CN117786281B - 一种沉积物柱状样沉积速率与误差的优化计算方法 - Google Patents
一种沉积物柱状样沉积速率与误差的优化计算方法 Download PDFInfo
- Publication number
- CN117786281B CN117786281B CN202410199938.4A CN202410199938A CN117786281B CN 117786281 B CN117786281 B CN 117786281B CN 202410199938 A CN202410199938 A CN 202410199938A CN 117786281 B CN117786281 B CN 117786281B
- Authority
- CN
- China
- Prior art keywords
- sample
- deposition rate
- slope
- range
- scattered
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008021 deposition Effects 0.000 title claims abstract description 78
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title abstract description 5
- 239000013049 sediment Substances 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000002285 radioactive effect Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000013450 outlier detection Methods 0.000 description 7
- 238000013215 result calculation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种沉积物柱状样沉积速率与误差的优化计算方法,属于海洋生态技术领域。包括以下步骤:S1.获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值;S2.利用孤立森林法对所述散点值进行异常值剔除,得到散点样本子集;S3.对所述散点样本子集进行最小二乘法拟合得到斜率样本,并对所述斜率样本进行异常值剔除,得到斜率范围;S4.基于所述斜率范围,计算平均沉积速率和平均沉积速率误差。本发明能够更加准确地计算平均沉积速率与沉积速率范围,有利于给出沉积物样品的年代范围与误差,从而能够为相关领域研究人员进行相关学术研究与应用提供有效工具。
Description
技术领域
本发明属于海洋生态技术领域,具体涉及一种沉积物柱状样沉积速率与误差的优化计算方法。
背景技术
210Pb测年法作为一种在沉积物研究中较为常用的研究方法,利用同位素210Pb衰变的原理,可测定约近百年以来沉积物的沉积速率和绝对年代。这种方法对测试数据分析相对要求较高,受测试结果方程拟合准确度影响较大,现有测试结果分析方法在测试数据筛选与方程拟合过程中存在主观性强、拟合参数过于单一等不足,因此,优化数据筛选方法,提高拟合结果准确度对210Pb测年法准确定年具有重要意义。
发明内容
本发明旨在解决现有技术的不足,提出一种沉积物柱状样沉积速率与误差的优化计算方法,能够有效地消除沉积物柱状样平均沉积速率的测试数据分析影响因素,更加准确地测定沉积物的沉积速率与年代范围。
为实现上述目的,本发明提供了如下方案:
一种沉积物柱状样沉积速率与误差的优化计算方法,包括以下步骤:
S1.获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值;
S2.利用孤立森林法对所述散点值进行异常值剔除,得到散点样本子集;
S3.对所述散点样本子集进行最小二乘法拟合得到斜率样本,并对所述斜率样本进行异常值剔除,得到斜率范围;
S4.基于所述斜率范围,计算平均沉积速率和平均沉积速率误差。
优选的,所述S1包括:获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物,将所述不同深度沉积物的放射性活度记为x,深度记为y,获得N组所述散点值,其中/>。
优选的,所述S2包括:
利用孤立森林法对所述散点值进行异常值检测,并将检测出的异常值剔除,得到样本容量为K的散点样本;
将所述散点样本整合为样本容量为K-1的K个子集,得到所述散点样本子集Kj,其中。
优选的,所述S3包括:
以每一个所述散点样本子集Kj为数据源进行最小二乘法拟合,得到斜率样本kj;
基于所述斜率样本kj的均值和标准差/>:
。
基于所述均值和标准差/>,利用3σ法设定正常值范围/>;
当所述斜率样本kj超出所述正常值范围,则判定为异常值,并将所述异常值剔除,得到所述斜率范围。
优选的,所述S4包括:
利用210Pb测年法沉积速率换算公式计算沉积速率:
。
其中,S为沉积速率,为210Pb的衰变常数,/>,k为拟合所得的斜率值;
基于沉积速率得到所述沉积速率范围;
基于所述沉积速率范围,计算所述平均沉积速率和所述平均沉积速率误差:
。
与现有技术相比,本发明的有益效果为:
本发明使用孤立森林方法进行异常值检测,能够有效地减少传统上依赖经验研判异常值可能产生的主观影响。通过最小二乘法拟合,得到一系列的斜率范围值,相较于原来得到单一斜率,能够更加准确地计算平均沉积速率与沉积速率范围,有利于给出沉积物样品的年代范围与误差,从而能够为相关领域研究人员进行相关学术研究与应用提供有效工具。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程示意图;
图2为本发明实施例的***结构示意图;
图3为本发明实施例的原始数据的散点图;
