工标注类别信息,建立用于训练分类模型的数据集。通过对气溶胶颗粒质谱图的特征进行深入研究,采用调整图片分辨率、减小卷积核尺寸和精简网络层数等优化方法,对Alex Net深度学习分类算法进行改进,经过深度卷积网络提取能够反映出颗粒类别的质谱特征,对气溶胶颗粒成分进行自动学习,生成大气气溶胶颗粒自动分类模型,提升了分类模型的准确率,实现自动分类的目的,达到实时检测的效果。3.基于深度学习的空气质量预报模型的研究。现有运行中的空气质量数值预报系统WRF-CMAQ,由于污染源排放清单的不确定性,以及不能够完整全面的量化大气传输中的物理化学变化,导致了空气质量预报数值出现偏差的现象。针对现有空气质量预报系统的现状,提出应用深度置信网络模型DBN,挖掘区域内数值预报模型预测值与实测值之间的关系,建立基于深度学习的空气质量预报模型,该模型利用了研究区域内多个国控监测站点的历史监测数据以及相应的气象预报数据,充分考虑了大气污染物浓度的时间变化规律和空间分布特征,在预报周期内,对区域内任意站点的污染物浓度预测值进行修正,提高空气质量预报模型的有效性。
袁梦[8]（2021）在《企业自用型办公建筑健康性能评价指标研究》文中认为面临激烈的市场竞争,各类企业纷纷意识到社会效应所带来的巨大经济效益和影响力,越发关注企业形象与文化所带来的市场资源和人力资源,而企业自用型办公建筑作为品牌窗口,却面临着强调利用率、忽视使用感、缺乏弹性设计等现实问题,正在给每天身处其中1/31/2时间的办公人员身心健康带来负面影响。健康建筑基于国家战略、民生发展和行业进步需求逐渐走入人们视野,截至2019年12月共计53个项目获得健康建筑评价标识,而办公建筑仅8项,《健康建筑评价标准》对于企业自用型办公建筑仍有许多丰富和完善的余地,该类建筑的进步和发展能够充分起到激励先进、鞭策后进、正确引导的作用,促进更多办公建筑走入健康行列,从而惠及更多的企业员工。本文首先分析总结企业自用型办公建筑区别于其他建筑类型的特殊性,即企业形象性、对象前瞻性、长期适应性、功能复合性、空间共融性、内外社交性和社会影响力及其所对应的健康要求。通过阐述建筑与健康的关系,对比绿色建筑与健康建筑概念及评价体系,指出现有相关建筑健康性能的评价指标更多关注建筑安全要素,而对功能要素和行为要素的关注较少,更加重视建筑专业领域的硬性约束,而配合其发挥鼓励引导作用的软性指标缺乏。其次,结合企业自用型办公建筑健康影响要素,以及国内外相关标准、文献成果和调研情况,在我国既有《健康建筑评价标准》评价框架的基础之上,初选适应性评价指标,运用德尔菲法（Delphi）进行指标筛选、修正工作,最终确定6项因素层、36项准则层及75项指标层构建而成的评价框架与指标内容。之后运用层次分析法（AHP）对评价指标赋权,通过多层次对比指标权重系数,有效识别出关注度和重要性高的健康性能影响因子,以便于建筑设计与更新过程中优先选择、优先实现。最后,依据所构建的评价框架、指标内容、权重系数与评分程序,对建研院C座、AB座两栋企业自用型办公建筑作为评价实例,计算得到C座在水、健身和人文三方面相较AB座较为欠缺,与访谈结论基本一致,说明该评价指标框架与内容具有一定合理性和参考价值。本文探究适用于企业自用型办公建筑健康性能的评价指标及相应权重,以便企业业主或设计人员有所参照地开展设计或改造工作,优先对关注度和重要性高的建筑健康性能影响因子给予实现,使之最大程度地满足员工的健康需求,鼓励和引导健康行为,实现企业与个人的全面健康发展。
唐泰杰[9]（2020）在《乌海矿区空气质量监测及预警系统设计与实现》文中提出随着乌海矿区煤炭资源的大规模、高强度开采,加剧了土壤的破坏和岩石的侵蚀,使得大量矿体表层土壤剥落,地表植被遭到严重破坏,矿区沙尘天气明显加剧,这对矿区及其周边环境质量产生了严重影响。因此,本文围绕乌海矿区空气质量开展相应的监测及预警科研工作,最终针对乌海矿区设计实现一款基于深度学习模型的空气质量监测及预警系统。本系统主要包含三大部分:数据的爬取和存储模块,基于深度学习的空气质量预测模块以及前后端开发模块。为了更好地实现上述模块的功能,本文采用统一建模语言UML绘制系统功能用例图来对系统功能内容进行梳理,系统主要包括个人中心模块、主界面模块、实时监测模块、历史数据模块以及空气质量预测模块。