一种改进的放射性气体扩散高斯预估模型算法_李世威

2011数学建模A题优秀论文

承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们参赛选择的题号是（从A/B/C/D中选择一项填写）：我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：参赛队员(打印并签名) ：1. 2. 3. 指导教师或指导教师组负责人(打印并签名)：日期：年月日赛区评阅编号（由赛区组委会评阅前进行编号）：

编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：

基于系统综合评价的城市表层土壤重金属污染分析摘要本文针对城市表层土壤重金属污染问题，首先对各重金属元素进行分析，然后对各种重金属元素的基本数据进行统计分析及无量纲化处理，再对各金属元素进行相关性分析，最后针对各个问题建立模型并求解。针对问题一，我们首先利用EXCEL 和 SPSS 统计软件对各金属元素的数据进行处理，再利用Matlab 软件绘制出该城区内8种重金属元素的空间分布图最后通过内梅罗污染模型：2 /12 max 22?? ? ? ??+=P P P 平均综，其中平均P 为所有单项污染指数的平均值，max P 为土壤环境中针对问题二,我们首先利用EXCELL 软件画出8种元素在各个区内相对含量的柱状图，由图可以明显地看出各个区内各种元素的污染情况，然后再根据重金属元素污染来源及传播特征进行分析，可以得出工业区及生活区重金属的堆积和迁移是造成污染的主要原因，Cu 、Hg 、Zn 主要在工业区和交通区如公路、铁路等交通设施的两侧富集，随时间的推移，工业区、交通区的土壤重金属具有很强的叠加性，受人类活动的影响较大。同时城市人口密度，土地利用率，机动车密度也是造成重金属污染的原因。针对问题三，我们从两个方面考虑建模即以点为传染源和以线为传染源。针对以点为传染源我们建立了两个模型：无约束优化模型()[]()[]() 22y i y x i x m D -+-=，得到污染源的位置坐标()6782,5567；有衰减的扩散过程模型得位置坐标（8500,5500），模型为： u k z u c y u b x u a h u 222 2222222-??+??+??=??，针对以线为传染源我们建立了l c be u Y ?-+=0模型，并通过线性拟合分析线性污染源的位置。针对问题四，我们在已有信息的基础上，还应收集不同时间内的样点对应的浓度以及各污染源重金属的产生率。根据高斯浓度模型建立高斯修正模型，得到浓度关于时间和空间的表达式ut e C C -?=0。在本题求解过程中，我们所建立的模型与实际紧密联系，有很好的通用性和推广性。但在求点污染源时，我们假设只有一个污染源，而实际上可能有多个点污染源，从而使得误差增大，或者使污染源的位置够不准确。关键词内梅罗污染模型无量纲化相关性回归模型高斯浓度模型

高斯分布背景模型原理

高斯分布背景模型原理背景差分法的关键是背景图像的描述模型即背景模型，它是背景差分法分割运动前景的基础。背景模型主要有单模态和多模态两种，前者在每个背景像素点上的颜色分布比较集中，可以用单分布概率模型来描述，后者的分布则比较分散，需要用多分布概率模型来共同描述。在许多应用场景，如水面的波纹、摇摆的树枝，飘扬的红旗、监视器屏幕等，像素点的值都呈现出多模态特性。最常用的描述场景背景点颜色分布的概率密度模型（概率密度分布）是高斯分布（正态分布）。 1 单高斯分布背景模型单高斯分布背景模型适用于单模态背景情形, 它为每个图象点的颜色建立了用单个高斯分布表示的模型) ,(,t t x N σμ其中下标t 表示时间。设图象点的当前颜色度量为t X ,若(,,)ttt p N X T μσ ≤ (这里p T 为概率阈值) , 则该点被判定为前景点, 否则为背景点(这时又称t X 与) ,(,t t x N σμ相匹配)。在常见的一维情形中, 以t σ表示均方差, 则常根据/t t d σ的取值设置前景检测阈值：若/t t d T σ>，则该点被判定为前景点, 否则为背景点。单高斯分布背景模型的更新即指各图象点高斯分布参数的更新。引入表示更新快慢的常数——更新率α，则该点高斯分布参数的更新可表示为 1(1)t t t d μαμα+=-?+? （1）

21(1)t t t d σασα+=-?+? （2）单高斯背景模型能处理有微小变化与慢慢变化的简单场景，当较复杂场景背景变化很大或发生突变，或者背景像素值为多峰分布（如微小重复运动）时，背景像素值的变化较快，并不是由一个相对稳定的单峰分布渐渐过度到另一个单峰分布，这时单高斯背景模型就无能为力，不能准确地描述背景了。]1[ 2 混合高斯分布背景模型与单高斯背景模型不同，混合高斯背景模型对每个像素点用多个高斯模型混合表示。设用来描述每个像素的高斯分布共K 个（K 通常取 3—5个），象素uv Z 的概率函数： ,,,1()(,,)K u v j u v u v j u v j u v j P Z N Z ωμ ==∑∑ 其中,j uv ω是第j 个高斯分布的权值，背景建模和更新过程（仅针对单个像素）： 1.初始化：第一个高斯分布用第一帧图像该点的像素值作为均值或前N 帧图像该点的像素值的平均值作为均值，并对该高斯分布的权值取较大值（比其它几个高斯分布大）。其余的高斯分布的均值均为0，权重相等，所有高斯函数的方差取相等的较大值。 2.权值归一化 3.选取背景

高斯扩散模型.