图4为本发明实施例的异常值检测后的散点图;
图5为本发明实施例中去除点1的拟合结果示意图;
图6为本发明实施例中去除点2的拟合结果示意图;
图7为本发明实施例中去除点3的拟合结果示意图;
图8为本发明实施例中去除点4的拟合结果示意图;
图9为本发明实施例中去除点5的拟合结果示意图;
图10为本发明实施例中去除点6的拟合结果示意图;
图11为本发明实施例中去除点7的拟合结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:
在本实施例中,如图1所示,一种沉积物柱状样沉积速率与误差的优化计算方法,包括以下步骤:
S1.获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值。
S1包括:获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物,将不同深度沉积物的放射性活度记为x,深度记为y,获得N组散点值,其中/>。
S2.利用孤立森林法对散点值进行异常值剔除,得到散点样本子集。
S2包括:利用孤立森林法对散点值进行异常值检测,并将检测出的异常值剔除,得到样本容量为K的散点样本;将散点样本整合为样本容量为K-1的K个子集,得到散点样本子集Kj,其中。
S3.对散点样本子集进行最小二乘法拟合得到斜率样本,并对斜率样本进行异常值剔除,得到斜率范围。
S3包括:以每一个散点样本子集Kj为数据源进行最小二乘法拟合,得到斜率样本kj;基于斜率样本kj的均值和标准差/>:
。
基于均值和标准差/>,利用3σ法设定正常值范围/>;当斜率样本kj超出正常值范围,则判定为异常值,并将异常值剔除,得到斜率范围/>。
S4.基于斜率范围,计算平均沉积速率和平均沉积速率误差。
S4包括:利用210Pb测年法沉积速率换算公式计算沉积速率:
。
其中,S为沉积速率,为210Pb的衰变常数,/>,k为拟合所得的斜率值;基于沉积速率得到沉积速率范围/>;基于沉积速率范围,计算平均沉积速率和平均沉积速率误差:
。
实施例二:
在本实施例中,还提供了一种沉积物柱状样沉积速率与误差的优化***,如图2所示,包括:散点获取模块、子集生成模块、斜率计算模块和结果计算模块;
散点获取模块用于获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值。
散点获取模块的工作流程包括:获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物,将不同深度沉积物的放射性活度记为x,深度记为y,获得N组散点值,其中/>。
子集生成模块用于利用孤立森林法对散点值进行异常值剔除,得到散点样本子集。
子集生成模块包括:第一异常值剔除单元和子集生成单元;第一异常值剔除单元利用孤立森林法对散点值进行异常值检测,并将检测出的异常值剔除,得到样本容量为K的散点样本;子集生成单元将散点样本整合为样本容量为K-1的K个子集,得到散点样本子集Kj,其中。
斜率计算模块用于对散点样本子集进行最小二乘法拟合得到斜率样本,并对斜率样本进行异常值剔除,得到斜率范围。
斜率计算模块包括:拟合单元、均值标准差计算单元、范围设定单元和第二异常值剔除单元;拟合单元以每一个散点样本子集Kj为数据源进行最小二乘法拟合,得到斜率样本kj;均值标准差计算单元基于斜率样本kj的均值和标准差/>:
。
范围设定单元基于均值和标准差/>,利用3σ法设定正常值范围/>;第二异常值剔除单元用于当斜率样本kj超出正常值范围,则判定为异常值,并将异常值剔除,得到斜率范围/>。
结果计算模块用于基于斜率范围,计算平均沉积速率和平均沉积速率误差。
结果计算模块包括:速率计算单元、范围计算单元和结果计算单元;速率计算单元利用210Pb测年法沉积速率换算公式计算沉积速率:
。
其中,S为沉积速率,为210Pb的衰变常数,/>,k为拟合所得的斜率值;范围计算单元基于沉积速率得到沉积速率范围/>;结果计算单元基于沉积速率范围,计算平均沉积速率和平均沉积速率误差:
。
实施例三:
在本实施例中,将设计一种程序来实现本发明的优化方法。
S1.获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值。
S1包括:获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物,将不同深度沉积物的放射性活度记为x,深度记为y,获得N组散点值,其中/>。
S2.利用孤立森林法对散点值进行异常值剔除,得到散点样本子集。
S2包括:利用孤立森林法对散点值进行异常值检测,并将检测出的异常值剔除,得到样本容量为K的散点样本;将散点样本整合为样本容量为K-1的K个子集,得到散点样本子集Kj,其中。
孤立森林(Isolation Forest)是一种用于检测异常值的机器学习算法,其原理相对简单而有效。孤立森林的核心思想是利用树结构的快速分割能力,将异常点相对较快地孤立出来。由于异常点通常需要更少的分割步骤才能被隔离,因此它们在多棵树中的路径较短,使得异常度相对较高。这种方法对于大规模数据集中的异常检测具有较好的性能。
在本实施中,使用Python中的scikit-learn来实现本步骤。scikit-learn 是一个常用的机器学习库,提供了Isolation Forest的实现。具体代码如下:
# 创建并拟合孤立森林模型
model = IsolationForest(contamination=0.3)
model.fit(data)
# 预测数据点的异常得分
outliers = model.predict(data)
# 根据异常得分筛选数据
inliers_data = data[outliers == 1]
outliers_data = data[outliers == -1]
# 分离筛选后的X和Y
inliers_X = inliers_data[:, 0]
inliers_Y = inliers_data[:, 1]。
