基于无线传感器网络的空气污染实时监测系统

为了解决现有空气污染监测系统所存在的可扩展性差、灵活性不强、应对突发性的空气污染事件的能力弱等问题,开发了一种基于无线传感器网络的空气污染实时监测系统,给出了系统的体系结构和软、硬件实现方法;采用了一种多层次的体系结构,该系统由无线传感器网络监测节点、汇聚节点、监控中心、控制终端、手机终端等组成;该测试系统对空气中一氧化碳及二氧化硫浓度进行了监测,每半小时采集一次监测数据。试验结果表明了该系统的实用性,适用于日常性及突发性的空气污染监测等领域。     

基于无线传感器网络的机房环境监控系统实现

针对目前机房环境监控系统存在的不足,利用无线传感器网络优点,提出了一种基于无线传感器网络的设计方案.从节点硬件选型、无线传感器组网、无线传感器节点软件设计,Sink节点软件设计,上层管理软件设计方面阐述了机房环境监控系统的实现.与传统的机房环境监控系统相比,该系统测量准确、便于部署、易于扩充,有利于降低系统成本.     

基于无线传感器网络的温室环境监控系统研究

为在完成温室内环境参数的自动采集和调控,设计了基于无线传感器网络的温室环境监控方案.介绍了温室监控系统整体结构,分析了基于CC2431无线传感器网络节点的硬件设计,并在此基础上进行了TinyOS操作系统的移植和节点的软件设计.由于该无线传感器网络节点具有功耗低、体积小、工作可靠、易于扩展等优点,基于该无线传感器网络的温室环境监控方案有很好的应用前景.     

无线传感器网络系统平台的开发与设计

基于SIA-MS_1.0硬件平台,在TinyOS操作系统下设计无线传感器网络研究平台。在该无线传感器网络平台上,设计了一个含多传感器的数据采集节点,并在数据链路层对该节点的发送帧进行了研究与设计。对完成的无线传感器节点进行测试、监控。实现了分布式无线传感器网络节点的功能。     

粮库检测系统的网络设计

针对大型粮库粮食存储环境监测点分散的现状,设计一种树状拓扑结构的无线传感器网络中央监测系统。该系统以ZigBee无线传输技术为核心,结合温湿度传感器模块,构成无线传感器网络检测子节点。系统能够对现场环境实时检测,同时通过路由节点将检测到的数据上传给上位机,其中路由节点采用无线传输方式与终端节点进行通讯,使得现场检测到的数据能够实时传送给中央监控计算机,最终实现粮库内部的多点检测及和实时监控。     

无线传感器网络便携式用户接口的设计与实现

重点考察无线传感器网络的人机交互问题,设计并实现了一种基于手持移动设备的无线传感器网络用户接口,以方便人们对传感器网络节点的灵活访问与控制。该用户接口搭建于Pocket PC平台,通过蓝牙与汇聚节点进行双向通信,从而实现对整个无线传感器网络系统的监控。用户可以通过便携式接口现场采集与处理传感器网络节点的数据,同时也可以发送指令对汇聚节点和普通节点进行各种设置。演示实验结果验证了该接口系统的可行性与有效性。     

井下实时监控无线传感器网络节点的设计与实现

针对煤矿井下环境在线监测的要求,提出了一种井下实时监控无线传感器网络节点的设计方法,详细介绍了无线传感器网络节点的硬件组成和软件设计。该节点通过微控制器和无线传输模块实时采集、处理、传输井下工作面的瓦斯浓度、CO浓度、温度、湿度等数据。测试结果表明,该节点控制方便、工作稳定,能实现可靠的无线网络传输。     

基于ZigBee的无线自组织网络货运列车轴温监测系统

ZigBee是一种新兴的短距离、低速率无线网络技术。基于ZigBee技术,我们设计并实现了一个用于货运列车轴温监测的无线自组织网络。该无线自组织网络由一系列车厢节点组成。后面的车厢节点(靠近车尾)需要依靠前面的车厢节点(靠近机车)路由转发它的轴温数据,直至传送到机车监控平台,达到对列车轴温实时监控的目的。     

一种面向多目标关联覆盖的无线传感器网络节点优化调度算法

提出一种面向多目标关联点覆盖的无线传感器网络节点优化调度算法D-MTAC．该算法基于数据挖掘中的关联规则和无线传感器网络的能量高效原则,通过挖掘随机部署的网络节点与待监控目标间的关联感知关系给出高频关联目标集,采用优化时间分片和动态自适应选择机制确定能够令责任节点工作状态与网络寿命实现最优匹配的优化调度决策集合．仿真结果表明：在保证目标监控质量的前提下,该算法能够有效降低网络累积能耗并延长网络寿命．     

小范围无线控制网络的研究

随着微电子技术、计算机网络技术和通信技术的发展,无线控制网络日益成为互联网领域研究的热点之一.无线控制网络具有"无处不在"和节点数量庞大等特点,适用于军事、智能家居、环境监测和预报、医疗护理、建筑物状态监控、工业控制等领域.提出一种基于MSP430单片机和CC1100射频收发器组成的无线控制网络节点以及由这种节点构成的小范围无线控制网络.该无线控制网络功耗低、节点体积小、通信可靠、安装布置方便,可以广泛应用于无线数据采集和控制系统.     

面向深度学习的空气质量预测研究进展

空气污染是影响公共卫生的重要因素, 空气质量预测是空气污染预警的关键, 是近年来环境学、统计学、计算机科学等领域中的热点研究课题. 本文综述了空气质量预测方法的研究现状与进展, 尤其对近年来新发展起来的深度学习方法在空气质量预测方面的应用进行了系统分析与总结. 首先, 介绍了空气质量预测方法的演变历程和空气污染数据集. 然后, 阐述了传统空气质量预测方法. 随后, 从时间信息、时空信息、注意力机制等角度出发, 重点分析和比较了现有面向深度学习的空气质量预测方法的进展. 最后, 对空气质量预测方法的未来发展趋势进行了总结与展望.     

基于单片机的地下人防工事排污控制系统

人防工程建设管理是一个复杂的系统工程。由于地下空间信息复杂,一直以来人防工程排污控制都无法实行智能化管理,从而妨碍了地下建设的发展。如：地下铁路、地下停车场等地下工程建设。随着单片机技术在控制领域的发展和应用的拓宽,使得单片机智能控制技术在复杂的地下人防工事排污控制系统中得到很好的应用。     

基于Spark+YARN的空气污染预报云平台设计

近年来我国空气污染导致的雾霾天气频繁发生,空气污染已经成为一个亟待解决的重要问题,其数值预报推广应用是一个难题,主要表现在数值预报系统的运行过程中计算量大,数据量大,在传统高性能计算集群中进行空气污染预报存在资源有限、复杂的并行化操作、批处理作业等待耗时等问题,尤其对于资源缺乏的研究团队,还存在基础设施昂贵而无法负担的问题。因此,如何利用有限的资源,为大气科学家提供一种基于云计算模式的高性能计算环境,提供可扩展、快速、廉价和动态可分配的计算和存储资源,是亟待解决的关键问题。研究一种基于Spark+YARN的空气污染数值预报的云平台,针对空气污染数值预报特点,为大气科学家提供一种空气污染数值预报大数据解决方案。     

大气污染暴露风险防控可视化决策支持平台

针对当前我国大气污染防治正逐步由污染治理转向风险防控,而现有空气质量监测设备和平台服务仅限于环境监测而非暴露监测的问题,设计研发了一套基于B/S架构的可视化综合分析与决策支持平台——大气污染暴露风险测量系统（APERMS）。首先,基于大气污染浓度监测数据和暴露时空行为活动模式,耦合集成污染浓度制图、个体暴露测量、人群暴露测量、暴露风险评价这一完整的大气污染暴露风险测量技术路线;其次,基于高可用和可靠原则,进行系统的总体架构设计、数据库设计和功能模块设计;最终,采用GIS与J2EE Web等技术,完成APERMS开发,实现了大气污染浓度分布高时空分辨率模拟、个体和人群大气污染暴露状况精准评估、大气污染暴露风险水平全方位评价等功能。APERMS主要应用于大气污染监控和环境健康管理行业,为风险规避和污染防控提供有效的技术支持。     

室外空气污染暴露规避健康路径规划服务

日常出行吸入空气污染物是公众空气污染暴露风险发生的主要途径之一。在我国当前仍有75.1%的城市环境空气质量超标背景下,如何有效降低室外日常出行空气污染暴露强度成为了公众防控大气污染健康损害的一种新需求。集成普通克里格空间插值方法、暴露剂量评估模型、Dijkstra路径搜索算法,设计与开发了面向Android智能手机终端的公众健康路径规划应用程序（APP）,实现了空气污染浓度动态变化情景下以暴露剂量为指标的健康路径出行规划功能。以室外PM2.5暴露为例的测试结果表明,APP服务规划下的健康路径相比最短路径和最快路径可分别降低出行个体5.0%和7.3%的暴露剂量,是一种公众规避空气污染暴露风险的有效路径规划服务。     

Air pollution forecasting based on attention-based LSTM neural network and ensemble learning

With air pollution having become a global concern, scientists are committed to working on its amelioration. In the field of air pollution prediction, there have been good results in experimental research so far, but few studies have integrated weather forecast information and the properties of air pollution drift. In this work, we propose a novel wind-sensitive attention mechanism with a long short-term memory (LSTM) neural network model to predict the air pollution - PM2.5 concentrations by considering the influence of wind direction and speed on the changes of spatial–temporal PM2.5 concentrations in neighbouring areas. Preliminary predictions for PM2.5 are then made by an LSTM neural network regarding neighbouring pollution; these predictions are “paid attention to” and we finally apply an ensemble learning method based on e X treme G radient B oosting (XGBoost) to combine the preliminary predictions with weather forecasting to make second phase predictions of PM2.5. The experiment is conducted using PM2.5 data and weather forecast data. Our results illustrate that the proposed method is superior to other methods in predicting PM2.5 concentrations, including multi-layer perceptron, support vector regression, LSTM neural network, and extreme gradient boosting algorithm.     

ON MODELLING OF SYSTEMS BY POLYDRICES

After a few preliminary examples, the paper introduces the concept of polydrices and its basic algebraic operations. As a first application, the problem of air pollution of a given area over a given time interval is given a holistic model using polydrices. The possibility of applying polydrix modelling to medicine is then discussed.     

A characteristic centred finite difference method for a 2D air pollution model

In this paper, we propose a characteristic centred finite difference method on non-uniform grids to solve the problem of the air pollution model. Numerical solutions and error estimates of the air pollution concentration and its first-order derivatives for space variables are obtained. The computational cost of the method is the same as that of the characteristic difference method based on a linear interpolation. The error order of the numerical solutions is the same as that of the characteristic difference method based on a quadratic interpolation. At last, we give numerical examples to illustrate feasibility and efficiency of this method.     

Collaborative virtual geographic environments: A case study of air pollution simulation

The integration of high dimensional geo-visualization, geo-data management, geo-process modeling and computation, geospatial analysis, and geo-collaboration is a trend in GIScience. The technical platform that matches the trend forms a new framework unlike that of GIS and is conceptualized in this paper as a collaborative virtual geographic environment (CVGE). This paper focuses on two key issues. One is scientific research on CVGE including the concept definition and the conceptual and system framework development. The other is a prototype system development according to CVGE frameworks for air pollution simulation in the Pearl River Delta. The prototype system integrates air pollution source data, air pollution dispersion models, air pollution distribution/dispersion visualization in geographically referenced environments, geospatial analysis, and geo-collaboration. Using the prototype system, participants from geographically distributed locations can join in the shared virtual geographic environment to conduct collaborative simulation of air pollution dispersion. The collaborations supporting this simulation happen on air pollution source editing, air pollution dispersion modeling, geo-visualization of the output of the modeling, and geo-analysis.     

基于M-ACO算法的空气污染源反演

为了解决空气污染源反演的盲目性和低效率问题, 本文提出了一种基于改进型蚁群算法(modified-ant colony optimization, M-ACO)的空气污染源反演方法. 利用点源高斯扩散模型建立污染源反演模型, 采取蚁群算法(ant colony optimization, ACO)来求解. 针对蚁群算法中存在的缺点, 引入遗传算法的选择交叉思想, 从而丰富种群的多样性来避免陷入局部极值; 同时设计奖惩因子机制, 对信息素更新规则进行改进来使算法更快地收敛, 进而归纳为M-ACO算法. 通过对比实验, 证明了M-ACO算法相比于传统ACO算法来说, 能够使得污染源的反演结果更准确和高效, 为空气污染源反演的实际应用提供了有效的理论支撑.