本系统所采用的数据主要包括空气质量数据和气象数据,由于所需数据量较大、种类较多,因此采用Scrapy数据爬取技术和My SQL数据库技术来设计实现数据爬取及存储系统;采用SQLAlchemy架构作为对象关系映射（ORM）以此来设计My SQL数据库并建立数据表用以对用户数据、空气质量数据、气象数据、监测站点信息以及网页信息的存储。系统还采用Flask框架来搭建系统后端服务器以完成系统内部的逻辑处理和数据通信,采用Vue框架来设计前端显示页面。在开展预测模型研究方面,首先对数据进行预处理操作,建立相应的数据训练集和测试集,然后对天气因子具进行相关系数分析,并通过信息熵、灰色关联分析法实现对预测因子的选择。本文选择采用深度学习算法RNN和LSTM来对空气质量预测模型进行研究,循环神经网络RNN能够根据当前输出和历史输入得出相关性从而对序列数据进行建模,但是由于一个隐藏层的表示能力有限,因此,选择构建深度循环神经网络（DRNN）和深度长短时间记忆神经网络（DLSTM）预测模型,通过改变隐藏层数目和隐藏层单元的个数来确定最优预测模型。最终的仿真结果表示,DLSTM的预测结果优于DRNN,预测准确度高达92.85%,该模型具有较好的应用价值,结合开发的空气质量监测及预警系统,能够准确预测乌海矿区多种空气污染物浓度数值及变化趋势。最后完成本系统测试和部署工作,测试结果表明系统的各项功能和性能参数都能达到应用标准,本系统为环保部门实现空气污染的有效治理提供可行参考,从而为乌海矿区生态安全提供强有力的技术支撑,对于规范矿区的生产,加快矿区的生态恢复具有十分重要的意义。
张欣怡[10]（2020）在《基于Hive数据仓库的中国空气质量统计分析系统的设计实现》文中研究说明随着经济和科技的不断发展,中国的大气污染监测网络和气象监测网络不断进步和完善,每个地区的空气和气象监测系统都已经积累了大量数据,对空气质量数据和气象数据构建科学、合理、及时、有效的数据分析系统,能够使空气质量监测数据得到充分利用,满足中国大气污染治理对信息的分析、决策要求。本文以2014-2019年中国所有空气质量和气象站点的监测数据作为模拟数据,以Hadoop分布式大数据框架、Hive数据仓库、Spark数据计算引擎、Pyecharts可视化工具作为技术框架,设计并实现了一个拥有数据收集、存储、分析、可视化功能的中国空气质量统计分析系统。在数据仓库的基础存储要求上,设计了具有分层存储、分区存储功能的中国空气质量数据仓库。分层存储是指根据不同的数据使用需求,将原始数据形成若干张数据表分层存储在数据仓库中,这种分层存储能够提高空气质量数据的使用效率。分区存储则是指根据数据的采集时间形成分区信息进行分区存储,经实际使用测试,分区存储策略可有效提高中国空气质量数据仓库中数据的检索效率。对于空气质量的统计分析主要分为空间分布分析、时间序列分析与预测,气象因素影响力分析,分别从年、季、月、日的时间尺度根据历史数据对比分析了中国各地区的空气质量的时空演化特征,对最新数据的空间分布情况进行展示,并对京津冀地区、长江三角洲、珠江三角洲这三大重点地区未来空气质量的水平进行预测。气象因素对空气质量的影响力趋势分析分为单项气象因素相关性趋势分析和多项气象因素整体影响力趋势分析,主要讨论了大气温度、地表温度、气压、降水、湿度、日照、风速这几项气象指标对空气质量的影响。通过使用数据仓库中存储的数据,中国空气质量统计分析的主要观察结果如下:1、中国空气质量年际分布显示,2014-2018年中国大部分地区的空气质量逐渐向好,年均空气质量属于污染水平的城市和站点逐年减少。2、时间序列趋势分析结果显示,在观测期内中国三大经济区中京津冀地区的空气污染最重,逐年改善幅度最大,长三角地区次之,珠三角地区则空气质量最优,改善幅度最小;以三大经济区作为预测对象进行空气质量未来预测,模型在测试集数据上的精度显示:SARIMA模型月度预测和RNN-LSTM模型日度预测的精度分别可以达到85.49%和99.6%,能够比较准确地预测出各地区未来的空气质量水平。3、气象因素影响力趋势分析显示,单个气象因素对空气质量的影响在不同地区存在明显差异,但每个地区气象因素整体对空气质量的影响力均呈现逐年增强的趋势。
二、空气质量监测运行方式分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、空气质量监测运行方式分析（论文提纲范文）
（3）环境空气自动化监测系统信息化质量控制策略分析（论文提纲范文）
| 1 环境空气自动化监测系统现状 |
| 1.1 技术缺陷 |
| 1.2 集成化与自动化水平低 |
| 2 环境空气自动化监测系统运行管理策略 |
| 2.1 日常维护策略 |
| 2.2 质控与质量保障 |
| 3 环境空气自动化监测系统信息化质量控制 |
| 3.1 信息化网络管理平台建设 |
| 3.2 管理平台功能分析 |
| 3.2.1 人员管理与调控功能 |
| 3.2.2 日常巡检与质控管理功能 |
| 3.2.3 监督管理功能 |
| 3.2.4 设施使用管理功能 |
| 3.2.5 远程控制、故障报警与提醒功能 |
| 4 结束语 |
（4）西安市PM2.5时空特性研究及NARX神经网络模型预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 国内外研究进展 |
| 1.2.1PM_2.5时空特性研究进展 |
| 1.2.2 空气质量预测 |
| 1.2.3 人工神经网络预测 |
| 1.3 主要研究内容 |
| 1.4 研究方案和技术路线 |
| 1.5 研究的特色与创新之处 |
| 第二章 数据来源及其预处理 |
| 2.1 研究区域概况 |
| 2.2 数据来源 |
| 2.2.1 大气污染数据 |
| 2.2.2 气象数据 |
| 2.3 数据预处理 |
| 2.3.1 无效数据识别及处理 |
| 2.3.2 原始数据归一化 |
| 第三章 西安市PM_(2.5)时空分布及空气氧化性 |
| 3.1 PM_(2.5)时空分布 |
| 3.1.1 参数介绍 |
| 3.1.2 PM_(2.5)随时间变化 |
| 3.1.3 PM_(2.5)的空间分布 |
| 3.2 空气氧化性 |
| 3.2.1 相关性分析方法 |
| 3.2.2 PM_(2.5)与前体污染物的相关性 |
| 3.3 本章小结 |
| 第四章 NARX人工神经网络预测 |
| 4.1 NARX神经网络原理及建模方案 |
| 4.1.1 NARX神经网络原理 |
| 4.1.2 NARX神经网络预测建模方案 |
| 4.2 预测结果评价指标 |
| 4.3 NARX神经网络预测 |
| 4.3.1 NARX模型最优参数的选择 |
| 4.3.2 NARX神经网络预测 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 基于NARX网络的多模型预测 |
| 5.1 基于主成分分析的NARX神经网络预测 |
| 5.1.1 主成分分析原理 |
| 5.1.2 基于主成分分析的NARX神经网络预测 |
| 5.1.3 结果分析 |
| 5.2 基于小波分解的NARX神经网络预测 |
| 5.2.1 小波分解原理 |
| 5.2.2 小波分解函数种类 |
| 5.2.3 小波分解结果评价 |
| 5.2.4 小波分解参数选择 |
| 5.2.5 基于小波分解的NARX神经网络预测 |
| 5.2.6 结果分析 |
| 5.3 基于小波分解、主成分分析的NARX神经网络预测 |
| 5.3.1 原始数据小波降噪及主成分分析 |
| 5.3.2 基于主成分分析及小波降噪的NARX网络预测 |
| 5.3.3 结果分析 |
| 5.4 最优模型对PM_(2.5)的年预测 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（5）生物转笼处理典型食品工业废水特性研究及其优化运行管理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和目标 |
| 第2章 一体化生物转笼系统设计开发 |
| 2.1 生物转笼构造与原理 |
| 2.2 生物转笼工艺及设计 |
| 2.3 监测系统设计与集成 |
| 2.4 调控系统设计与集成 |
| 2.5 本章小结 |
| 第3章 生物转笼反应器与生物膜性能 |
| 3.1 材料与方法 |
| 3.2 反应器除碳脱氮性能 |
| 3.3 填料生物膜性能探究 |
| 3.4 本章小结 |
| 第4章 生物转笼反应器性能优化探究 |
| 4.1 材料与方法 |
| 4.2 结果与讨论 |
| 4.3 反应器优化 |
| 4.4 本章小结 |
| 第5章 优化运行管理模型构建与验证 |
| 5.1 反应器氧传质模型 |
| 5.2 模型优化运行管理 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 科研成果 |