S3.对散点样本子集进行最小二乘法拟合得到斜率样本,并对斜率样本进行异常值剔除,得到斜率范围。设剔除异常点后的散点样本子集为:
。
S3包括:以每一个散点样本子集Kj为数据源进行最小二乘法拟合(拟合形式为),得到斜率样本kj。
在本实施例中,利用Python实现拟合,具体代码如下:
# 循环进行拟合
# 循环进行拟合
for i in range(len(inliers_X)):
# 选取除去第i个元素的其他索引
indices = [idx for idx in range(len(inliers_X)) if idx != i]
selected_X = inliers_X[indices].reshape(-1, 1)
selected_Y = inliers_Y[indices]
# 创建并拟合最小二乘法线性回归模型
lr = LinearRegression()
lr.fit(selected_X, selected_Y)
# 计算拟合曲线的斜率和R^2
slope = lr.coef_[0]
r2 = r2_score(selected_Y, lr.predict(selected_X))
slopes.append(slope)
r2_values.append(r2)
# 绘制散点图和拟合曲线,每次使用不同颜色
plt.figure(figsize=(8, 6))
plt.scatter(selected_X, selected_Y, color='black', label='SelectedPoints')
plt.plot(selected_X, lr.predict(selected_X), label=f'Fitted Line(R^2={r2:.2f})')
plt.text(0.5, 25, f'Y = {slope:.2f}X + {b:.2f}', fontsize=12)
plt.xlabel('X')
plt.ylabel('Y')
plt.title(f'Scatter Plot with Fitted Line (Excluding point {i+1})')
plt.xlim(0, 11)
plt.ylim(40, 0)
plt.xticks(np.arange(0, 11, 1))
plt.grid(True)
plt.legend()
plt.grid(True)
plt.show()。
基于斜率样本kj的均值和标准差/>:
。
基于均值和标准差/>,利用3σ法设定正常值范围/>;3σ法则的应用:大约68%的数据点在均值的一个标准差范围内,95%在两个标准差范围内,99.7%在三个标准差范围内。大致规则为:范围/>包含约 68% 的数据;范围包含约95%的数据;范围/>包含约99.7%的数据。
当斜率样本kj超出正常值范围,则判定为异常值,并将异常值剔除,得到斜率范围。
本实施例中,使用Python实现异常值剔除,具体代码如下:
# 将斜率列表转换为 numpy 数组,以便进行异常值检测
slopes_arr = np.array(slopes)
# 计算斜率的均值和标准差
mean_slope = np.mean(slopes_arr)
std_dev_slope = np.std(slopes_arr)
# 定义异常值的阈值(使用3倍标准差规则)
threshold = 3 * std_dev_slope
# 使用3倍标准差规则检测异常值
outliers = np.abs(slopes_arr - mean_slope)>threshold
# 过滤掉异常值,并保留剩余的斜率
xinslopes = slopes_arr[~outliers].tolist()
# 打印剔除异常值后剩余的斜率
print("剔除异常值后剩余的斜率:")
print(xinslopes)。
S4.基于斜率范围,计算平均沉积速率和平均沉积速率误差。
S4包括:利用210Pb测年法沉积速率换算公式计算沉积速率:
。
其中,S为沉积速率,为210Pb的衰变常数,/>,k为拟合所得的斜率值;基于沉积速率得到沉积速率范围/>;基于沉积速率范围,计算平均沉积速率和平均沉积速率误差:
。
在本实施例中,使用使用Python实现结果的计算,具体代码如下:
# 计算每个斜率对应的平均沉积速率
avg_sedimentation_rates = [slope * 0.03114 for slope in xinslopes]
# 输出每个平均沉积速率
print("Average Sedimentation Rates:")
for rate in avg_sedimentation_rates:
print(rate)
# 计算平均沉积速率范围
avg_sedimentation_rate_min = min(xinslopes) * 0.03114
avg_sedimentation_rate_max = max(xinslopes) * 0.03114
print("Range of Average Sedimentation Rate:", avg_sedimentation_rate_min, "to", avg_sedimentation_rate_max)。
实施例四:
在本实施例中,以某海域一根沉积物柱状样品为例介绍本发明,该沉积物柱状样品210Pb测试结果如表1所示:
表1
通过孤立森林方法(Isolation Forest)对散点值开展异常值检测,原始数据的散点图为图3,异常值检测后的散点图为图4。
之后对图4中的8个点进行最小二乘法拟合,不重复地挑选七个点分别进行拟合,拟合后结果如图5-图11所示。
通过拟合曲线的斜率进而我们可以求得平均沉积速率(cm/a),得到的拟合的斜率、R^2、平均沉积速率(cm/a)如表2所示。
表2
根据表中数据,我们可以计算得到我们得到平均沉积速率(cm/a)范围大致为:[0.6792,0.82021],平均沉积速率0.7497 cm/a,平均沉积速率误差为0.0705 cm/a。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (1)