大气污染扩散第一节大气结构与气象有效地防止大气污染的途径，除了采用除尘及废气净化装置等各种工程技术手段外，还需充分利用大气的湍流混合作用对污染物的扩散稀释能力，即大气的自净能力。污染物从污染源排放到大气中的扩散过程及其危害程度，主要决定于气象因素，此外还与污染物的特征和排放特性，以及排放区的地形地貌状况有关。下面简要介绍大气结构以及气象条件的一些基本概念。一、大气的结构气象学中的大气是指地球引力作用下包围地球的空气层，其最外层的界限难以确定。通常把自地面至1200 km左右范围内的空气层称做大气圈或大气层，而空气总质量的98．2％集中在距离地球表面30 km以下。超过1200 km的范围，由于空气极其稀薄，一般视为宇宙空间。自然状态的大气由多种气体的混合物、水蒸气和悬浮微粒组成。其中，纯净干空气中的氧气、氮气和氩气三种主要成分的总和占空气体积的99.97％，它们之间的比例从地面直到90km高空基本不变，为大气的恒定的组分；二氧化碳由于燃料燃烧和动物的呼吸，陆地的含量比海上多，臭氧主要集中在55～60km高空，水蒸气含量在4％以下，在极地或沙漠区的体积分数接近于零，这些为大气的可变的组分；而来源于人类社会生产和火山爆发、森林火灾、海啸、地震等暂时性的灾害排放的煤烟、粉尘、氯化氢、硫化氢、硫氧化物、氮氧化物、碳氧化物为大气的不定的组分。大气的结构是指垂直（即竖直）方向上大气的密度、温度及其组成的分布状况。根据大气温度在垂直方向上的分布规律，可将大气划分为四层：对流层、平流层、中间层和暖层，如图5－1所示。 1. 对流层对流层是大气圈最靠近地面的一层，集中了大气质量的75％和几乎全部的水蒸气、微尘杂质。受太阳辐射与大气环流的影响，对流层中空气的湍流运动和垂直方向混合比较强烈，主要的天气现象云雨风雪等都发生在这一层，有可能形成污染物易于扩散的气象条件，也可能生成对环境产生有危害的逆温气象条件。因此，该层对大气污染物的扩散、输送和转化影响最大。大气对流层的厚度不恒定，随地球纬度增高而降低，且与季节的变化有关，赤道附近约

数学建模(关于扩散问题的建模)

关于金属汞扩散的问题引言：我们都知道，重金属丢弃到土地后会严重污染环境，同时对人体健康造成危害。著名的秦始皇陵墓，据专家在陵墓周围取数据观测，周围的汞含量呈现出外渗的趋势。也就是说，随着外围半径的扩大，汞含量浓度递减，并且随着时间的增加，汞渗透的半径越来越大。这就证明了汞金属在泥土中会发生扩散。因此，我们就提出，能否通过在外部取样的观察数据，建立一个数学模型，来判断陵墓中心处汞的浓度呢？模型的提出：由于汞的扩散快慢跟本身的化学性质,物理性质有关。还有，由于在土堆里头，在各个方向上受到的力不相同和各种因素的影响，因此扩散的速度也会有差异。例如东西方向和南北方向会因为地球的自传而扩散速度会不一样。另一方面，汞在扩散的过程，由于泥土的吸收，化学反应等因数的影响，也会影响到汞的扩散。为此我们引入一个函数u(x, y, z, t)，它表示t时刻在（x,y,z）处汞的浓度。我们的目标就是利用所观测到的数据，来推断出这个函数的表达式。模型符号的引入：为了表示汞在想x,y,z 方向上的扩散速度，我们在此引

入扩散系数： 2 a ：x 方向上的扩散系数 2 b ：y 方向上的扩散系数 2 c ：z 方向上的扩散系数 2 k ：由于泥土吸收，化学反应而引起的衰减系数 M ：扩散源汞的质量模型假设： 1。假设有一汞扩散源，汞从扩散源沿 x ，y ，z 三个方向向四周扩散。 2。扩散前周围空间此物质的浓度为零。 3。扩散过程中没有人为因素的影响。模型建立： u(x, y, z, t) 是 t 时刻点 (x, y , z) 处某物质的浓度。任取一个闭曲面 S ，它所围的区域是Ω，由于扩散，从 t 到 t t +? 时刻这段时间内，通过 S 流入Ω的质量为 1 M 2 2 2 1(cos cos cos )d d t t t S u u u M a b c S t x y z αβγ+????= ++???? ?? 其中 2 a ,2 b ,2 c 分别是沿 x ，y ，z 方向的扩散系数。由高斯公式： ? ??? ?+Ω ??+??+??= t t t t z y x z u c y u b x u a M d d d d )(2 2 2 2 2 2 2 2 2 1

混合高斯模型(Mixtures of Gaussians)和EM算法

混合高斯模型（Mixtures of Gaussians）和EM算法这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与 k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k个值{1,…,k} 可以选取。而且我们认为在给定后，满足多值高斯分布，即。由此可以得到联合分布。整个模型简单描述为对于每个样例，我们先从k个类别中按多项式分布抽取一个，然后根据所对应的k个多值高斯分布中的一个生成样例，。整个过程称作混合高斯模型。注意的是这里的仍然是隐含随机变量。模型中还有三个变量和。最大似然估计为。对数化后如下：这个式子的最大值是不能通过前面使用的求导数为0的方法解决的，因为求的结果不是 close form。但是假设我们知道了每个样例的，那么上式可以简化为：这时候我们再来对和进行求导得到：

就是样本类别中的比率。是类别为j的样本特征均值，是类别为j的样例的特征的协方差矩阵。实际上，当知道后，最大似然估计就近似于高斯判别分析模型（Gaussian discriminant analysis model）了。所不同的是GDA中类别y是伯努利分布，而这里的z是多项式分布，还有这里的每个样例都有不同的协方差矩阵，而GDA中认为只有一个。之前我们是假设给定了，实际上是不知道的。那么怎么办呢？考虑之前提到的EM 的思想，第一步是猜测隐含类别变量z，第二步是更新其他参数，以获得最大的最大似然估计。用到这里就是：

高斯混合模型实现——【机器学习与算法分析精品资源池】

实验算法高斯混合模型实验【实验名称】高斯混合模型实验【实验要求】掌握高斯混合模型应用过程，根据模型要求进行数据预处理，建模，评价与应用；【背景描述】高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM 可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况。属于无监督机器学习，用于对结构化数据进行聚类。【知识准备】了解高斯混合模型的使用场景，数据标准。了解Python/Spark数据处理一般方法。了解spark 模型调用，训练以及应用方法【实验设备】 Windows或Linux操作系统的计算机。部署Spark，Python，本实验提供centos6.8环境。【实验说明】采用UCI机器学习库中的wine数据集作为算法数据，除去原来的类别号，把数据看做没有类别的样本，训练混合高斯模型，对样本进行聚类。【实验环境】 Spark 2.3.1，Pyrhon3.X，实验在命令行pyspark中进行，或者把代码写在py脚本，由于本次为实验，以学习模型为主，所以在命令行中逐步执行代码，以便更加清晰地了解整个建模流程。【实验步骤】第一步：启动pyspark： 1

命令行中键入pyspark --master local[4],本地模式启动spark与python：第二步：导入用到的包，并读取数据： (1).导入所需的包 from pyspark import SparkContext, SQLContext, SparkConf from math import sqrt from pyspark.sql.functions import monotonically_increasing_id (2).读取数据源 df_wine = sc.textFile(u"file:/opt/algorithm/gaussianMixture/wine.txt").map( lambda x: str(x).split(",")).map(lambda x: [float(z) for z in x]) (3).数据转换为Data df_wine_rdd = sqlContext.createDataFrame(df_wine) (4).数据展示 df_wine_rdd.show() 1

云团扩散模型

1 云团扩散模型根据物质泄漏后所形成的气云的物理性质的不同，可以将描述气云扩散的模型分为非重气云模型和重气云模型两种[5-13]。 1.1 非重气云模型高斯模型是一种常用的非重气扩散模型，高斯烟羽(Plume model)模型又称高架点连续点源扩散模型，适用于连续源的扩散，即连续源或泄放时间大于或等于扩散时间的扩散。高斯烟团(Puff model)模型适用于短时间泄漏的扩散，即泄放时间相对于扩散时间比较短的情形，如突发性泄放等。若假设气体云内空间上的分布为高斯分布，则地面地处风向的烟团浓度分布算式为式中， c(x，y，H)——点(x，y，H)处浓度值，mg/m3； Q——源强，即单位时问的排放量，mg/s； u——环境平均风速，m/s； σx，σy，σz——扩散参数； H——源高(烟团高度)，m； x——下方向到泄漏原点的距离，m； y，z——侧风方向、垂直向上方向离泄漏原点的距离，m。高斯模式的实际应用效果很大程度上依赖于如何给定模式中的一些参数，尤其要注意源强、扩散参数等的确定。源强与污染物的物理化学属性、扩散方式、释放点的地理环境等有关。扩散参数表征大气边界层内

湍流扩散的强弱，是高斯模式的一项重要数据。高斯扩散模式所描述的扩散过程(实质上也包含了在实际应用中对高斯模式的一些限制)主要有： 1)下垫面平坦、开阔、性质均匀，平均流场稳定，不考虑风场的切变。 2)扩散过程中，污染物本身是被动、保守的，即污染物和空气无相对运动，且扩散过程中污染物无损失、无转化，污染物在地面被反射。 3)扩散在同一温度层结中发生，平均风速大于1.0 m/s。 4)适用范围一般小于10～20 km。 1.2 重气云模型由于重气本身的特殊性，在重气扩散领域也有大量基于不同理论的模型。鉴于重气扩散与中性或浮性气体扩散有着明显的区别，目前国内外已开发大量的不同复杂程度的重气扩散模型，如箱模型、相似模型、LTA－HGDM模型、CFD模型等。 1.2.1 箱(BOX)模型箱模型是指假定浓度、温度和其他场，在任何下风横截面处为矩形分布等简单形状，这里的矩形分布是指在某些空间范围内场是均匀的，而在其他地方为零。该类模型预报气云的总体特征，如平均半径、平均高度和平均气云温度，而不考虑其在空间上的细节特征。重气效应消失后其行为表现为被动气体扩散，所以该类模型还包括被动扩散的高斯模型及对它的修正。 1.2.2 层流及湍流大气环境中的重气扩散(LTA－HGDM)模型 LTA－HGDM模型(Heavy Gas Dispersion Model in Lsaminar and Turbulent Atmosphere层流及湍流大气环境中的重气扩散模型)以箱模型为基础，结合虚点源模型，能描述重气泄漏扩散整个过程。模型同三维有限元模型相比，具有形式简单、原始输入数据运算速度快等优点。 LTA－HGDM模型的建立基于以下几点假设： 1)危险性气体初时泄漏时，其外形呈正圆柱形(H=2R)。 2)初始时刻泄漏源即此核电站内部的浓度、温度呈均匀分布。 3)扩散过程不考虑泄漏源即此核电站内部温度的变化，忽略热传递、热对流及热辐射。

混合高斯模型算法原理

混合高斯模型算法原理混合高斯模型是一种经典的背景建模算法，用于背景相对稳定情况下的运动目标检测。它由单高斯模型发展而来，对于多模态的背景有一定的鲁棒性，如：树叶晃动、水纹波动等。在介绍混合高斯模型前，首先介绍单高斯模型。 1. 单高斯背景模型：单高斯模型将图像中每一个像素点的颜色值看成是一个随机过程，并假设该点的像素值出现的概率服从高斯分布。该算法的基本原理就是对每一个像素位置建立一个高斯模型，模型中保存该处像素的均值和方差。如，可设),(y x 处像素的均值为),(y x u ，方差为),(2y x σ，标准差为),(y x σ。由于随着视频图像序列的输入，模型参数不断更新，所以不同时刻模型参数有不同的值，故可将模型参数表示为三个变量t y x ,,的函数：均值),,(t y x u 、方差),,(2t y x σ、标准差),,(t y x σ。用单高斯模型进行运动检测的基本过程包括：模型的初始化、更新参数并检测两个步骤。 1）模型初始化模型的初始化即对每个像素位置上对应的高斯模型参数进行初始化，初始化采用如下公式完成： ?? ???===init std y x init std y x y x I y x u _)0,,(_)0,,()0,,()0,,(22σσ （1）其中，)0,,(y x I 表示视频图像序列中的第一张图像),(y x 位置处的像素值，init std _为一个自己设的常数，如可设20_=init std 。 2）更新参数并检测每读入一张新的图片，判断新图片中对应点像素是否在高斯模型描述的范围中，如是，则判断该点处为背景，否则，判断该点处为前景。假设前景检测的结果图为out put ，其中在t 时刻),(y x 位置处的像素值表示为),,(t y x output ，),,(t y x output 的计算公式如下： ???-?<--=otherwise t y x t y x u t y x I t y x output ,1)1,,()1,,(),,(,0),,(σλ （2）其中，λ是自己设的一个常数，如可设5.2=λ。以上公式表示的含义是：若新的图片中相应位置的像素值与对应模型中像素的均值的距离小于标准差的λ倍，则该点为背景，否则为前景。模型的更新采用如下公式： ?? ???=-?+-?-=?+-?-=),,(),,()],,(),,(I [)1,,()1(),,(),,()1,,()1(),,(2222t y x t y x t y x u t y x t y x t y x t y x u t y x u t y x u σσασασαα （3）其中，参数α表示更新率，也是自己设的一个常数，该常数的存在可以使得模型在背景的缓慢变化时具有一定的鲁棒性，如光照的缓慢变亮或变暗等。

污染物扩散模型-深圳数学建模

赛区评阅编号（由赛区组委会填写）： 2015高教社杯全国大学生数学建模竞赛承诺书我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载）。我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号（从A/B/C/D中选择一项填写）： C 我们的报名参赛队号（12位数字全国统一编号）：参赛学校（完整的学校全称，不含院系名）：温州医科大学参赛队员 (打印并签名) ：1. 章成俊 2. 杨超 3. 谢锦指导教师或指导教师组负责人 (打印并签名)：日期：年月日

赛区评阅编号（由赛区组委会填写）： 2015高教社杯全国大学生数学建模竞赛编号专用页送全国评阅统一编号（由赛区组委会填写）：全国评阅随机编号（由全国组委会填写）：

对垃圾处理厂污染的动态监控及居民补偿摘要城市垃圾处理问题是一个世界性难题。目前垃圾焚烧正逐步成为中国垃圾处理的主要手段之一。本论文构根据题目设置的垃圾处理厂规模，建立了环境动态监控体系，并根据潜在污染风险对周围居民进行了合理经济补偿的设计。对于问题（1），为了实现对垃圾焚烧厂烟气排放及相关环境影响状况的动态监控，本论文在高斯烟羽模型的基础上进行改进，引入温度、降雨对污染物扩散的影响，建立了新的污染物扩散模型。本论文创新性的提出了风雨影响指数M,用来衡量风向、降雨对颗粒物扩散的影响。本论文将抽象的污染物含量形象化，利用空气污染指数API描述具体的污染程度及其给周围居民带来的影响。并且从不同角度给出了模型检验，验证了所建模型的准确性。对于问题（1）具体赔偿方案的制定，在综合考虑了不同方位风向频率、受污染时间、受污染程度的基础上，本论文使用了层次分析法，并且进行了一致性检验，使得赔偿方案具有说服力。通过MATLAB编程，计算出当政府和垃圾处理厂共支付风险赔偿金为N时，得出居住地的每位居民应得的赔偿金额计算公式。对于监测点的设置，经计算共需21个，具体布置情况见后文。对于问题（2），在题目所述的发生事故的情况下，对污染物的具体含量进行了合理的预测与假设。模拟出酸性物质与颗粒物的影响范围，并根据具体的污染程度设置不同的污染区。对每个污染区的不同情况设置更改监测点的设置，并且在问题（1）的基础上对居民的经济补偿进行合理修改。关键词：高斯烟羽模型，层次分析法，空气污染指数，烟气抬升公式一、问题重述 “垃圾围城”是世界性难题，在今天的中国显得尤为突出。数据显示，目前全国三分之二以上的城市面临“垃圾围城”问题，垃圾堆放累计侵占土地75万亩。因此，垃圾焚烧正逐步成为中国垃圾处理的主要手段之一。然而，由于政府监管不力、投资者目光短浅等多方面的原因，致使前些年各地建设的垃圾焚烧电厂在运营中出现了环境污染问题，给垃圾焚烧技术在我国的推广造成了很大阻力，许多城市的新建垃圾焚烧厂选址都出现因居民反对而难以落地的局面。在垃圾焚烧厂运行监管方面，目前主要是在垃圾焚烧厂内进行测量监控，缺少从周边环境视角出发的外围动态监控，因而难以形成为民众所信服的全方位垃圾焚烧厂环境监控体系。深圳市某地点计划建立一个中型的垃圾焚烧厂，计划处理垃圾量1950吨/天（设置三台可处理垃圾650吨/天的焚烧炉，排烟口高度80米，每天24小时运转）。从构建环境动态监控体系、并根据潜在污染风险对周围居民进行合理经济补偿的需求出发，有关部门希望能综合考虑垃圾焚烧厂对周围带来环境污染以及其他危害的多种因素（例如，焚烧炉的污染物排放量、居住点离开垃圾焚烧厂的距离、风力和风向及降雨等气象条件、地形地貌以及建筑物的遮挡程度等等），在进行科学定量分析的基础

GMM算法原理

高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以认为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。我们首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型是是建模最为成功的方法之一。混合高斯模型使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型, 用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。 1、为图像的每个像素点指定一个初始的均值、标准差以及权重。 2、收集N（一般取200以上，否则很难得到像样的结果）帧图像利用在线EM算法得到每个像素点的均值、标准差以及权重。 3、从N+1帧开始检测，检测的方法：对每个像素点： 1）将所有的高斯核按照ω/ σ降序排序 2）选择满足下式的前M个高斯核： M = arg min(ω/ σ> T) 3）如果当前像素点的像素值在中有一个满足：就可以认为其为背景点。 4、更新背景图像，用在线EM算法。

