基于TM数据估测森林植物碳储量方法研究

时间:2019-05-14 03:01:49下载本文作者:会员上传
简介:写写帮文库小编为你整理了多篇相关的《基于TM数据估测森林植物碳储量方法研究》,但愿对你工作学习有帮助,当然你在写写帮文库还可以找到更多《基于TM数据估测森林植物碳储量方法研究》。

第一篇:基于TM数据估测森林植物碳储量方法研究

3S技术在广东省森林资源监测中的应用

刘飞鹏魏安世

(1.广东省林业调查规划院,广东 广州,510500)

摘 要:介绍了3S技术在广东省多项森林资源监测工作(森林资源连续清查、森林资源二类调查、森林资源档案更新、采伐限额检查、林地征占用检查等)中的应用情况。

关键词:遥感 地理信息系统 全球定位系统 森林资源监测

11Application of RS,GIS and GPS Technology on Forest Inventory

in GuangDong Province

Liu Fei-Peng

1Wei An-Shi1

(1.Forestry Surveying and Designing Institute of GuangDong Provice,GuangZhou

510500,GuangDong)Abstract: This Paper introduced Application of RS,GIS and GPS Technology on Several Aspects of Forest Inventory which including Continued Forest Inventory、Forest Management Inventory、Renewal of Forest Files、Inspection of Cutting Quota and taking Forest Land in GuangDong Province.Key words:Remote Sensing, Geographic Information System, Globle Position System, Forestry Inventory

1. 3S技术概述

一般来说,3S技术分为狭义的3S技术和广义的3S技术,狭义的3S技术主要是指遥感(Remote Sensing,RS)技术,地理信息系统(Geographical Information System,GIS)和全球定位系统(Global Positioning System,GPS)三种现代高新技术。而广义的3S技术除包括遥感技术、地理信息系统、全球定位系统外还包括数据库技术、通信技术、网络技术等。随着军事和环境资源研究等方面的需要,3S技术由单一技术发展走向多技术、多学科集成发展、综合应用的趋势。

1.1遥感

从广义上说,遥感泛指从远处探测、感知物体或事物的技术。即不直接接触物体本身,从远处通过仪器(传感器)探测和接收来自目标物体的信息(如电场、磁场、电磁波、地震波等信息),经过信息的传输及其处理分析,识别物体的属性及其分布等特征的技术。通常遥感是指空对地的遥感,即从远离地面的不同工作平台上(如高塔、气球、飞机、火箭、人造地球卫星、宇宙飞船、航天飞机等)通过传感器,对地球表面的电磁波(辐射)信息进行探测,并经信息的传输、处理和判读分析,对地球的资源与环境进行探测和监测的综合性技术。当前遥感形成了一个从地面到空中,乃至太空,从信息数据收集、处理到判读分析和应用,对全球进行探测和监测的多层次、多视角、多领域的观测体系,成为获取地球资源与环境信息的重要手段。遥感技术应用具有以下特点:①监测范围大,具有综合、宏观的特点;②信息量大,具有手段多,技术先进的特点;③获取信息快,更新周期短,具有动态监测特点。

1.2地理信息系统

地理信息系统简称为GIS,关于它确切的全称,多数人认为是Geographical Information System,也有人认为是Global Information Science(地球信息科学),因此,对于地理信息系统,不同的部门和不同的应用者基于其目的不同,其定义也不尽相同,有点侧重于地理信息系统的技术内涵,有的则是强调地理信息系统的应用功能,综合两者,多数人认为地理信息系统是“由计算机硬件、软件和不同的方法组成的系统,该系统设计用来支持空间数据的采集、管理、处理、分析、建模和显示,以便解决复杂和规划的管理问题”。1.3全球定位系统

全球定位系统是指利用人造地球卫星进行点位测量、导航的一种新兴高新技术。现在的全球定位系统主要有美国的全球定位系统(GPS)、俄罗斯的全球定位系统(GLONASS)、欧洲空间局的欧洲导航卫星系统(ENSS,即伽利略计划,我国也有参与)。中国的北斗卫星定位导航系统,到2008年将建成在中国及周边国家运行的区域定位导航系统,到2020年左右将建成覆盖全球的定位导航系统。

2. 3S技术在广东省森林资源监测中的应用

2.1森林资源连续清查

为提高各类土地利用类型、沙化土地、石漠化土地和湿地资源面积的监测精度,满足森林资源连续清查制图需要,为逐步建立森林资源综合监测体系做准备。根据国家林业局要求,从森林资源连续清查第五次复查,应用双重分层抽样方法进行调查,即在进行地面样地调查的同时,在卫星影像图上布设遥感判读样地进行调查。3S技术的应用大力推进了森林资源连续清查的技术进步,将3S技术(遥感、地理信息系统、全球定位系统)、数据库技术、计算机网络技术作为国家森林资源连续清查体系的重要内容同步安排,同步实施,提高了连清样地复查工作效率及调查精度。

2002年,广东省森林资源连续清查第五次复查增加了遥感调查,采用人工目视判读的方法,以样地为单位进行判读。遥感判读样地数量为地面固定样地的8-16倍,2002年利用GIS在全省布设了44 562个遥感判读样地,在TM影像图上进行了地类、优势树种、郁闭度、沙化土地类型、湿地类型等因子的判读。样地判读范围是以公里网交叉点为中心3×3像素(地面90×90 m),即0.81 hm2。

2.2森林资源二类调查

全省第三次森林资源二类调查在调查手段上全面应用了“3S”(RS、GIS、GPS)技术。RS技术,即使用卫星遥感图像进行林地地籍小班勾绘及部分小班因子判读。本期二类调查采用法国SPOT5、空间分辨率达2.5米的高分辨率多光谱卫星遥感数据,经计算机图像增强处理,提高了小班界线勾绘的准确度;GIS技术,即把勾绘的小班界线清绘后,进行扫描数字化,利用GIS自动求算小班面积,使面积的求算工作更快捷、更准确。利用GIS布设各县蓄积量总体抽样调查控制点。利用GIS制作各种专题图件(如各市县遥感影像图、森林分布图、生态功能等级分布图等);GPS技术,即利用全球卫星定位系统对各县蓄积量总体抽样调查控制点进行定位,以便下期复位。

通过“3S”技术的集成应用,实现了对面积的计算机自动求算、统计分析、成图一体化。大大提高了工作效率和成果精度,并建立了全省的遥感影像、地理信息、林业专题空间信息及属性信息数据库,为后续各项林业工作打下坚实的基础。

2.3森林资源档案更新

上个森林经理期,广东省森林资源公告数据是基于森林资源档案更新工作的,由于各基层林业部门的档案更新数据的不准确,导致由基层档案汇总而来的全省森林资源数据同实际偏差较大的结果在所难免。

在2005年全省第三次森林资源二类调查本底调查结束之后,如何有效地进行每年度的森林资源监测及档案更新是迫在眉睫的问题。2006年,全省第一次应用3S技术进行了森林资源档案更新,为保障全省每年接收一次遥感影像,所以,遥感信息源采用中分辨率遥感影像(如Landsat TM5、CBERS、IRS-P6、SPOT2/

4、ASTER等)。通过两年度遥感图像的纠正、增强、植被变化信息分析、提取,结合上年度的森林资源地籍小班信息,可将发生突变的小(细)班提取出来,各县、区林业局(场)利用通过遥感信息检测出来的突变小(细)班,输入台帐,即生成新一年度的森林资源档案数据库。通过2006年实践检验,利用3S技术进行每年度的落实到小(细)班的森林资源监测与档案更新是可行的,不仅消除了传统更新方法的人为主观性,而且提高了更新的准确性及精度,还可以提供每年度的森林资源地籍小班空间及属性数据库。

2.4采伐限额检查与林地征占用检查

近几年,全省森林采伐限额检查与林地征占用检查均采用遥感资料结合GPS的方法,提高了检查效率和精度。在室内先利用遥感卫片有针对性地所有采伐迹地或被占用的林地进行分析,然后抽取受检单位,对照林木采伐许可证或年度森林资源地籍小班资料,很容易发现无证伐区或被非法占用的林地,这是野外踏查所无法比拟的。