1.一种沉积物柱状样沉积速率与误差的优化计算方法,其特征在于,包括以下步骤:
S1.获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物的散点值;
S2.利用孤立森林法对所述散点值进行异常值剔除,得到散点样本子集;
S3.对所述散点样本子集进行最小二乘法拟合得到斜率样本,并对所述斜率样本进行异常值剔除,得到斜率范围;
S4.基于所述斜率范围,计算平均沉积速率和平均沉积速率误差;
所述S1包括:获取沉积物柱状样本,通过210Pb放射性测试获得不同深度沉积物,将所述不同深度沉积物的放射性活度记为x,深度记为y,获得N组所述散点值,其中;
所述S2包括:
利用孤立森林法对所述散点值进行异常值检测,并将检测出的异常值剔除,得到样本容量为K的散点样本;
将所述散点样本整合为样本容量为K-1的K个子集,得到所述散点样本子集Kj,其中;
所述S3包括:
以每一个所述散点样本子集Kj为数据源进行最小二乘法拟合,得到斜率样本kj;
基于所述斜率样本kj的均值和标准差/>:
基于所述均值/>和标准差/>,利用3σ法设定正常值范围;
当所述斜率样本kj超出所述正常值范围,则判定为异常值,并将所述异常值剔除,得到所述斜率范围;
所述S4包括:
利用210Pb测年法沉积速率换算公式计算沉积速率:
其中,S为沉积速率,/>为210Pb的衰变常数,/>,k为拟合所得的斜率值;
基于沉积速率得到所述沉积速率范围;
基于所述沉积速率范围,计算所述平均沉积速率和所述平均沉积速率误差:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199938.4A CN117786281B (zh) | 2024-02-23 | 2024-02-23 | 一种沉积物柱状样沉积速率与误差的优化计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199938.4A CN117786281B (zh) | 2024-02-23 | 2024-02-23 | 一种沉积物柱状样沉积速率与误差的优化计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786281A CN117786281A (zh) | 2024-03-29 |
CN117786281B true CN117786281B (zh) | 2024-06-25 |
Family
ID=90394792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199938.4A Active CN117786281B (zh) | 2024-02-23 | 2024-02-23 | 一种沉积物柱状样沉积速率与误差的优化计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786281B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220061569A (ko) * | 2020-11-06 | 2022-05-13 | 한국과학기술연구원 | 이상치 탐지 및 제거 방법 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005274330A (ja) * | 2004-03-24 | 2005-10-06 | Umahara Midori | 土砂沈殿堆積速度推定方法 |
JP4797070B2 (ja) * | 2007-01-15 | 2011-10-19 | アンリツ株式会社 | ランダムエラー分布評価方法及びその評価装置 |
DE102011112292B4 (de) * | 2011-09-05 | 2014-04-17 | Helmholtz-Zentrum für Ozeanforschung Kiel (Geomar) | Verfahren zur Verifikation von Alters-Tiefen-Beziehungen von Gestein in Sedimentbecken |
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天***工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
CN109300108B (zh) * | 2018-07-27 | 2021-06-18 | 昆明理工大学 | 一种基于统计和多高斯的日面亮度分析方法 |
CN109459349B (zh) * | 2018-12-13 | 2020-12-15 | 中国科学院烟台海岸带研究所 | 一种人工湿地短期沉积速率的测定方法 |
CN109919186A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 异常点比例优化方法、装置、计算机设备及存储介质 |
CN110320434B (zh) * | 2019-07-03 | 2020-09-25 | 山东大学 | 基于零序电流波形区间斜率曲线的高阻故障辨识方法及*** |
CN110737874B (zh) * | 2019-09-02 | 2021-04-20 | 中国科学院地理科学与资源研究所 | 一种基于空间关系的流域水质监测异常值检测方法 |
CN112345759B (zh) * | 2020-11-16 | 2022-07-12 | 三诺生物传感股份有限公司 | 一种用于荧光强度峰检测的方法 |
US20220398417A1 (en) * | 2021-06-15 | 2022-12-15 | Samsung Electronics Co., Ltd. | Methods and systems for maximum consistency based outlier handling |