基于高斯模型的放射性物质扩散模型

放射性气体扩散浓度预估模型【摘要】本文是以日本地震引起的福岛核电站的核泄漏为背景，并以给出的数据为基础，研究某一假设核电站的核泄漏问题。我们通过收集相关的资料，并结合题目给出的数据，建立了高斯模型、连续点源高斯扩散模型解决了题目提出的四个问题。针对问题一：考虑到泄漏源是连续、均匀和稳定的，我们运用散度、梯度、流量等数学概念，通过“泄漏放射性物质质量守恒”、“气体泄漏连续性定理”、 Guass 公式及积分中值定理得到了无界区域的抛物线型偏微分方程，然后再通过电源函数解出空间任意一点的放射性物质浓度的表达式，把此表达式定为模型一的前身。鉴于放射性物质的扩散受到诸多因素的影响，如：泄漏源的实际高度、地面反射等。我们以泄漏口为坐标原点建立三维坐标系，通过“像源法”处理地面反射对放射性物质浓度的影响，并由此对模型一的前身进行修正完善，得到模型一：高斯模型，即放射性物质浓度的预测模型。最后我们模拟了放射性物质无风扩散仿真图。针对问题二：当风速为k m/s 时，我们根据放射性核素云团在大气中迁移和扩散的数值计算的基本方法和步骤，并以泄漏点源在地面的投影点为坐标原点，以风向方向为x 轴，铅直方向为z 轴，与x 轴水平面垂直方向为y 轴建立三维坐标系，地面的反射作用同样利用“像源法”进行处理，得到连续点源高斯扩散模型。考虑到地面反射、烟云抬升、放射性物质自身的沉降及雨水的吸附等对浓度的影响，我们对连续点源高斯扩散模型进行了修正，建立了修正的连续点源高斯扩散模型。最后利用大气稳定度确定了扩散参数，进而求解了模型。针对问题三：经分析，问题三的提出是以问题二为基础的，模型三的建立只需要将模型二加以调整即可。我们以风速方向为x 轴正方向，将风速与放射性物质的扩散速度进行矢量运算，此问题则转化为求(,0,)L z 和(,0,)L z -两点处的放射性物质浓度，由此建立模型三，即上风和下风L 公里处放射性物质浓度浓度的预测模型。针对问题四：首先，我们通过网络收集了相关数据，然后，我们结合模型二、模型三对数据进行整理代入，算出了日本福岛核电站泄漏的放射性物质扩散到中国东海岸和美国西海岸的浓度分别为334.242910/g m -?、432.385410/g m -?。关键词：高斯模型连续点源高斯扩散模型核泄漏

混和高斯模型的推导和实现

基于GMM 的运动目标检测方法研究一、GMM 数学公式推导 1、预备知识：（1）设离散型随机变量X 的分布率为： {} 2,1,P ===k p a X k k 则称()∑= k k k p a X E 为X 的数学期望或均值（2）设连续型随机变量X 的概率密度函数（PDF ）为f(x) 其数学期望定义为：()()dx x xf X E ? +∞ ∞ -= （3）()()()[] 2 X E X E X D -=称为随机变量x 的方差，()X D 称为X 的标准差（4）正态分布：() 2,~σμN X 概率密度函数为：()()??????? ?--= 22221 σμσ πx e x p （5）设(x,y)为二维随机变量，()[]()[]{}Y E Y X E X E --若存在，则称其为X 和Y 的协方差，记为cov(x,y) ()()[]()[]{}()XY E Y E Y X E X E Y X =--=,cov 2、单高斯模型：SGM （也就是多维正态分布）其概率密度函数PDF 定义如下： ()() ()()μμπμ--- -= x C x n T e C C x N 12 1 21 ,; 其中，x 是维数为n 的样本向量（列向量），μ是期望，C 是协方差矩阵，|C|表示C 的行列式，1-C 表示C 的逆矩阵，()T x μ-表示()μ-x 的转置。 3、混合高斯模型：GMM 设想有 m 个类：m 321????，，，，，每类均服从正态分布。各分布的中心点（均值）分别为：m 321μμμμ，，，，

方差分别为：m 321σσσσ，，，，每一类在所有的类中所占的比例为 ()()()()m P P P P ????,,,,321 其中()11=∑=m i i P ?。同时，已知个观察点：。其中，用大写P 表示概率，用小写p 表示概率密度。则依此构想，可得概率密度函数为： ()()()()()()()() ()()()μμπ??σμ?σμ?σμ--- =-∑ =?++?+?=x C x m i d i m m m T e C P P N P N P N x p 12 1 12221112,,, 其中d 是维数，|·|是行列式但是在利用GMM 进行目标检测时，这些模型的参数可能已知，也可能不知道，当参数已知时，可以直接利用GMM 进行目标检测，在未知的情况下，需要对参数进行估计。对参数估计时，还要考虑样本分类是否已知。（1）样本已知：最大似然估计：可以直接采用MLE （最大似然估计）进行参数估计：未知量为集合：()()()m P P C C ??μμλ,,1m 1m 1 ，，，，，，= 将衡量概率密度函数优劣的标准写出：()()∏==n k k x P x p 1||λλ 即为： ()() () ()()i k T i k x C x n k m i d i e C P x p μμπ?λ--- ==-∏∑ =12 1 11 | |2| 只要定出该标准的最大值位置，就可以求出最优的待定参数。为了求出这个最