但是,利用遥感数据辅助进行采伐限额检查也有其局限性,一是对采伐强度较低的伐区可能不敏感,对于主伐采伐强度一般大于40%的伐区,识别效果很好,但对抚育伐或渐伐的伐区效果不太理想;二是由于受卫片时相的局限,卫片反映的采伐迹地或被占用的林地与调查年度的起止时间不完全一致,这样就造成部分无证伐区或非法占用林地无法在卫片上识别出来,但这只是一小部分。由于目前的遥感技术迅猛发展,各种各样的遥感数据源不断涌现,遥感图像处理技术不断发展,我们有理由相信,今后遥感信息的快速获取、处理、分析将会达到准实时或实时。

2.5其它专项调查

借助于历史遥感信息及GPS精确定位,可以对森林案件进行面积测定,利用3S技术能克服传统方法的缺陷,提高森林案件面积测定精度及准确性,对毁林者毁林情况鉴定准确,法院可准确量刑。遥感影像分辨率越高,则鉴定精度越高,反之,精度就低。按目前遥感影像分辨率,利用3S技术对森林刑事案例进行面积测定,完全可满足鉴定精度。

目前,湿地属于林业部门主管,湿地资源越来越被社会各界广泛关注。广州市林业局于2006年组织了相关技术人员对全市进行了一次湿地资源本底调查,本次调查以2002年11月SPOT5高空间分辨率遥感影像为基础资料,在对遥感影像进行正射纠正、融合、增强等处理的基础上,以计算机图像目视解译为主,利用GPS进行重点实地调查并收集相关历史资料、图件(植被资料、红树林湿地调查资料、湿地野生动物资料、湿地生态环境资料、湿地社会经济状况资料等)进行分析研究,拟订湿地分类系统。然后进行图像处理和初步解译,建立影像解译标志,进行详细解译和精确勾绘湿地类型图斑,在SPOT5卫星影像上精确勾绘之后,再用2005年11月Landsat TM卫星影像将变化的湿地进行修正,经野外重点调查验证,补充修改后,在GIS软件支持下,建立广州市湿地资源空间数据库及属性数据库,进行图斑面积分类量算及统计,使用计算机编制了广州市湿地分布图。采用Visual C#.Net + ArcGIS Engine +Access2003为开发工具。开发了简单、易用的广州市湿地资源管理信息系统,便于今后广州市湿地工作的管理。

3.3S技术应用前景

3.1 制定林业信息化标准与规范,建立林业空间数据库 50多年以来,全省各级森林资源管理部门积累了大量的调查数据,包括多时相、多来源、海量的基础地理信息数据(多比例尺栅格和矢量地形图、覆盖全省的多期、多源遥感卫星影像、数字地面模型等)、森林资源与生态状况调查数据(一类、二类、三类调查)、多媒体资料、各种数表模型、计算公式等,形成多种形式、持续动态变化的调查数据集,是一笔宝贵的数据资源。但是,由于没有按统一标准建库,目前的数据管理仍停留在单机文件的管理模式上,相对比较粗放,阻碍了森林资源管理水平和工作效率的提高;因此,如何有效、安全、可靠的存储、管理、应用好这笔数据资源,提高林业资源管理水平,促进林业信息化建设,已经成为一个迫切需要解决的问题。制定全省森林资源与生态状况地理信息数据建库标准,无疑是解决这一问题的必要前提。

3.2 开发省、市、县森林资源与生态状况信息管理系统

组织技术力量研究、开发基于数据库技术、先进组件技术、网络技术、先进系统结构的省、市、县各级森林资源空间数据库管理信息系统,实现森林资源数据快速、动态、科学有效的管理。为各级林业管理和生产部门提供统一操作平台。

3.3 紧密结合实际工作,加强林业遥感定量估测研究

目前,林业遥感定量估测研究还有很多方面值得去做,如落实到小、细班的蓄积量、生物量遥感估测、基于结构信息提高遥感影像分类精度、各种调查因子的遥感反演模型及评价方法等,相关的科研成果也比较多,但和林业实际生产工作还有一定距离,应该注重实用性研究。

3.4 加强移动GIS、GPS与无线网络通迅集成的开发与应用

近几年,移动GIS、实时差分GPS、无线网络通迅技术迅速发展,这些技术的发展大大促进了森林资源监测手段的提高乃至对传统调查手段的革新,因此,应加强移动GIS、GPS与无线网络通迅集成的开发与应用研究,实现森林资源监测的数字化、无纸化。

3.5 开发基于“3S”的森林资源与生态状况动态监测系统

本底调查只能提供一次成果,但森林资源是动态变化的,需要开发基于“3S”的森林资源与生态状况动态监测系统,以向政府和社会提供每年度的森林资源与生态状况动态情况。

参考文献: 〔1〕 林寿明,魏安世.广东森林资源空间数据库管理信息系统设计与建设思路[J] 广东林业科技,2006,(3).〔2〕 余松柏,魏安世,张少根.3S技术在森林案例鉴定中的应用[J] 中南林业调查规划,2003,(4).〔3〕 叶荣华,孙向然,魏建祥等.应用遥感、GPS技术进行采伐限额执行情况检查[J] 林业资源管理,2002,(1).〔4〕 魏安世,李伟,陈鑫等.基于ArcGIS Engine的森林资源管理信息系统设计与开发 [J] 广东林业科技.2006,(2).〔5〕 王琪,张雄,魏安世.粤东森林防火地理信息系统设计与开发 [J] 中南林业调查规划.2006,(2).〔6〕 广东省森林资源与生态状况调查操作细则。广东省林业调查规划院内部资料.作者:刘飞鹏(1976-),男,广东台山人,从事森林资源监测工作。电话:020-87713521 *** 联系地址:广州市广园东路2001号 广东省林业调查规划院 邮编:510500

第二篇:低碳经济下管理会计方法研究论文

所谓低碳经济,是以低能耗、低污染、低排放为基础的经济发展模式。低碳经济着重强调的是能源的有效利用,其主要解决的是产业结构调整以及能源技术创新方面的问题。在低碳经济模式下,管理会计方法也应当实现创新,只有这样才能符合低碳经济的发展要求,才能够使广大会计管理人员实现发展观念的根本性转变。目前我国能源现状不容乐观,例如我国煤炭排放量居高等,因此我们更应当采取有效措施,积极构建低碳会计体系,帮助企业实现对低碳成本以及相关收益的计算,从而实现相关决策的科学判断。

1低碳经济模式下,实现管理会计的积极作用

众所周知,管理会计又被称之为内部报告会计,它主要以企业现阶段和未来的资金运动为运动对象,并以进一步提高企业经济效益为主要目的,帮助企业决策者进行科学决策,实现企业经济业务管理活动的有效开展。[1]除此之外,管理会计还要向企业的相关管理人员提供考核企业经济活动的依据,从而帮助企业管理人员实现科学管理。笔者通过长期的研究与实践认为,在低碳经济模式下,实现管理会计具有以下几方面积极作用。第一,实现对企业未来的科学合理的规划。低碳经济模式下,我国政府出台了一系列政策,来对企业的发展实行宏观调控。在这种情况下,企业必须实现科学决策。之所以进行决策的主要目的是为了更好地预测,而管理会计的应用则可以帮助企业管理者有效预测经济发展前景。管理会计人员在进行管理会计工作的时候,往往要充分考虑企业的实际发展情况,包括企业的经营总目标、经营方式方法等,并结合企业的实际经济效益,选择最合适的量化模型,从而对企业资金的变动、发展趋势以及企业未来经营成本做出更好的预测,这对企业管理者进行科学决策来说是非常有必要的。只有管理者在进行决策的时候,充分依据管理会计所提供的报告,才可以做出正确的决策,从而规避企业风险,实现企业经济效益的提高。[2]第二,实现企业经济资源的合理利用。低碳经济环境下,国家和社会大力倡导资源的合理利用,企业的经济资源也不例外。管理会计人员在利用保本分析和存货控制等现代的定量分析方式方法来科学评价企业的人力、物力和财力,并将这些资源的潜在优势充分地发挥出来,这对实现企业科学的决策,提高企业经济效益来说,具有非常重要的意义。第三,有利于充分调动企业的积极因素。在低碳经济模式下,企业必须充分调动自身的积极因素,只有这样,才能够实现自身的可持续发展。而管理会计的设计初衷就是为了实现合理管理企业,管理会计应当在日常的工作当中着重注意管理好员工的工作,只有这样,才能够培养员工工作的兴趣,调动员工工作的积极性,引导员工在工作的过程中,能够发挥自身的主观能动性,从而确保企业改革的顺利进行,实现我国企业制度的现代化,保障企业的可持续发展。