CN114004139A (zh) * | 2021-09-24 | 2022-02-01 | 沈阳工程学院 | 一种光伏发电功率预测方法 |
DE202022100545U1 (de) * | 2022-01-31 | 2022-02-15 | Palani Balamurugan | Ein Seenmanagementsystem zur Ermittlung der bestehenden Bedingungen und zur Vorwegnahme möglicher Entwicklungen |
CN114970977A (zh) * | 2022-05-07 | 2022-08-30 | 新智道枢(上海)科技有限公司 | 数字化城市空气质量监测数据的异常数据检测方法及*** |
CN114969645A (zh) * | 2022-05-24 | 2022-08-30 | 中国航空发动机研究院 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
CN114997313B (zh) * | 2022-06-07 | 2024-05-07 | 厦门大学 | 一种海洋在线监测数据的异常检测方法 |
CN115040121A (zh) * | 2022-06-23 | 2022-09-13 | 天津大学 | 一种利用脉搏波上升沿优化提取的动态光谱数据处理方法 |
CN115357764A (zh) * | 2022-08-18 | 2022-11-18 | 深圳前海微众银行股份有限公司 | 一种异常数据检测方法及装置 |
CN116975748A (zh) * | 2023-07-26 | 2023-10-31 | 四川中烟工业有限责任公司 | 一种烟支重量标准偏差精准诊断方法 |
CN117200181A (zh) * | 2023-08-08 | 2023-12-08 | 大连理工大学 | 一种基于DBSCAN-EM-GMM和Web技术的光伏发电量预测方法 |
-
2024
- 2024-02-23 CN CN202410199938.4A patent/CN117786281B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220061569A (ko) * | 2020-11-06 | 2022-05-13 | 한국과학기술연구원 | 이상치 탐지 및 제거 방법 |
Non-Patent Citations (1)
Title |
---|
渤黄海粘土粒级沉积物地球化学记录对物源和沉积环境的释读;塔金璐;中国优秀硕士论文全文库 基础科学辑;20150215;第15-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786281A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109158953B (zh) | 一种刀具磨损状态在线监测方法及*** | |
CN111340063B (zh) | 一种磨煤机数据异常检测方法 | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN110083803B (zh) | 基于时间序列arima模型取水异常检测方法与*** | |
CN109446184B (zh) | 基于大数据分析平台的发电大数据预处理方法及*** | |
CN112529240A (zh) | 一种大气环境数据的预测方法、***、装置及存储介质 | |
CN116519895B (zh) | 一种基于大数据平台的水质在线监测分析管理*** | |
CN113658640A (zh) | 一种淡水生态***健康评价方法 | |
CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN110619418A (zh) | 一种基于混合模型组合算法的多特征水质预测方法 | |
CN116701885A (zh) | 一种废水处理数据采集分析方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN113554621A (zh) | 基于小波尺度图和深度迁移学习的刀具磨损状态识别***及识别方法 | |
CN115356276A (zh) | 含有固体残留物的检测试剂的吸光度值估计方法及*** | |
CN117786281B (zh) | 一种沉积物柱状样沉积速率与误差的优化计算方法 | |
CN116483807A (zh) | 一种土壤污染物环境与毒性数据库构建方法 | |
CN111459921A (zh) | 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法 | |
CN111598298A (zh) | 一种选煤厂浮选药剂加药量的预测方法 | |
CN116881747B (zh) | 基于医疗废水监测的智能处理方法及*** | |
CN113554079A (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及*** | |
CN116823047A (zh) | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 | |
CN113590663B (zh) | 一种环境检测方法及*** | |
CN116843605A (zh) | 一种基于ai算法的果蔬缺陷检测方法和*** | |
CN114970722A (zh) | 一种污染物识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |