熱門論文
最新論文
煤炭質量預測方法研究及信息管理系統開發
發布時間：2023-08-04 13:29
目 錄
摘 要 I
ABSTRACT III
1引論 1
1.1研究目的及意義 1
1.2國內外研究現狀 2
1.3主要研究工作及論文組織結構 3
1.3.1主要研究工作 3
1.3.2論文組織結構 4
1.4本章小結 5
2相關理論與技術 7
2.1相關關系 7
2.1.1相關關系及分類 7
2.1.2相關分析 7
2.2回歸分析 8
2.2.1回歸分析概述及分類 9
2.2.2線性回歸分析 9
2.3.NET FRAMEWORK 框架 11
2.4C# 語言 13
2.5ASP.NET MVC 簡介 13
2.6本章小結 15
3煤炭發熱量預測 17
3.1R語言簡介 17
3.2煤質相關分析 18
3.2.1煤質數據采集及處理 18
3.2.2煤質數據相關性分析 18
3.3煤炭發熱量預測 21
3.3.1建立回歸模型并選擇參數 21
3.3.2預測及誤差分析 24
3.4本章小結 25
4系統分析與設計 27
4.1系統分析 27
4.1.1性能需求分析 27
4.1.2業務需求分析 28
4.2數據庫設計 34
4.3系統設計 35
4.4本章小結 38
5系統實現 39
5.1數據庫實現 39
5.2系統架構實現 43
5.2.1數據訪問層 44
5.2.2系統服務層 45
5.2.3控制器層 46
5.2.4視圖層 46
5.3效果展示 47
5.4本章小結 49
6總結與展望 51
6.1總結 51
6.2展望 51
攻讀學位期間參加的科研項目及發表的學術論文 53
致 謝 55
參考文獻 57
附 錄 61
附錄1 煤質信息管理系統相關代碼 61
1引論
1.1研究目的及意義
煤炭是世界上儲量最多、分布最廣的常規能源。全球煤炭行業呈上升的趨勢。我國 作為煤炭大國，煤炭的儲量、產量及消耗量在全國排名中都位居前列［2］。據統計，中國 2010 年全部能源使用量中，煤炭占比最大，并且超過七成，研究者預計，在將來的的數 十年中，煤炭行業將保持其在全行業的牢固持久的地位，至 2050 年煤炭占比將不會低 于五成［3］。最近幾年中國國民經濟中各個行業的迅速發展，進一步促進對煤炭需求量的 提高 ［4］。因此，煤炭銷售是煤炭行業的重要環節。煤炭銷售過程中，煤炭產品采用發熱 量計價政策，該政策反映了產品質量和價格的一致性關系，避免了之前采用噸煤計價產 生質量與價格偏離問題。然而，煤炭是一種原材料商品，具由非均質、非標準的性質， 在檢驗的過程中會喪失其原有價值，無法進行全部檢驗，需要通過樣本檢驗統計反映產 品質量指標，由于樣本選取的隨機性和主觀性，交易者常常選擇有利于自己的樣本實施 檢驗，造成買賣雙方產品質量檢驗結果存在出入，最后引起質量糾紛，影響煤礦、營銷 商和客戶的利益［5-6］。我國煤炭使用主要用于兩方面，其中一個是動力用煤，另一個就 是煉焦用煤。煉焦用煤對煤的灰分有很高要求，而動力用煤對煤的發熱量具由較高要求 ［7］。目前來說，動力用煤對煤炭用量需求最大，因此研究煤的發熱量及其重要［8］。為了 了解煤炭性質，有效利用煤炭資源，必須及時、準確的預測和檢測煤炭的發熱量。在大 量的煤質信息數據分析過程中，由于工作任務重，測定條件不能得到保障，煤炭發熱量 的測量值易產生異常狀況，而且很難控制，針對廣大用煤企業審核、計算發熱量的需求， 許多學者長期專注于研究這類問題。
在煤炭企業運行、經營的過程中，能夠及時掌握并充分利用煤質信息，對企業的運 營、生產、銷售、經濟效益和管理水平等各方面非常重要。水分儀、灰分儀、工業分析 儀等儀器的使用，做到了實時、準確地檢測產品的各項質量指標。雖然使用儀器可以實 現數據的準確檢測，但是數據存儲和傳輸處理方式仍然比較落后、存在隱患，如相關人 員進行手工記錄時，可能存在錄錯、漏錄、多錄的情況、數據傳輸遲緩、數據難以查詢 ［9］。隨著信息技術的迅速發展和信息社會的來臨，互聯網為數據處理和數據共享提供了 可利用的平臺，互聯網技術的發展也促進了煤炭企業的信息化建設。大多數煤炭企業管 理煤質相關信息的階段處在手動采樣、儀器化驗、手工記錄等階段，當然也存在部分企 業使用功能相對比較單一的軟件，但無法滿足各方面更高的要求，為了更好地實現對煤 質相關數據進行記錄、修改、查詢、預測、對比、管理、實時監控、推薦等功能，仍需 要信息化的手段來實現。另外，針對不同礦井不同煤層的煤炭，其煤化程度不同，即形 成的煤種也不同，針對煤炭買方企業，根據煤炭的用途不同，其對煤炭的質量要求也存 在差異，因此如何提前獲悉特定礦井的煤質信息，根據客戶需求提供合適質量的煤炭， 從而減少買賣雙方由于供需不一造成的糾紛，提高買賣雙方的合作關系，將是提高行業 競爭優勢的前提，創建相關管理系統，從而對煤炭質量相關信息進行統一管理，從煤炭 企業采樣到銷售給買方的整個過程中的相關信息進行記錄、分析、對比、預測等，從而 不斷提高企業經濟效益和顧客滿意度［10］。
基于以上背景，針對煤質分析和煤質信息管理等方面面臨的問題進行研究：首先， 由于煤炭發熱量直接測定的過程比較耗時，不能滿足提前快速獲悉煤炭的發熱量要求， 以及煤炭質量分布不均勻其質量相關信息的隨機性和非確定性，利用回歸分析方法，對 煤質檢驗數據進行分析和和預測，確定參數，建立預測模型，并用煤質化驗結果數據檢 驗預測模型，并根據現有的檢驗數據對測量儀器進行校驗，從而減少在煤質數據化驗過 程中的誤差。針對煤炭質量管理中數據存儲，查詢和傳輸困難等問題，創建煤質信息管 理系統來確保信息的安全存儲，快速傳輸和查詢，重點涉及煤質采制樣、化驗信息錄入、 查詢、化驗信息抽查、用戶管理、煤質在線監測等關鍵業務功能。
1.2國內外研究現狀
長久以來，煤質特征一向是相關行業專家著重探索的課題，充分了解和深入掌握煤 的性質是探索不同種類煤炭處理、轉變技術的前提，是對已有煤處理轉變工藝進行改善 的基礎。對大量的煤炭質量相關數據的分析，是深刻認識和理解煤炭質量特性的重要途 徑。煤的性質與煤化程度之間存在密切的聯系，從褐煤到煙煤再到無煙煤這一轉化過程 中，煤質都會發生變化，同時，煤質特性受地理位置的影響較大，因此，煤質數據分析 的方法和分析結果也具有時域性和地域性。然而，煤的發熱量、灰分、水分等指標在煤 質變化中在一定程度上存在著相關關系，已有部分學者對此進行了研究，并提出了不同 煤質指標間相互計算的經驗公式 ［11］。灰色關聯分析是分析各個成分之間相關水平的一 種方法，灰色系統理論中的灰色關聯分析理論自誕生以來吸引了很多學者的關注，同時， 在灰色關聯理論模型和實際應用方面，學者進行了深入的研究［12］。在煤炭質量指標的相 關性分析中，也得到了普遍的應用。
在大量的煤質信息數據分析過程中，由于工作任務重，測定條件不能得到保障的原 因，煤炭發熱量的測量值易產生異常狀況，而且很難控制，針對廣大用煤企業審核、計 算發熱量的需求，許多學者長期專注于研究這類問題。建立定量關系的回歸方程是一種 很好的技術手段。