(完整)高斯扩散模型及其适用条件

高斯扩散模型及其适用条件（1）一般表达式根据质量守恒原理和梯度输送理论，污染物在大气中一般运动规律为：（3分） 1N x y z p p c c c c c c c u v w k k k S t x y z x x y y z z =????????????????+++=+++ ? ? ?????????????????∑ C ：污染物质平均浓度； X ，y ，z ：三个方向坐标； u ，v ，w ：三个方向速度分量； k x ，k y ，k z ：三个方向扩散系数； t ：为污染物扩散时间； S P ：污染物源、汇强度。（2）高斯模型的适用条件：①大气流动稳定，表明污染物浓度不随时间改变，即0t ?=?； ②有主导风向，表明u=常数，且v=w=0； ③污染物在大气中只有物理运动，物化学和生物变化，且预测范围内无其他同类污染的源和汇。表明S P =0（p=1,2,….n ）此时三维的动态模型就可简化为三维的稳态模型，得： x y z c c c c u k k k x x x y y z z ?????????????=++ ? ? ???????????? ?? （3分） ④有主导风情况下，主导风对污染物输送应远远大于湍流运动引起污染物在主导风方

向上扩散。即c u x ??（平流输送作用）远远大于x c k x x ???? ????? （湍流弥散作用）。此时方程又可以简化为： y z c c c u k k x y y z z ?????????=+ ? ???????? ?? （2分）（3）由于y 和z 方向上污染物浓度不发生变化，故规定y k 与y 无关，z k 与z 无关，即： 22z 22z y c c c u k k x y ???=+??? （1分）（4）由质量守恒原，理运用连续点源源强计算方式，按照单元体积(3)简化得到的方程进行积分ucdydz=Q ∞∞ -∞-∞??，结合边界条件 {0c=x y z c=0x y z ===∞ →∞时，，，时，对方程进行求解。（2分）（5）设x=ut ，令22y y z z =2k t =2k t σσ；。化简求解得到高斯扩散模型的标准形式： ()2222y z 1c ,,exp 22y z Q y z x y z u πσσσσ????=-+?? ? ??????? （1分）

EM算法在高斯混合模型中的应用

EM 算法在高斯混合模型中的应用 1.定义对于一个随机信号生成器，假设他的模型参数为Θ，我们能观测到的数据输出为X ，不能观测到的数据输出为Y ，且随机系统模型结构的概率密度函数为 (,|)p x y Θ （1）能够观测到的一部分数据输出数据12{,,...,}N x x x ，模型的另一部分输出数据未知,模型的参数Θ也未知。EM 算法就是要求我们从观测数据12{,,...,}N x x x 中估计出参数Θ。 2.EM 算法的描述假设每一对随机系统的输出样本(,)n n x y 对于不同的n 相互独立，这样当(,,)p x y Θ，x 和y 都已知的情况下，概率(,,)p x y Θ也已知。未观测的输出y 的概率分布也属于待求参数Θ。根据独立性假设有： 1(,|)(,|)N n n n p x y p x y =Θ=Θ∏ （2） 3.EM 算法的基本思路基本问题是求解下面的方程的解： arg max (,|)p x y Θ=Θ （3）由于X 是确定量，Y 是未知的，因此即使给定了Θ，也无法求得(,|)p x y Θ的值，因此我们只能退一步求： arg max (|)p x Θ=Θ （4）其中 (|)(,|)[(|),(|,)]y Y y Y p x p x y p y p x y ∈∈Θ=Θ=ΘΘ∑∑ （5）表示考虑了未知数据y 的所有可能的取值Y 后对(|,)p x y Θ求平均值。最后根据log 函数的单调性得到（4）的等效形式： arg max log (|)p x Θ=Θ （6）对于(6)给出的最优化问题，考虑用下面的递推算法解决，即：先给定一个估值k Θ并计算(|)k p x Θ，然后更新k Θ得到1k +Θ并且有 1log (|)log (|)k k p x p x +Θ>Θ （7） ()log (|)log [(|)(|,)] |(|,)log (|,)(|,)(|)(|,)(|,)log (|,)(,) y Y k k y Y k k y Y k p x p y p x y p y p x y p y x p y x p y p x y p y x p y x B ∈∈∈Θ=ΘΘΘΘ? ?=Θ??Θ???? ??ΘΘ≥Θ????Θ??? ?=ΘΘ∑∑∑ （8）其中，等号在(,)k k B ΘΘ时成立，即： (,)log (|)k k k B p x ΘΘ=Θ （9）