2管理会计现状

第一,缺乏健全的管理会计理论体系。目前我国所应用的管理会计理论大多是从其他国家引进过来的,这些理论在应用的过程中,就出现了与我国实际情况不相符合的问题,这对管理会计工作的开展是非常不利的。因此有必要形成一个与我国实际情况密切相连的管理会计理论体系。第二,核算手段相对比较落后。手工记账是目前我国较大部分企业记账的方法,虽然一些大型企业已经应用了电算化技术,但其应用范围仍然较小,利用效率也相对较低,这一现象不利于管理会计事前预测和事中控制能力的发挥。第三,管理会计在企业应用的范围较小。现阶段,虽然我国部分企业应用了管理会计,但与其他发达国家相比,范围仍然相对较小。[3]就这部分企业来说,他们在应用管理会计的过程中,往往参考了部分管理会计的理论与方法,对于管理会计能够进一步加强企业内部管理,实现企业经济效益提高的方式方法并没有得到应用。这就在一定程度上降低了管理会计的作用。第四,管理会计的应用过程存在一些问题。虽然管理会计的部分理论能够在企业管理活动中得到应用,但这种应用仍然处于一种分散状态。彼此之间缺乏紧密的联系,没有实现真正意义上的管理会计信息系统。

3低碳经济下管理会计发展的对策

第一,实现管理会计工作人员思想观念的创新。传统管理会计着重在企业内部的管理方面上,主要工作方式是通过有效降低企业产品生产成本来达到企业管理的目标。而在低碳经济模式下,我们有必要实现管理效率的进一步增加。由于现阶段信息传播和处理的速度得到了进一步加快,且经济环境的变化愈演愈烈,在这种情况下,企业所生产的产品和设备很快就会落后于企业的发展水平,那么在这种情况下,企业所占据的市场份额很有可能就会丧失掉。不仅如此,随着人们生活水平的不断提高,市场需求也发生了翻天覆地的变化,逐步向小批量、多批次的方向发展。[4]正因如此,笔者认为管理会计人员必须创新管理观念,从市场需求角度出发,根据战略管理要求,紧密注视社会意识的转变,从而达到实现企业整体效益进一步增强的目标。除此之外,管理会计人员还应当树立企业价值链管理新理念,及时调整企业生产经营活动,为企业的发展创造机遇。第二,要实现战略管理会计应用方向。所谓的战略管理会计,主要是指将管理会计与企业战略管理有机结合在一起,从而实现企业管理会计功能上的进一步拓展,促进管理会计的发展,将企业推向发展的新阶段。在低碳经济下,战略管理会计能够在企业的市场竞争中发挥重要的积极的作用。[5]首先,战略管理会计能够与企业发展的每一个战略层次结合在一起,从而帮助企业管理者在管理企业过程中做出科学的决策。其次,战略管理会计还有利于实现企业之间建立联系通道,对于企业各部门的信息资源处理来说,具有非常重要的意义。最后,战略管理会计还能够将企业竞争优势转变为市场上的竞争优势,进一步提高企业核心竞争力,实现企业内部运营效率的提高。第三,管理会计工作人员应当对典型案例进行深入的研究,实现理论与实际的有机结合。笔者通过长期的研究与实践认为,管理会计能否在我国得到更为广泛的推广,在很大程度上取决于我们能否对相应的典型案例进行归纳和整理。[6]比如,邯钢的“成本否决法”。如果从管理会计理论角度来对这一模式进行分析,不难发现其具有很多的新意,在实际应用过程中取得了较大的成功。因此相关企业工作人员充分借鉴成功经验,并与自身的实际情况有机结合,找出管理会计发展的新规律,从而进一步提高企业经营效率。第四,切实加强会计教育,实现管理会计人员素质的提高。近些年来,我国管理会计也得到了进一步的发展,但是在低碳经济模式下,我们还应当对企业员工进行定期或不定期的培训,使其掌握现代化的管理会计方式方法。从而打造一支专业的优秀的管理会计人员队伍。在知识经济环境下,企业员工尤其是管理会计人员的职能得到了进一步丰富,它要求管理会计人员具备较高水平的综合素质,为此,笔者认为,相关企业可以实现管理会计人员定期培训计划,并与高等院校实现合作,通过向广大管理会计人员讲述会计学科的相关知识的方式,增强会计管理人员的素质。在培训过程中,也应当注重培训方式的创新,应用案例教学法和多媒体教学法等方式,调动管理会计人员学习的兴趣和积极性。第五,进一步提高企业领导人管理会计意识。想要提高管理会计人员应用管理会计知识的水平,企业领导就必须树立管理会计意识。[7]如果企业在管理活动中没有树立管理会计意识,就可能在管理或决策的过程中忽视会计人员的预测和决策作用,在这种情况下,即使管理会计人员的水平再高,其所做决策再有用,也难以充分发挥作用。这就要求领导人员树立管理会计意识,并以身作则,通过充分发挥榜样的作用,来实现企业各层领导对管理会计的重视。除此之外,各级政府部门也应当在进行相关活动的时候,增添相应的管理会计内容或是管理会计知识。第六,要创新管理会计的技术方法。20世纪80年代以来,企业环境发生了翻天覆地的变化,生产控制系统开始追求零缺陷和零库存的目的,且开始采用弹性管理政策。不仅如此,企业也开始应用计算机控制技术,实现企业生产制造全过程的信息化。在这种新环境下,传统的管理会计技术方式方法已经难以满足社会和企业的发展需求,这种做法不利于管理会计捕捉世界级制造业发展进程,也难以实现对制造业成本信息的准确把控。在新的环境下,企业管理会计技术方法必须实现创新,在综合考虑企业生产成本以及经济效益和市场等诸多因素的前提下,来全面控制和管理企业产品的生产和经营过程。引进相应的成本作业和成本动因理念,更新传统管理会计的技术方法,推翻以往落后的传统成本形态认识,使管理会计能够向更加有效、更加务实的方向发展。不仅如此,在信息技术高速发展的今天,各企业还可以联合起来建立相应的信息反馈资源库,实现信息资源的互换,进一步提高信息的应用效率,从而有利于管理会计根据信息所提供的内容来实现管理会计工作的整体性调整。

4结论

总而言之,目前管理会计方式方法存在一定的问题,这些问题的存在不利于管理会计水平的进一步提高,甚至还会阻碍管理会计的发展。正因如此,我们必须对管理会计给予高度的重视,创新管理会计方式方法,使管理会计在低碳经济环境下能够发挥自身的积极作用,为管理会计水平的进一步提升奠定基础。

参考文献:

[1]李慧.低碳经济视角下管理会计的新发展———环境管理会计[J].现代经济信息,2014(4):227,241.[2]陆云芝.低碳经济视角下的管理会计框架调整[J].财会月刊,2013(18):107-108.[3]郑玲,肖序.资源流成本会计控制决策模式研究———以日本田边公司为例[J].财经理论与实践,2010(1):57-61.[4]王杰,朱晋,李玲.适用于低碳经济建设的会计核算方法———物质流成本会计[J].农业经济,2010(4):91-93.[5]汤俊霞,郭小婷.低碳经济下的企业会计管理的问题和建议[J].中外企业家,2015(29):85-87.[6]刘义江.浅议低碳经济下电力会计管理的完善策略[J].会计师,2015(22):71-72.[7]低碳经济下的管理减排与管理会计[J].中国总会计师,2016(2):141.