| 致谢 |
（6）基于GCN-LSTM的空气质量预测系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 缺失数据填补研究现状 |
| 1.2.2 空气质量预测技术研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织架构 |
| 第2章 基础理论研究 |
| 2.1 空气质量监测与评估理论研究 |
| 2.1.1 空气质量监测技术 |
| 2.1.2 空气质量评估标准 |
| 2.2 机器学习相关理论研究 |
| 2.2.1 循环神经网络RNN |
| 2.2.2 长短期记忆神经网络LSTM |
| 2.2.3 门控循环单元GRU |
| 2.2.4 图卷积神经网络GCN |
| 2.3 系统构建相关理论研究 |
| 2.3.1 后端技术研究 |
| 2.3.2 前端技术研究 |
| 2.3.3 数据库技术研究 |
| 2.4 本章小结 |
| 第3章 核心算法研究 |
| 3.1 融合双向GRU的空气质量数据缺失填补算法 |
| 3.1.1 模型结构与设计思想 |
| 3.1.2 模型测试 |
| 3.1.3 实验结果与分析 |
| 3.2 基于GCN-LSTM的空气质量预测算法 |
| 3.2.1 模型结构与设计思想 |
| 3.2.2 模型测试 |
| 3.2.3 实验结果与分析 |
| 3.3 本章小结 |
| 第4章 空气质量预测系统设计与实现 |
| 4.1 需求分析 |
| 4.1.1 功能性需求 |
| 4.1.2 非功能性需求 |
| 4.2 系统设计 |
| 4.2.1 架构设计 |
| 4.2.2 功能设计 |
| 4.2.3 数据库设计 |
| 4.3 系统实现 |
| 4.3.1 登录模块实现 |
| 4.3.2 首页模块实现 |
| 4.3.3 历史数据模块实现 |
| 4.3.4 实时监测数据模块实现 |
| 4.3.5 数据预处理模块实现 |
| 4.3.6 空气质量预测模块实现 |
| 4.3.7 系统管理模块实现 |
| 4.4 本章小结 |
| 第5章 空气质量预测系统测试 |
| 5.1 测试环境 |
| 5.2 功能性测试 |
| 5.2.1 登录与首页模块测试 |
| 5.2.2 历史数据模块测试 |
| 5.2.3 实时监测数据模块测试 |
| 5.2.4 数据预处理与预测模块测试 |
| 5.2.5 管理模块测试 |
| 5.3 非功能性测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于深度学习的大气环境监测系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 监测设备运行状态识别研究现状 |
| 1.2.2 大气气溶胶颗粒分类的研究现状 |
| 1.2.3 空气质量预报模型的研究现状 |
| 1.2.4 大气环境监测系统研究现状 |
| 1.3 研究内容与论文结构 |
| 1.4 本章小结 |
| 第2章 基于深度学习的异常数据来源诊断模型的研究 |
| 2.1 引言 |
| 2.2 Faster R-CNN |
| 2.2.1 卷积层 |
| 2.2.2 RPN网络 |
| 2.2.3 RoI pooling层 |
| 2.2.4 目标分类与定位层 |
| 2.3 改进Faster R-CNN |
| 2.3.1 重构卷积层 |
| 2.3.2 特征融合 |
| 2.3.3 锚框重置 |
| 2.3.4 数据扩增 |
| 2.4 实验与分析 |
| 2.4.1 实验环境 |
| 2.4.2 实验数据 |
| 2.4.3 预训练模型 |
| 2.4.4 评价指标 |
| 2.4.5 实验结果分析 |
| 2.5 本章小结 |
| 第3章 基于深度学习的气溶胶颗粒自动分类模型的研究 |
| 3.1 引言 |
| 3.2 大气气溶胶颗粒物成分及特征 |
| 3.2.1 有机碳颗粒(OC) |
| 3.2.2 元素碳颗粒(EC) |
| 3.2.3 元素-有机碳混合颗粒(ECOC) |
| 3.2.4 高分子有机碳颗粒(HOC) |
| 3.2.5 重金属颗粒(HM) |
| 3.2.6 矿物质颗粒(DUST) |
| 3.2.7 富钾颗粒(K) |
| 3.3 AlexNet |
| 3.3.1 网络结构 |