大气污染物扩散高斯模型模拟

大气污染物扩散的高斯模型模拟：可视化模拟点源大气污染的扩散Gaussian Atmospheric Dispersion Model 突发性大气污染事故时有发生，对大气污染扩散进行模拟和分析，有利于减小事故的危害，减轻人员伤亡和财产损失。高斯扩散模型是国际原子能机构(IAEA)推荐使用于重气云扩散模拟的数学模型,该模型在非重气云扩散的应用日益广泛。高斯扩散模型是描述大气对有害气体的输移、扩散和稀释作用的物理或数学模型,是进行灾害预测和救援指挥的有力手段之一。高斯扩散模型高斯模型又分为高斯烟团模型和高斯烟羽模型。大气污染物泄漏分为瞬时泄漏和连续泄漏，瞬时泄漏是指污染物泄放的时间相对于污染物扩散的时间较短如突发泄漏等的情形，连续泄漏则是指污染物泄放的时间较长的情形。瞬时泄漏采用高斯烟团模型模拟，而连续泄漏采用高斯模型烟羽模型模拟。高斯模型适用于非重气云气体，包括轻气云和中性气云气体。要求气体在扩散过程中，风速均匀稳定。在高斯烟团模型中，选择风向建立坐标系统，即取泄漏源为坐标原点，x轴指向风向，y轴表示在水平面内与风向垂直的方向，z轴则指向与水平面垂直的方向，具体公式见式: (mg/s); x、y、z轴上的扩散系数，需根据大气稳定度选择参数计算得到(m)；x、y、z表示x、y、z上的坐标值(m)；u 表示平均风速(m/s)；t表示扩散时间(s)；H 表示泄漏源的高度(m)。同理，高斯烟羽模型的表达式如：技术方法若用高斯模型算出空间每一个点在一个时刻的污染浓度，这个计算量是很大的。因此所设计的系统一般都是采用先进行图层网格化，由高斯模型计算出有限个网格点的上的污染物浓度，在进行空间内插得到面上每一个点的污染物浓度，并由此得到污染物浓度的等值线。整个过程的示意图如图所示

数学建模高斯扩散模型培训资料

数学建模高斯扩散模型

§4-2高斯扩散模式 ū —平均风速； Q—源强是指污染物排放速率。与空气中污染物质的浓度成正比，它是研究空气污染问题的基础数据。通常：（ⅰ）瞬时点源的源强以一次释放的总量表示；（ⅱ）连续点源以单位时间的释放量表示；（ⅲ）连续线源以单位时间单位长度的排放量表示；（ⅳ）连续面源以单位时间单位面积的排放量表示。 δy—侧向扩散参数，污染物在y方向分布的标准偏差，是距离y的函数，m； δz—竖向扩散参数，污染物在z方向分布的标准偏差，是距离z的函数，m；未知量—浓度c、待定函数A(x)、待定系数a、b；式①、②、③、④组成一方程组，四个方程式有四个未知数，故方程式可解。二、高斯扩散模式（一）连续点源的扩散连续点源一般指排放大量污染物的烟囱、放散管、通风口等。排放口安置在地面的称为地面点源，处于高空位置的称为高架点源。 1. 大空间点源扩散高斯扩散公式的建立有如下假设：①风的平均流场稳定，风速均匀，风向平直；②污染物的浓度在y、z轴方向符合正态分布；③污染物在输送扩散中质量守恒； ④污染源的源强均匀、连续。图5－9所示为点源的高斯扩散模式示意图。有效源位于坐标原点o处，平均风向与x轴平行，并与x轴正向同向。假设点源在没有任何障碍物的自由空间扩散，不考虑下垫面的存在。大气中的扩散是具有y与z两个坐标方向的二维正态分布，当两坐

标方向的随机变量独立时，分布密度为每个坐标方向的一维正态分布密度函数的乘积。由正态分布的假设条件②，参照正态分布函数的基本形式式（5－15），取μ＝0，则在点源下风向任一点的浓度分布函数为：（5－16）式中 C—空间点（x，y，z）的污染物的浓度，mg/m3； A（x）—待定函数； σy、σz—分别为水平、垂直方向的标准差，即y、x方向的扩散参数，m。由守恒和连续假设条件③和④，在任一垂直于x轴的烟流截面上有：（5－17）式中 q—源强，即单位时间内排放的污染物，μg/s； u—平均风速，m/s。将式（5－16）代入式（5－17）, 由风速稳定假设条件①，A与y、z无关，考虑到③和④，积分可得待定函数A（x）：（5－18）将式（5－18）代入式（5－16），得大空间连续点源的高斯扩散模式（5－19）式中，扩散系数σy、σz与大气稳定度和水平距离x有关，并随x的增大而增加。当y＝0，z＝0时，A（x）＝C（x，0,0），即A（x）为x轴上的浓度，也是垂直于x轴截面上污染物的最大浓度点C max。当x→∞，σy及σz→∞，则C→0，表明污染物以在大气中得以完全扩散。 2．高架点源扩散