第三篇:开题报告_基于数据挖掘方法的学生课程推荐算法研究

基于数据挖掘方法的学生课程推荐算法研究

一、课题来源及研究的目的和意义

1.1 课题来源

计算机技术的进步,以及计算机网络建设的完善促使着社会信息化进程持续发展[1]。信息数据的获取、记录、保存、检索等操作也因为新技术的不断应用而变得更加方便快捷[2]。一方面,遍布各处的计算机网络终端设备打破了信息数据记录的时间和地域限制,让我们可以随时随地发送和接收数据;另一方面,存储速度越来越快的大容量电磁存储技术大大降低了信息数据存储的代价,使得记录并长时间保存海量数据成为现实。总体来说,在当今社会的各个领域中,信息数据的记录已经告别了“记账簿”形式的传统方式,迈入了电磁化存储的新时代[3]。信息数据存储需求与信息数据存储代价两者之间的矛盾进一步深化为信息数据存储数量激增与信息数据处理能力停滞不前的矛盾。简单的说就是“我们应该如何获取蕴涵于海量数据之中的信息?”这一问题。总所周知,信息处理是一个知识创造的过程。这个过程需要具有某领域专业知识的专家通过对数据进行分析来完成。数据的大爆炸使得整个信息处理过程不堪重负。在原始的信息处理方式日益不能满足信息处理的需求的背景下,在统计学、计算机科学、人工智能等多学科知识融合的基础上,数据挖掘方法应运而生,将数据处理和信息获取从原始的人工方式转向了大规模计算机自动化的方式,开辟了信息数据处理的新局面[4]。

教育是立国之本。随着我国改革开放的不断深化,教育事业正在逐步成为我国现代化建设过程中的一项重要工作[5]。我国的各项新教育政策的出台鼓励更多的青少年走进学校接受高等教育,为祖国的未来贡献自己的力量。到2020年,我国的大学入学率计划达到40%,较2006年提高了17%。在如此庞大的学生群体面前,人均可利用的教育资源正在逐年缩减。如何在有限教育资源的前提下,提高教育资源利用率是关系我国教育教学质量的重要问题之一。为此,需要我国的教育工作者深入研究我国目前的教育体制,提出合理化建议,健全我国教育教学体制,提高教学质量。衡量教学质量的关键因素是学生,量化学生学习质量的主要指标是学生成绩。面对3000万学生以及上亿的成绩数据,显然数据挖掘是必不可少的信息数据处理方法[6]。

1.2 课题研究目的和意义

我国的现代化教育体系建设起步虽然略晚于西方发达国家,但是其发展却相当快速,并且取得了长足的进步。其中最具代表性的就是目前广泛应用于各所高校中的学生成绩数据挖掘系统。由于不同高校在重点学科建设的倾向性不同,所以各个高校在系统建设的指导思想上和具体实施过程中都结合自身的特点有所取舍,不同系统之间取长补短,各具特色,形成一种“百家争鸣,百花齐放”的良性竞争局面。其中效果较好的方法是将系统分为数据获取、数据处理、信息挖掘、信息理解和结果应用五个模块[36-40]。在信息挖掘和信息理解模块,系统综合运用Apriori算法、C4.5算法、K-means算法和层次聚类等机器学习方法,构建完善的学生成绩分析平台[41,42,43]。于成的《数据挖掘在学生成绩分析中的应用》、武丽芬和孟强的《学生成绩数据挖掘的研究与实现》、朱燕燕的《学生成绩数据挖掘系统的设计与应用》、白玲的《数据挖掘在高校学生成绩分析中的应用》都是基于这种思想构建的教学平台。虽然这些方法在算法的具体细节上都具有各自的特点,但是它们的关注焦点都集中在对数据中关联规则的挖掘。通过有效地发现、理解、运用关联规则,能够使隐含于大量数据之中复杂而有用的知识为现代化教育系统的建设做出更大的贡献。这些系统所需的数据来源于多年来教学过程中积累的学生考试成绩。通过对这些数据的深度挖掘不难发现,学生成绩的高低不单单取决于课程本身,还会受到学科的课程设置、教学计划的制定、各门课程的先后顺序等诸多方面的影响。由此产生了学者关于“如何为学科设置课程”、“各门课程之间的相互关系”、“如何评定综合学生学科综合成绩”等问题的思考。经过高校教育工作者、领域专家学家多年来共同的研究与实践,我国已经探索出一条符合中国教育实际情况的发展之路。高校智能排课系统的出现正是其中[45,46,47]重要的成果之一。四川师范大学2008年在汪晓飞等学者的努力下,成功将遗传算法应用于求解排课问题中,取得了良好的效果。该方法分析对比确定了一系列影响排课问题的因素,将其作为约束条件建立排课问题最优化模型,通过遗传算法多代进化找到了科学合理的课程排列顺序。2011年大连交通大学的刘震根据实际的工作经验,在原有的研究基础上全面阐述了排课工作的原则、流程以及重点难点。针对排课问题中易出现的冲突,他应用关联规则算法加以解决,排除了排课问题中漏课重课的错误,减轻了人工排课的压力,提高了学生学习的效率。将智能排课与自动出题、考试成绩分析三者相结合,从根本上改变了传统教学方式下经验式排课、院系集中出题、教师人工阅卷的局面,将教师从繁重的教学辅助工作中解放出来,使其能够有更多时间指导学生的日常学习,答疑解惑[48]。

二、国内外在该方向的研究现状及分析

国内外学者已经从不同角度,不同侧重对这一问题进行了深入的研究与探讨。尤其是近年来,随着全世界对教育热点问题关注度的持续升温,许多新思想、新方法层出不穷。其中着重于学生考试成绩分析的研究方法一直是解决这一问题的热点[25,26,27]。印度学者Brijesh Kumar Baradwaj和Saurabh Pal在2011年发表的论文《Mining Educational Data to Analyze Students’ Performance》中提出一种通过分析学生考试成绩数据的方法来预测学生的表现。该方法首先通过在线考试系统获得学生的考试成绩数据,然后建立高校教育系统的数据挖掘模型,利用以ID3决策树为主的机器学习方法对模型中的数据进行分类,最终达到预测学生在学校学习情况的目的。与之相关的数据方法还包括Pandey和Pal提出的《Data Mining: A prediction of performer or underperformer using classification》。这种方法以学生的年级和先修课程为基础,以贝叶斯网络为手段,目的是预测初学者可能出现的学习情况。此类方法都是典型的机器学习方法。它们需要采集学生的多种信息数据作为算法的分析基础,通过多种机器学习方法相结合的方式构造数据挖掘模型,并将构造好的分析模型应用于具体的分类和回归问题中去[28,29]。除了上述的决策树学习算法和贝叶斯网络算法,常用的数据挖掘方法还包括聚类算法、神经网络算法、遗传算法和线性回归算法等[30-35]。利用准确的成绩预测模型,我们还可以继续深化关于问题的研究。例如Galit等在论文《Examining online learning processes based on log files analysis: a case study 》中描述了一种教学辅助系统就是对考试分析结果的再利用。该系统根据学生的学习情况,为学生提供必要的学习计划,督导学生按计划执行学习,帮助学生顺利通过最终的学科测验。

三、主要研究内容及创新点 3.1 主要研究内容

目前,我国的现代化教育体制综合信息平台主要分为以下四个方面[7]:第一,现代化远程教育系统;第二,基于海量题库的自动出题系统;第三,学生成绩的智能分析系统;第四,学科设计及教学计划的优化系统。上述四类系统基本涵盖了现代教育体系中从教育规划到教育实施的各个方面。如果这四部分能够相辅相成,相互融合形成一个有机整体,那么将会打开我国的教育现代化的新局面,使整个基础教育事业迈上一个新台阶[8]。但是在实施过程中,由于这四部分的难易程度有所区别,导致了它们的发展水平参差不齐。其中随着我国计算机硬件及其他辅助设备的不断普及和基础网络设施建设的不断完善,远程授课系统不断推陈出新,从最初的单向讲授形式发展到先进的双向交互形式,大大提升了学生的学[9]习兴趣和学习效果。而计算机自动出题系统的广泛应用已经彻底改变了原有考试形式的单一性,大大增强了考试的灵活性,同时也防止了考试试题泄露等不端行为[10-13]。在此基础上建立起来的考试评分系统,不仅大大缩短了考试成绩的评判周期,避免误判漏判现象的发生,从根本上维护了考试的公平公正原则。相比较上述几部分,我国的教育体系信息平台对于学生考试成绩的分析和利用,还停留在评价学生知识掌握的程度的单一层面上。事实上,考试制度的建立不单单是为了衡量学生对知识的记忆能力,而是为了通过考试这种形式来帮助学生找出学习过程中的不足,采取适当的方式加以指导,最终达到知识理解和再应用的目的[14,15,16]。更进一步的是,在国内外文化充分交流的今天,我国高校借鉴西方知名学府的先进经验,普遍采取了学分制的教学管理模式。这种新兴的教学模式能够激发学生自主学习的兴趣,有助于跨学科综合性人才的培养。在带给学生很高的学习自由度的同时,也使原先适应了传统教学习惯的学生面临新的挑战[17]。如何制定适合自己的学习计划是摆在每个学生面前的重要问题。毕竟面对种类繁多的学科,缺少学科深入认知的学生们只能凭着自己对学科内容的表面理解进行选择。这种摸着石头过河的学科选择方式显然是不可取的。因为这种做法既忽视了学生自身的特点,又没能提供必要的教学指导,很可能导致学生学习进度缓慢,甚至半途而废现象的出现[18,19]。