| 3.3.2 技术特点 |
| 3.3.3 AlexNet卷积特征图 |
| 3.4 改进的AlexNet分类方法 |
| 3.4.1 改进策略 |
| 3.4.2 改进的AlexNet网络结构 |
| 3.4.3 改进AlexNet卷积特征图 |
| 3.5 实验与分析 |
| 3.5.1 实验环境 |
| 3.5.2 实验数据 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的空气质量预报模型的研究 |
| 4.1 引言 |
| 4.2 WRF-CMAQ空气质量预报系统 |
| 4.2.1 WRF气象预报模型 |
| 4.2.2 CMAQ预报模型 |
| 4.2.3 WRF-CMAQ |
| 4.3 预报因子对污染物浓度的影响 |
| 4.3.1 时序变化特征 |
| 4.3.2 空间分布特征 |
| 4.3.3 气象因子对污染物浓度的影响 |
| 4.3.4 污染因子之间相互影响 |
| 4.4 基于DBN-BP的空气质量预报模型 |
| 4.4.1 DBN-BP模型搭建 |
| 4.4.2 基于DBN-BP修正模型结构 |
| 4.4.3 预测模型训练过程 |
| 4.4.4 DBN-BP隐藏层确定 |
| 4.4.5 模型性能评价函数 |
| 4.5 实验与分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据 |
| 4.5.3 数据集预处理 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 第5章 结束语 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）企业自用型办公建筑健康性能评价指标研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 企业自用型办公建筑现存问题 |
| 1.1.2 健康建筑发展需求 |
| 1.1.3 健康建筑适应性评价 |
| 1.2 研究对象 |
| 1.2.1 现代办公建筑类型 |
| 1.2.2 企业动态发展与办公空间需求 |
| 1.2.3 企业自用型办公建筑的特点及健康需求 |
| 1.3 研究目的与意义 |
| 1.4 国内外研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 研究内容与方法 |
| 1.5.1 研究内容 |
| 1.5.2 研究方法 |
| 1.6 研究框架 |
| 2 现有建筑健康性能评价指标分析 |
| 2.1 相关基础研究 |
| 2.1.1 健康的定义 |
| 2.1.2 人体健康影响因素 |
| 2.1.3 人的健康需求 |
| 2.1.4 健康建筑 |
| 2.2 健康建筑与绿色建筑的联系与区别 |
| 2.2.1 发展背景 |
| 2.2.2 专业领域 |
| 2.2.3 关注对象 |
| 2.2.4 技术内容 |
| 2.2.5 可感知性 |
| 2.3 国内外绿色建筑评价标准中的健康指标 |
| 2.3.1 英国BREEAM |
| 2.3.2 德国DGNB |
| 2.3.3 法国HQE |
| 2.3.4 美国LEED |
| 2.3.5 日本CASBEE |
| 2.3.6 中国ESGB |
| 2.3.7 比较分析 |
| 2.4 国内外健康建筑评价标准 |
| 2.4.1 美国WELL建筑标准 |
| 2.4.2 美国Fitwel评价体系 |
| 2.4.3 中国《健康建筑评价标准》 |
| 2.4.4 比较分析 |
| 2.5 办公建筑健康认证案例分析 |
| 2.5.1 中国石油大厦——健康建筑三星级运行标识 |
| 2.5.2 仲量联行上海办公室——WELL铂金级认证 |
| 2.6 小结 |
| 3 企业自用型办公建筑健康性能评价指标选取 |
| 3.1 企业自用型办公建筑健康性能影响要素 |
| 3.1.1 身体层面 |
| 3.1.2 心理层面 |
| 3.1.3 社会层面 |
| 3.2 评价指标初选 |
| 3.2.1 指标来源 |
| 3.2.2 选取原则 |
| 3.3 评价指标筛选与修正 |
| 3.3.1 指标筛选 |
| 3.3.2 指标修正 |
| 3.4 评价指标内容 |
| 3.4.1 空气 |
| 3.4.2 水 |