学校教育的最终目的之一是为学生就业做准备。对于在校学生,他们对今后工作所需技能的了解相对较少。因此,在选择课程时往往缺乏针对性,不能对今后的就业起到良好 的支撑。为了避免学生课程选择的盲目性,学校需要结合在校学生的具体情况和具有相似情况的毕业生的学习过程为其推荐适当的学习计划,并视学生在实际学习过程中的情况做出动态调整。这种量体裁衣式的课程教学方法使得每一个学生在学习过程中都能得到及时的指导,有助于学生学习兴趣的持续发展,有助于学生最终完成本学科的学习,掌握相关领域知识,在今后的就业过程中能够脱颖而出起到了良好的辅助作用[20,21,22]。

为了建立一个行之有效的学生学习指导体系,我们需要总结、分析一下四方面的问题:

1.学生的学习需求。学习的需求来源于学生的兴趣。在当今社会中,信息的获取易如反掌。学生根据自身的喜好,不断的在探索着信息海洋,并逐步积累起对某个学科最基本的认识。这是学生学科选择的原动力。同时,学生的学习需求还会受到社会就业需求的影响。随着学生对所学学科的深入了解,他们的学习倾向一般会朝着社会需求的方向发展。我们需要以此为出发点,指导学生进行合理的学习。2.学生的知识储备。学生在对某学科进行深入学习前,一般对该学科已经有了初步的认识。这是学科学习的重要前提。为了更好的进行深层次的学习,我们首先要求学生具有相关的学习基础。勿在浮沙筑高台。合理安排学习内容的先后顺序,对整个学科的学习质量有至关重要的影响。3.学生的成绩评价。大多数情况下,初学者不能对自己的学习状况做出正确的判断。正是由于这个原因,需要我们对学生的知识掌握程度做出正确的、客观的估计。其中最直接的方法就是量化学习成绩。也就是通过考试给学生的学习状况打分,以分数的高低作为其知识掌握程度的标准[23]。虽然考试成绩对学生学习状况的量化评价起到了重要的作用,但是需要注意的是学生的在校学习成绩是学生综合素质体现的一个方面,评价以就业为最终目标的学校教育必须以“学生是否就业”为根本标准。4.学生的继续学习。学校通过考试的形式来度量学生的学习效果,所以考试是已学知识的结束。学习是一个发展的过程,一种知识的获取往往会扩大学生的知识面,激发其新的学习兴趣,这就形成了新的学习需求。学习的目的,特别是基础知识的学习是为更深层次的专业知识学习做积累,所以考试也是未学知识的起点。通过已学知识的评价,估计未学知识的学习计划,是对学生成绩分析结果更充分的利用。

上述四个问题循环往复,既相互制约,又相互促进。如果能够正确处理其中的关系,使之形成一个可持续良性循环,那么将会大大增强学生的学习效果[24]。

3.2 创新点

1.通过关联规则挖掘方法和聚类算法确定课程与课程之间的教学顺序关系;

2.通过决策树生成算法完成学生就业满意度与课程选择之间关系的确定; 3.综合上述两方面,采用多种机器学习算法协同工作的方法完成课程推荐算法。

四、研究方案及进度安排,预期达到的目标

4.1 研究方案

当前各所高校都在如火如荼地创新教学理念,下大力度转变教师为院系服务为教师为学生服务,推广以学生个人发展促进学校发展的新思路。然而逐年的高校扩招,激增的学生数量使得教育资源特别是教师资源捉襟见肘。面对求知若渴的学生,更需要经验丰富的教师来指导他们的学习之路,充分激发他们的学习欲望,造就一批批具有牢固专业知识的人才,使其能够胜任今后的工作。“如何指导学生进行课程选择与进度安排”正是摆在每一名教育工作者面前的重要问题。本文立足上述优秀理论及实践的基础上,继承和发扬前人研究成果,意在将数据挖掘方法引入解决问题方案,使之能够根据学生的就业满意度等因素科学指导学生安排课程[49,50]。

数据挖掘工作以数据为基础,以算法为核心目标。为了完成学生指导工作,我们需要以下工作的定义:

1.数据挖掘的目标。本文目的是在综合分析已毕业学生的就业满意度与学生在2.3.4.5.6.校期间学科选择、考试成绩的关系,为在校学生制定符合其就业需求的学习计划。经过科学合理的总体计划和扎实的分步实施,最终使学生能够顺利达到学科学习的整体要求,在毕业后的就业过程中能够脱颖而出。

数据挖掘的模型。为了达到预期目的,我们需要建立一个预测模型。该模型以学生以往学生的就业满意度和实际学习情况作为参考,预测在校学生可能感兴趣的学习点,为其提供适当的学习课程。这个预测过程伴随学生整个在校学习期间,形成一个学生学习的发展路线图。在模型实现过程中,本文将预测模型细化为若干过程,可分为课程相关性分析、学生成绩分析、学生就业满意度分析三个主要过程。

数据挖掘所需数据的收集和整理。我们为数据挖掘模型所提供数据的质量直接影响其预测能力。一方面,准确记录的数据可以为模型提供正确的指导,而噪音数据的存在则可能误导预测模型。另一方面,并不是越多的数据就意味着越高的预测准确率。在信息过载的今天,获取数据绝非难事。但是无意义的或冗余的数据既提高了数据采集的代价,也延长了模型的构造时间。为了给数据挖掘模型提供充足的有用的数据,还需要在数据收集过程之后进一步对原始数据进行处理,去其糟粕取其精华。

数据挖掘算法的训练方法。选择什么样的方法对数据挖掘模型进行训练是论文整个工作的核心内容。本文的工作是由多个部分共同组成的,在各个不同的部分需要不同的训练算法。这些算法可以分为两类分类算法和聚类算法,其中分类算法主要用于学生成绩分析、学生就业满意度分析,聚类算法主要用于课程相关性分析。

数据挖掘算法的测试。经过对数据挖掘模型的训练,最终我们将得到一个用于学生课程选择的辅助系统。系统不断采集学生最新的就业满意度、学习课程、学习成绩信息加入数据库,然后根据学生信息库动态更新学生的学习计划。

数据挖掘的结果分析。该数据挖掘模型的优劣,最终需要由学生自己做出主观判断,并辅以全院系学生的整体就业满意度作为客观判断。最终综合二者得出的结果是判断“模型是否符合学生学习的要求”的主要依据。

4.2 研究进度安排

2012-04-05~2012-05-04

完成开题报告,提交指导教师。

2012-05-05~2012-08-04

收集相关资料,构思并确定写作大纲,请指导老师加

以修改。

2012-08-05~2012-10-04

撰写论文初稿。2012-10-05

完成论文初稿。

2012-10-06~2012-11-05

请指导老师对初稿提出修改意见,完成二稿。2012-11-06~2012-11-19

请指导老师对二稿进行指导并按老师的建议进行修

改,完成最终稿。

2012-11-20

提交论文最终稿。2012-11-20~2012-12-10

请评阅老师审阅,准备论文答辩幻灯片(PPT)。

4.3 预期达到的目标

1.得到课程与课程之间的序关系。根据课程度学科综合考试的贡献度确定哪些课程属于学科基础课程,哪些课程属于专业基础课程,哪些课程属于专业选修课程。指导学生在学习过程中学习的先后顺序。

2.理解学生就业满意度与课程选择之间的关系。在课程选择前先根据已毕业学生的就业状况为学生的课程选择提出合理化建议。总体教学遵循针对性学习的思想,使学生能够学以致用。

3.建立一个可应用于实践的学生自动课程推荐体系。切实解决学生被指导需求量大,教师资源不足的实际情况。使学生在学分制体系下,可以充分发挥自己的主观能动性,学有所长。

五、为完成课题已具备和所需的条件

5.1 已具备的条件

为了完成本课题的研究,我们需要从三个方面入手。或者说,这三个方面是研究得以开展的必备条件。其中首要条件是研究的理论支持。研究不是空想,需要以成熟的理论作为研究指导,否则就是空中楼阁。本文以目前广泛应用于各个领域的数据挖掘理论作为总的指导思想,并结合本课题的实际情况,辅以前人的优秀科研成果,三者结合为论文研究工作的顺利进行提供了坚实的基础。

其次,研究的价值体现在其实用价值上,不具有可行性的研究是毫无意义的。本文的研究过程是伴随着实验过程进行的。两者相辅相成,理论研究指导实验开展,实验过程完善理论体系。前一阶段的资料搜集和论文学习工作,目前本人已经具备了完成研究的理论知识和相关实验技能,这些都将成为完成论文研究的有力支撑。

最后,在数据挖掘过程中,数据是整个过程中最重要的资源。我国教学体制改革多年来积累的学生数据正是我们完成本课题研究的重要保障。

5.2 所需的条件

一年多的时间过去了,目前关于数据挖掘理论知识的学习,基本实验方法的实践和论文的搜集工作都已经告一段落,可以说论文的前期准备工作基本已经结束了。接下来的工作主要从两方面入手。第一,论文的写作。本论文的写作遵循提纲式写作方法,因此需要我们在论文搜集工作的基础上,进一步对这些论文进行整理,从而确定本论文的大体思路,列出论文提纲,为论文初稿写作做准备。第二,实验的开展。实验是本论文的重要组成部分,实验结果的好坏直接影响到研究的进展程度。因此,需要我们掌握扎实的实验操作知识,以保证实验工作的正确性。这些实验知识涉及到机器学习算法的伪代码编写、计算机软件设计与实现、程序的调试与排错、以及软件测试与算法分析。

六、预计研究过程中可能遇到的困难和问题以及解决的措施

在本课题的研究过程中,可能遇到存在的困难主要来源于实验数据的准备、算法的设计以及、实验结果的分析。下列给出了主要的困难及相应的解决办法:

1.实验数据的准备。本文的实验数据全部来源于高校的教学系统。但由于我国教育体制的不断改革,也使得系统所采用的数据记录方式存在一定的差异。为了得到形式统一的数据,还需要我们对一些未记录数据进行补充。在一定程度上,我们对数据的判断能力,决定了实验结果的可靠性。为此,我们首先要有严谨认的科学态度,通过数据挖掘中数据预处理和手工处理相结合的方式,最大程度上保证数据的正确性。2.算法的设计。算法是软件的灵魂。本文的算法设计包括算法的理论正确性和逻辑正确性。其中理论正确性是以本文的研究工作作为基础的,而逻辑正确性是以计算机软件设计方法作为基础的。

3.实验结果分析。实验结果直观反映了研究工作的正确性。通过对实验结果的分析,可以及时发现算法中存在的问题并做出调整。这其中一些的错误看似随机,影响了我们对算法的正确认识,需要我们反复进行实验,观察结果,认真分析,将算法中的错误减少到最低。