| 3.4.3 舒适 |
| 3.4.4 健身 |
| 3.4.5 人文 |
| 3.4.6 服务 |
| 3.5 小结 |
| 4 企业自用型办公建筑健康性能评价指标权重 |
| 4.1 评价指标赋权方法 |
| 4.1.1 指标权重 |
| 4.1.2 赋权方法 |
| 4.2 评价指标赋权步骤 |
| 4.2.1 构建指标层次 |
| 4.2.2 构造判断矩阵 |
| 4.2.3 一致性检验与修正 |
| 4.2.4 群决策 |
| 4.2.5 层次单排序和总排序 |
| 4.3 评价指标赋权计算 |
| 4.3.1 数据来源 |
| 4.3.2 因素层 |
| 4.3.3 准则层 |
| 4.3.4 指标层 |
| 4.4 评价指标权重分析比对 |
| 4.5 小结 |
| 5 企业自用型办公建筑健康性能评价指标应用实例 |
| 5.1 评价程序 |
| 5.2 评价对象简介 |
| 5.3 中国建筑科学研究院C座 |
| 5.3.1 评价分析 |
| 5.3.2 评分汇总 |
| 5.4 中国建筑科学研究院AB座 |
| 5.4.1 评价分析 |
| 5.4.2 评分汇总 |
| 5.5 评价结果及建议 |
| 5.5.1 评价结果分析 |
| 5.5.2 改进建议 |
| 5.6 小结 |
| 6 结论 |
| 6.1 研究结论 |
| 6.2 研究不足与展望 |
| 6.2.1 研究不足 |
| 6.2.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录1:指标要素说明及评分表 |
| 附录2:指标权重调查问卷 |
| 附录3:图录 |
| 附录4:表录 |
| 攻读硕士学位期间的学术成果 |
| 致谢 |
（9）乌海矿区空气质量监测及预警系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 相关技术国内外研究及应用现状 |
| 1.2.1 神经网络预测模型 |
| 1.2.2 空气质量监测平台 |
| 1.3 论文的研究目标和内容 |
| 1.4 论文的组织结构 |
| 2 系统需求分析与总体方案设计 |
| 2.1 系统总体目标 |
| 2.2 数据爬取系统需求分析 |
| 2.3 系统软件功能需求分析 |
| 2.3.1 个人中心模块 |
| 2.3.2 主界面模块 |
| 2.3.3 实时监测模块 |
| 2.3.4 历史数据模块 |
| 2.3.5 空气质量预测预警模块 |
| 2.4 系统软件性能需求分析 |
| 2.5 系统总体方案设计 |
| 2.5.1 系统软件架构设计 |
| 2.5.2 系统物理架构设计 |
| 2.5.3 系统通信架构设计 |
| 2.6 本章小结 |
| 3 数据爬取系统的设计与实现 |
| 3.1 数据来源 |
| 3.2 scrapy数据爬取技术 |
| 3.3 数据采集流程 |
| 3.4 数据库的设计与实现 |
| 3.4.1 mysql简介 |
| 3.4.2 数据表设计原则 |
| 3.4.3 数据表结构设计 |
| 3.5 本章小结 |
| 4 基于深度学习的空气质量预测模型研究 |
| 4.1 数据的预处理 |
| 4.1.1 数据缺失值处理 |
| 4.1.2 数据异常值处理 |
| 4.1.3 数据标准化处理 |
| 4.2 数据相关性分析与预测因子选择 |
| 4.2.1 数据相关性分析 |
| 4.2.2 预测因子的选择 |
| 4.3 基于深度循环神经网络的空气质量预测模型 |
| 4.3.1 循环神经RNN网络 |
| 4.3.2 基于DRNN的空气质量预测模型 |
| 4.3.3 仿真结果与分析 |
| 4.4 基于深度长短时间记忆神经网络的空气质量预测模型 |
| 4.4.1 长短期记忆LSTM网络 |
| 4.4.2 基于DLSTM的空气质量预测模型 |
| 4.4.3 仿真结果与分析 |
| 4.5 本章小结 |
| 5 空气质量监测及预警系统的实现 |
| 5.1 系统开发环境 |
| 5.2 前端页面开发 |
| 5.2.1 前端开发技术 |
| 5.2.2 前端各功能模块设计与实现 |
| 5.3 后端服务器开发 |
| 5.3.1 后端服务器开发技术 |
| 5.3.2 后端设计理念 |
| 5.3.3 后端各层级设计与实现 |
| 5.4 前后端交互的实现 |
| 5.4.1 前后端分离技术 |
| 5.4.2 交互中的问题 |
| 5.5 系统的测试与部署 |
| 5.5.1 系统测试 |
| 5.5.2 系统部署 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（10）基于Hive数据仓库的中国空气质量统计分析系统的设计实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景与意义 |
| 一、空气质量信息化建设发展现状 |
| 二、数据仓库研究与应用现状 |
| 三、空气质量统计分析研究文献综述 |
| 第二节 本文主要研究内容 |
| 一、研究目标 |
| 二、研究内容 |
| 第二章 空气质量统计分析系统技术综述 |
| 第一节 大数据平台技术和Web架构技术 |
| 一、Hadoop分布式大数据框架 |
| 二、Hive数据仓库 |
| 三、Flume数据传输工具 |
| 四、Spark大数据计算框架 |
| 五、Pyecharts数据可视化工具 |
| 六、Flask微型Web框架 |
| 第二节 统计分析方法 |
| 一、描述统计方法 |
| 二、SARIMA模型的原理和步骤 |
| 三、RNN-LSTM模型的原理和步骤 |
| 四、相关性趋势分析模型的原理和步骤 |
| 五、影响力趋势分析模型的原理和步骤 |
| 六、预测结果误差评价 |
| 第三章 空气质量统计分析系统的设计与实现 |
| 第一节 系统需求分析 |
| 一、数据处理需求 |
| 二、统计分析需求 |
| 第二节 系统总体设计与模块实现 |
| 一、系统总体设计与环境部署 |
| 二、数据预处理模块设计与实现 |
| 三、数据传输模块设计与实现 |
| 四、数据仓库模块设计与实现 |
| 五、数据统计分析模块设计与实现 |
| 六、数据可视化模块设计与实现 |
| 七、系统管理模块设计与实现 |
| 第三节 系统测试 |
| 一、数据仓库功能测试 |
| 二、统计分析功能测试 |
| 三、数据可视化功能测试 |
| 第四章 空气质量统计分析功能论述 |
| 第一节 空间分布分析任务论述 |
| 一、中国监测站点数据空间分布分析 |
| 二、中国城市数据空间分布分析 |
| 第二节 时间序列分析与预测任务论述 |
| 一、空气质量时间序列趋势分析 |
| 二、空气质量时间序列未来预测 |
| 第三节 气象因素影响趋势分析任务论述 |
| 一、代表城市选取 |
| 二、单个气象因素与AQI的相关性变化趋势 |
| 三、气象因素整体对空气质量的影响力趋势分析 |
| 第五章 研究总结与展望 |
| 第一节 研究总结 |
| 第二节 研究展望 |
| 参考文献 |
| 在读期间科研成果 |
| 附录 |
| 致谢 |
四、空气质量监测运行方式分析（论文参考文献）
- [1]江苏省人民政府办公厅关于印发江苏省“十四五”生态环境保护规划的通知[J]. 江苏省人民政府办公厅. 江苏省人民政府公报, 2022(01)
- [2]自治区人民政府办公厅关于印发宁夏回族自治区生态环境保护“十四五”规划的通知[J]. 宁夏回族自治区人民政府办公厅. 宁夏回族自治区人民政府公报, 2021(22)
- [3]环境空气自动化监测系统信息化质量控制策略分析[J]. 徐洁. 科技创新与应用, 2021(31)
- [4]西安市PM2.5时空特性研究及NARX神经网络模型预测[D]. 李市双. 西安理工大学, 2021(01)
- [5]生物转笼处理典型食品工业废水特性研究及其优化运行管理[D]. 游庆国. 重庆工商大学, 2021(08)
- [6]基于GCN-LSTM的空气质量预测系统的设计与实现[D]. 郭昆鹏. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [7]基于深度学习的大气环境监测系统关键技术研究[D]. 马元婧. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [8]企业自用型办公建筑健康性能评价指标研究[D]. 袁梦. 西安建筑科技大学, 2021(01)
- [9]乌海矿区空气质量监测及预警系统设计与实现[D]. 唐泰杰. 北京林业大学, 2020(02)
- [10]基于Hive数据仓库的中国空气质量统计分析系统的设计实现[D]. 张欣怡. 安徽财经大学, 2020(11)