综上所述,在研究过程中需要我们广泛查阅文献、反复动手实验、积极深入思考,当然也少不了老师的悉心指导和同学们的热心帮助,才能更好地完成本课题的研究和本文的写作。

七、主要参考文献

[1] 张庆锋, 郑建明, 王育红.社会信息化进程测度指标体系之构建.情报科学, 2000, 09: 772-775.[2] 谢俊贵.我国社会信息化的涵义、作用及推进策略.情报理论与实践, 2002, 04: 244-248.[3] 王旭东.论社会信息化的影响与冲击——从当代历史进程到世界史研究.世界历史, 2007, 05: 43-52.[4] 罗晶.基于数据网格技术的远程教育系统的研究.南昌大学工学硕士论文, 2006.[5] 黄越岭.可视化远程教育管理系统研究.西南大学工学硕士论文, 2007.[6] 南翔宇.农村远程教育平台建设和服务体系研究.西北农林科技大学工学硕士论文,2008.[7] 李佳.基于IRT模型的题库智能组卷策略.江西师范大学工学硕士论文, 2007.[8] 李军.基于遗传算法的智能组卷系统研究.天津大学工学硕士论文, 2008.[9] 刘贝贝.基于推理与遗传算法的智能组卷模型与系统实现.烟台大学工学硕士论文,2009.[10] 贺敏之.基于遗传蚁群算法的智能组卷系统设计与实现.湖南大学工学硕士论文, 2010.[11] 赵志艳.基于遗传与蚁群混合算法的智能组卷问题探究.安徽大学工学硕士论文, 2011.[12] 杨葳.基于OLAP的成绩分析系统的研究.沈阳工业大学工学硕士论文, 2007.[13] 刘剑.改进聚类分析算法及其在成绩分析中的应用研究.大连交通大学工学硕士论文,2008.[14] 牛文颖.改进的ID3决策树分类算法在成绩分析中的应用研究.大连交通大学工学硕士论文, 2008.[15] 黄芳.基于数据挖掘的决策树技术在成绩分析中的应用研究.山东大学工学硕士论文,2009.[16] 刘海燕.基于决策树分类算法的学习成绩分析系统的设计与实现.电子科技大学工学硕士论文, 2011.[17] 汪晓飞.基于多维编码方案的遗传算法在高校排课系统中的应用.四川师范大学工学硕士论文, 2008.[18] 朱奉梅.遗传算法在高校排课系统中的研究与应用.东北大学工学硕士论文, 2009.[19] 王永刚.基于矩阵判别算法的高校自动排课系统设计与实现.电子科技大学工学硕士论文, 2010.[20] 王霞.基于多策略算法排课系统研究.西北农林科技大学工学硕士论文, 2010.[21] 刘震.基于关联规则算法的排课系统的应用研究.大连交通大学工学硕士论文, 2011.[22] Qinghua Hu, Lei Zhang, David Zhang, Wei Pan, Shuang An, Witold Pedrycz.Measuring relevance between discrete and continuous features based on neighborhood mutual information.Expert Systems with Applications, 2011, 38(9): 10737-10750.[23] Haihong Zhang, Cuntai Guan, Yuanqing Li.A linear discriminant analysis method based on mutual information maximization.Pattern Recognition, 2011, 44(4): 877-885.[24] Ai-Hua Jiang, Xiu-Chang Huang, Zhen-Hua Zhang, Jun Li, Zhi-Yi Zhang, Hong-Xin Hua.Mutual information algorithms Original.Mechanical Systems and Signal Processing, 2010, 24(8): 2947-2960.[25] Sombut Foithong, Ouen Pinngern, Boonwat Attachoo.Feature subset selection wrapper based on mutual information and rough sets.Expert Systems with Applications, 2012, 39(1): 574-584.[26] Ju Lynn Ong, Abd-Krim Seghouane.Feature selection using mutual information in CT colonography.Pattern Recognition Letters, 2011, 32(2): 337-341.[27] Sangjae Lee.Using data envelopment analysis and decision trees for efficiency analysis and recommendation of B2C controls.Decision Support Systems, 2010, 49(4): 486-497.[28] Fernando E.B.Otero, Alex A.Freitas, Colin G.Johnson.Inducing decision trees with an ant colony optimization algorithm.Applied Soft Computing, 2012, 12(11): 3615-3626.[29] Siva S.Sivatha Sindhu, S.Geetha, A.Kannan.Decision tree based light weight intrusion detection using a wrapper approach.Expert Systems with Applications, 2012, 39(1): 129-141.[30] Mehmet Ali Cavuslu, Cihan Karakuzu, Fuat Karakaya.Neural identification of dynamic systems on FPGA with improved PSO learning.Applied Soft Computing, 2012, 12(9): 2707-2718.[31] B.Vasumathi, S.Moorthi.Implementation of hybrid ANN–PSO algorithm on FPGA for harmonic estimation.Engineering Applications of Artificial Intelligence, 2012, 25(3): 476-483.[32] Haiyan Lu, Pichet Sriyanyong, Yong Hua Song, Tharam Dillon.Experimental study of a new hybrid PSO with mutation for economic dispatch with non-smooth cost function.International Journal of Electrical Power & Energy Systems, 2010, 32(9): 921-935.[33] Amitava Chatterjee, Fumitoshi Matsuno.A Geese PSO tuned fuzzy supervisor for EKF based solutions of simultaneous localization and mapping(SLAM)problems in mobile robots.Expert Systems with Applications, 2010, 37(8): 5542-5548.[34] U.Fayadd, Piatesky, G.Shapiro, and P.Smyth, From data mining to knowledge discovery in databases, AAAI Press / The MIT Press, Massachusetts Institute Of Technology.ISBN 0–262 56097–6, 1996.[35] J.Han and M.Kamber, “Data Mining: Concepts and Techniques,” Morgan Kaufmann, 2000.[36] S.T.Hijazi, and R.S.M.M.Naqvi, “Factors affecting student‟s performance: A Case of Private Colleges”, Bangladesh e-Journal of Sociology, Vol.3, No.1, 2006.[37] Z.N.Khan, “Scholastic achievement of higher secondary students in science stream”, Journal of Social Sciences, Vol.1, No.2, pp.84-87, 2005..[38] Galit.et.al, “Examining online learning processes based on log files analysis: a case study”.Research, Reflection and Innovations in Integrating ICT in Education 2007.[39] Q.A.AI-Radaideh, E.W.AI-Shawakfa, and M.I.AI-Najjar, “Mining student data using decision trees”, International Arab Conference on Information Technology(ACIT'2006), Yarmouk University, Jordan, 2006.[40] U.K.Pandey, and S.Pal, “A Data mining view on class room teaching language”,(IJCSI)International Journal of Computer Science Issue, Vol.8, Issue 2, pp.277-282, ISSN:1694-0814, 2011.[41] Shaeela Ayesha, Tasleem Mustafa, Ahsan Raza Sattar, M.Inayat Khan, “Data mining model for higher education system”, Europen Journal of Scientific Research, Vol.43, No.1, pp.24-29, 2010.[42] M.Bray, The shadow education system: private tutoring and its implications for planners,(2nd ed.), UNESCO, PARIS, France, 2007.[43] Vashishta, S.(2011).Efficient Retrieval of Text for Biomedical Domain using Data Mining Algorithm.IJACSA-International Journal of Advanced Computer Science and Applications, 2(4), 77-80.[44] Collier, K., Carey, B., Sautter, D., and Marjaniemi, C., “A methodology for evaluating and selecting data mining software,” in Proceedings of the 32nd Annual Hawaii International Conference on System Sciences, IEEE, 1999.Orange, University of Ljubljana, Slovenia, [45] Luan, J., Zhao, C.-M., and Hayek, J., “Exploring a new frontier in higher education research: A case study analysis of using data mining techniques to create NSSE institutional typology,” Paper presented at the California Association for Institutional Research, Anaheim, California, November 17-19, 2004.[46] Bekele, R.and Menzel, W., “A Bayesian approach to predict performance of a student(BAPPS): A case with Ethiopian students,” in Proceedings of the International Conference on Artificial Intelligence and Applications(AIA-2005), Vienna, Austria, 2005.[47] Minaei-Bidgoli, B., Kashy, D.A., Kortemeyer, G., and Punch, W.F, “Predicting student performance: an application of data mining methods with an educational web-based system,” in Proceedings of 33rd Annual Conference on Frontiers in Education(FIE 2003), volume 1, 2003, pages 13–18.[48] Romero, C., Ventura, S.(2007).Educational Data Mining: A Survey from 1995 to 2005.Expert Systems with Applications 33, 2007, pp.135-146.[49] Ma, Y., Liu, B., Wong, C.K., Yu, P.S., Lee, S.M.(2000).Targeting the right students using data mining.Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining, Boston, pp 457-464.[50] Luan, J.(2002).Data Mining and Its Applications in Higher Education.New Directions for Institutional Research, Special Issue titled Knowledge Management: Building a Competitive Advantage in Higher Education, Vol.2002, Iss.113, pp.17–36.[51] Luan, J.(2004).Data Mining Applications in Higher Education.SPSS Executive Report, SPSS Inc.[52] Minaeli-Bidgoli, B., Kashy, D., Kortemeyer, G., Punch, W.(2003).Predicting Student Performance: An Application of Data Mining Methods with the Educational Web-Based System LON-CAPA.33rd ASEE/IEEE Frontiers in Education Conference, 5-8 Nov 2003, Boulder, CO.[53] Kotsiantis, S., Pierrakeas, C., Pintelas, P.(2004).Prediction of Student’s Performance in Distance Learning Using Machine Learning Techniques.Applied Artificial Intelligence, Vol.18, No.5, 2004, pp.411-426.[54] Pardos Z., Heffernan N., Anderson B., and Heffernan C.(2006).Using Fine-Grained Skill Models to Fit Student Performance with Bayesian Networks.In Proceedings of the Workshop in Educational Data Mining held at the 8th International Conference on Intelligent Tutoring Systems(ITS2006), June 26, 2006, Taiwan.[55] Superby, J.Vandamme, J., Meskens, N.(2006).Determination of factors influencing the achievement of the first-year university students using data mining methods.Proceedings of the Workshop on Educational Data Mining at the 8th International Conference on Intelligent Tutoring Systems(ITS 2006).Jhongli, Taiwan, pp37-44.[56] Vandamme, J., Meskens, N., Superby, J.(2007).Predicting Academic Performance by Data Mining Methods.Education Economics, 15(4), pp405-419.[57] Cortez, P., Silva, A.(2008).Using Data Mining to Predict Secondary School Student Performance.EUROSIS, A.Brito and J.Teixeira(Eds.), 2008, pp.5-12.Dekker, G., Pechenizkiy, M., Vleeshouwers, J.(2009).Predicting Students Drop Out: A Case Study.Conference Proceedings of the 2nd International Conference on Educational Data Mining(EDM’09), 1-3 July 2009, Cordoba, Spain, pp.41-50.

第四篇:基于QAR数据的民航发动机排故方法研究分析论文

1引言

QAR C Quick Access Recorder)是民航飞机上装载的快速存取记录器,记录器介质通常为可擦写光盘或PCMCIA卡,记录时间可达数百小时,记录参数涵盖绝大部分飞行品质监控数据。飞机航后维护时,机务工程师对QAR记录的原始二进制数据进行译码,转换成所需的参数工程值,工程值是对飞行品质监控数据的真实还原。工程值包含高低压转子转速、排气温度、燃油流量、滑油压力、高度及空速等100多个模拟量,以及发动机引气、发动机火警、GPWS告警、防冰活门、起落架收放等200多个开关量,这些参数反映飞机运行过程中各种变化情况和性能状态,对监控操纵细节、保障飞行安全、提高运营效率起到了科学有效的保障作用。

QAR数据是飞行技术检查、安全调查评估、飞行故障排故的重要依据。怎样利用QAR数据对飞机发动机故障进行准确有效的排故,一直是机务工程师不断摸索、总结的重要经验。本文根据在长期工作实践中总结出的经验,提出利用发动机相关QAR数据的分析,准确地进行发动机疑难故障诊断,从而有效排除发动机故障的方法。重点研究对CFM56发动机的常见故障进行排故。

2发动机转子高振动值排故方法

CFM56发动机是双转子发动机,由低压转子N1和高压转子N2组成。AVM(AirborneVibrator Monitor,机载振动监视系统)和 QAR系统均能记录低压(转子)部分和高压(转子)部分的振动数值以及相对应的转速等参数。根据MM(Maintenance manual)手册要求,CFM56发动机通常情况下高、低压转子振动值超过3.0个单位则必须要求排故,检查确定不会导致二次损失后方能放行。若超过4.0个单位,则飞机无法放行。发动机在正常状态下高、低压转子的振动一般不会超过1.0个单位。为了保障航班正常运营,发动机的振动值达到2.5个单位以上,应采取相应的纠正措施。

2.1指示系统故障排故方法

当发动机出现振动值高的情况时,首先通过分析QAR数据判断发生高振动转子的位置、转速和飞行阶段等,确定是否为指示系统故障。因发动机工作环境相对恶劣,指示系统接头可能出现氧化、龟裂等现象,导致发动机振动指示值较高。指示系统故障,QAR数据显示为:发动机振动值高是在不同转速、不同飞行阶段随机出现,且是间歇性的。

处理这类故障的方法一般为:首先检查与振动相关的电气接头连接紧密性,线路完好性。如果确认与电气接头无关,则有可能是AVM内部问题,相应考虑对串或者更换AVM,然后再试车检查故障是否排除。实际排故当中,采用此种方法一般可消除指示系统故障。

2.2转子自身问题排故方法

波音737-300/400和737-700/800飞机分别装配的是CFM56-3C和CFM56-7B发动机。发动机在长期使用过程中,轴承和叶片磨损会加剧,燃烧室以及高、低压涡轮会不断积累灰尘,从而导致发动机转子不平衡,振动值过大。对不同航段的QAR数据,通常高振动值是出现在某个固定的转速下,并且是在相对固定的相位角下。

若是低压转子振动较高时,则应先对发动机进行目视检查,检查风扇叶片,进口导向叶片和低压涡轮可见部分叶片有无损伤,然后检查前后收油池磁堵来判断轴承有无磨损。在以上检查结果都完好的情况下,最后进行风扇叶片配平和叶片润滑来减少振动值。可通过风扇叶片配平和叶片润滑来减小振动值,通常可降低至1.0个单位以下。

若是低压转子振动较高时,航线上没有相应的措施以降低振动值,但可对发动机高压级进行孔探或者进行磁堵检测,以确认发动机无内部损失,在确认发动机无内部损伤后,可以继续监控使用,直至发动机被安排更换。EGT温度过高排故方法

3.1地面启动阶段EGT过高排故方法

CFM56发动机的EGT(exhaust gas temperature,排气温度)在启动阶段的限制值为725摄氏度。为避免飞机运行延误,确保正点率,启动阶段EGT若超过700摄氏度并持续出现时,应采取相应的维护措施。CFM56-3B发动机启动阶段EGT过高的主要原因有:VSV(Variable Stator Vane,可调静子叶片)调节出现偏差,或MEC(Main Engine Control,主发动机控制)内部磨损导致发动机富油。

若VSV出现偏差,QAR数据反映出的特征是:虽然启动阶段EGT过高,但FF(Fuel Flow,燃油流量)值不高。当发动机启动阶段EGT有超过700摄氏度的记录时,通过查看QAR数据包含的几个EGT较高航段对应的FF,FF通常不会高于1100 lbs,这种情况主要对VSV进行静态校装,调整VSV至正常位置即可排除故障。

若MEC磨损导致富油,QAR数据反映出的特征与前种情况相比,不但启动阶段EGT过高,而且FF也偏高,通常超过1 100 lbs,甚至超过1 200 lbs。出现此类故障,如启动阶段EGT和FF偏离不严重,在不影响放行时,可先进行高低慢车性能调节,使发动机在MM手册要求范围内继续安全工作,但由于MEC供油计划偏富油,只有更换MEC才能最终排除故障。

3.2爬升阶段EGT过高排故方法

导致爬升阶段EGT升高主要有三种原因:(1)EGT指示系统故障;(2)油路和气路控制系统故障;(3)发动机性能衰退,高压级工作效率低。根据QAR记录的数据分析,可以相对容易准确地判断导致爬升阶段EGT升高的原因。CFM56发动机不同型号对爬升阶段的超限值要求不同,CFM56-3C的超限值为930摄氏度,CFM56-7B的超限值为970摄氏度,当分别超过910摄氏度和920摄氏度时,应引起关注,对发动机进行密切监控和视情采取措施。

3.2.1 EGT指示系统故障

当爬升阶段EGT升高时,地面维护人员可收集最近阶段该发动机执飞时不同航段的QAR数据进行分析。如果观察到爬升阶段EGT升高,通常超过30摄氏度,而在相同N1下,FF和N2几乎没有变化,且故障之前相同N1下的EGT几乎也没有变化,则可基本判定为EGT指示系统故障。航后检查时可通过查看CDU(Control Display Unit控制显示组件)显示的故障代码,以查找相应的电气接头进行清洁或更换。

3.2.2发动机油路和气路控制系统故障

如果爬升阶段EGT升高,通过分析对比故障之前的QAR数据,发现巡航或者爬升状态下EGT,FF和N2均出现上升,在大功率状态下,EGT,FF和N2上升幅度尤为显著,此种情况表明发动机的油路或气路控制系统可能存在故障。排故时,可先排查VSV和V B V(Variable Bleed Valve,可调放气活门)等气路控制系统,在排除没有故障后,可检查MEC、燃油泵等油路控制部件故障。根据长期积累的排故经验,对于CFM56-3C发动机,多为VBV系统的问题,如VBV门卡阻,柔性驱动轴断裂造成某些VBV门密封不严,VBV马达或作动器失效导致VBV门无法动作等。

3.2.3发动机性能衰退

随着发动机服役时间的增加,发动机性能势必呈现出衰退趋势,从而导致爬升或巡航阶段EGT升高。结合QAR数据,由发动机性能衰退引起的EGT上升所表现出的数据特征为:相同N1下,EGT,FF,N2通常不会突然升高,高EGT值往往在高N1下出现,根据长期积累的排故经验,高EGT值通常在每天首次起飞或者在高原机场、高温天气下,飞机处于接近满载状态,或无减推力等情况出现时。此时应查看发动机性能报告,通过观察EGT温度来判断总体性能状况。对于波音737-300,若EGT温度已降至40摄氏度,波音737-400,若EGT温度已降至10摄氏度以下,说明发动机总体性能已下降。航线上可通过清洗发动机涵道,增加每天第一个航班的暖车时间,对飞机限飞高原机场,要求机组尽量使用减推力等,以延长发动机的在翼使用时间。

4利用QAR数据排故的注意事项

利用QAR记录的大量关于飞行品质和状态的监控数据,能够准确反映发动机参数的关联性,再现故障形式,确定故障特征,帮助机务工程师快速准确地排除故障。但也对机务工程部门和机务工程师提出了更高要求。对于机务工程部门而言,首先需要严格、高效、全程地收集、管理QAR译码数据,加强QAR系统维护,确保其能够可靠工作,并且能够承担起数据对比和分析的任务,为机务人员排故提供有力的技术支撑。同时机务工程师不仅要对飞机运行系统有深刻了解,注重排故经验的总结和交流,更需要掌握QAR提供的参数特性,分析数据背后的故障成因,培养利用QAR排故的意识和技能。

(1)必须明确采集参数的传感器位置和参数的物理意义。若无法明确参数表征的含义,会影响故障分析进程,所以应结合数据采集组件和飞机系统结构来确定参数。

(2)分析、对比QAR数据时,应注意参数的时间间隔。应选取能体现飞机前后运行状态明显的数据,过长的间隔对分析数据没有意义,过短的间隔由于相似性高而易造成干扰和误判。

(3)确定QAR数据的有效性。机务人员应结合发动机实际状态、运行环境、飞行时间等对数据进行鉴别,确保数据的有效性。

第五篇:进行北京城区绿地碳汇能力计量监测方法探索研究[定稿]

进行北京城区绿地碳汇能力计量监测方法探索研究 鉴于我市城区绿地系统多样性以及破碎性,在建立山区森林计量监测技术指南的同时,还需要专门建立一套适合城区公园、公路绿化带以及小区绿化的碳汇计量监测技术体系,并利用已经收集起来的实际调查数据来充分验证已经筛选出的技术方法。因此,课题研究小组以崇文区为试点区域开展了城区绿地碳汇能力计量监测的相关研究工作。通过崇文区2009年绿地树木每木检尺数据,充分挖掘利用现有的一元生物量方程和一元材积方程及生物量换算因子,采用生物量方程和生物量换算因子(结合一元材积方程)分别估计了崇文区2009年绿地树木生物量和碳储量,并以该估计值为参照,按尺度推绎方法和崇文区2009年绿地树木直径结构数据,按树种株数比例推算城八区2005年绿地树木生物量和碳储量,并分析比较了崇文区2005年和2009年绿地树木生物量和碳储量的变化情况,对崇文区绿地树木的碳汇潜力进行了评价。课题组还针对园林绿化工作生产实践需要,提出了在开展具体工作时如何开展增汇减排措施。

下载基于TM数据估测森林植物碳储量方法研究word格式文档
下载基于TM数据估测森林植物碳储量方法研究.doc
将本文档下载到自己电脑,方便修改和收藏,请勿使用迅雷等下载。
点此处下载文档

文档为doc格式


声明:本文内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:645879355@qq.com 进行举报,并提供相关证据,工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。

相关范文推荐