根據煤的工業分析數據、元素分析數據計算發熱量的公式在國內外都 有很多研究，如陳文敏、劉天新都已經寫過這方面的著作［13］；張西春［14］等對兗州、新汶 兩礦區動力煤的詳細數據進行檢測，采用多元回歸分析方法，建立了發熱量與動力煤工 業指標之間的數學公式；在多年煤質分析數據的前提下，李徐萍［15］等根據最小二乘法原 理推導出了新州、紅朋、山西、晉城煤的發熱量與工業分析指標的數學模型；對此，國 外也做了相當之多的研究，如 Gouta 提出了一種利用揮發分產率和固定炭的數據來預 測發熱量的方法；Schuster提出了一種只根據煤的揮發分產率來預測發熱量的數學模 型。此外，還存在許多相關性公式，但是從本質上與上面提及的大同小異。Patel等根 據人工神經網絡方法學，建立了一種預測印度煤高位發熱量的非線性預測模型，此模型 相對于其他方法過于復雜，因此，沒有得到廣泛的應用。
隨著信息技術和計算機網絡技術的迅猛發展，煤炭企業在建立數據處理系統，加強 數據管理方面，投入越來越大，這也是現代企業信息化建設的要求。目前， C/S 模式 的數據系統已經在很多領域得到廣泛應用，如醫療設備管理軟件，政府辦公系統，天氣 質量預測系統等，但是在煤質數據分析領域的應用卻很少。目前所能查到的應用最為廣 泛的是山西瑞士化工有限公司研發的煤質理化分析軟件。這套軟件雖然功能強大，使用 方便，但是專業性太強。B/S模式系統是信息時代發展的必然產物，在投入使用的初期， 就在Internet上實現了數據的資源共享。Web系統是一個迅猛發展的領域，在Web系 統中，不應該單純的使用之前使用過的方法，更需要使用一些前沿性的方法，Web工 程來自不同的領域，包括信息、軟件及計算機系統等，它是信息技術不斷發展的一個象 征。目前國內與煤質分析相關的網站大都是對煤質相關知識和分析設備的介紹，對軟件 系統的涉及的確很少，也并沒有提供可共享的煤質數據分析應用性軟件的下載。然而， 煤炭行業在數據處理和信息化建設方面也出現如下一些難題：
＞煤炭行業信息化投放仍然不高。信息化產業是集資金與技術于一體的產業，在 加強企業信息化建設時，應該投放充足的資金［16］。煤炭相關企業中很多管理者 并沒有領會到增強企業信息化建設的重要性，不想將錢投入到信息化建設中 ［17］。有關數據表明，全國煤炭相關企業每年投放到信息化領域資金還不足整年 全部收入的1%,相比之下企業投放的資金以及人力物力更是微乎其微【I%
＞煤炭企業信息化程度良莠不齊。諾蘭是美國哈佛大學的一位教授，在1979年 提出諾蘭模型，用橫軸表示信息系統的發展，依次為初始期、普及期、控制期、 整合期、數據管理期和成熟期，用縱軸表示與信息系統有關的費用支出［18］。多 年來，中國煤炭企業在信息化建設方面良莠不齊，應用于企業信息化建設的費 用支出也相對不多［20］。比如，個別企業的信息基礎設施比較完善，也實現了互 聯網之間的通信互通，但是就管理方面而言，沒有從根本上實現企業的信息化； 部分煤炭企業信息化建設位于開始階段，軟硬方面都不到位；部分企業己購置 硬設備并已經連上網絡，但卻不具有相應的應用軟件；部分企業雖然有計算機， 但卻沒有互聯互通，絕大多數計算機只是運用在文字處理方面，計算機的效能 沒有真正發揮。
1.3主要研究工作及論文組織結構
1.3.1主要研究工作
（一） 煤炭質量預測方法研究
＞建立模型，探索煤質參數之間的關系。煤炭發熱量受煤炭的水分（Mad）、灰 分（Aad）、揮發分（Vad）、硫（St,ad）等各項因素的影響。根據已有煤質數 據建立發熱量（Q）與水分（Mad）、灰分（Aad）、揮發分（Vad）、硫（St,ad） 等各參數之間的線性回歸方程，并對方程和回歸系數進行顯著性檢驗。
＞模型中參數選擇方法的研究。通過對模型中參數選擇方法的研究，建立最優的
回歸模型，并對做出的回歸模型進行回歸診斷（包括殘差分析、異常點探測等）。
＞煤炭發熱量預測。確定有效的預測單位，對煤炭發熱量預測，然后根據已知預 測結果和實際測量結果的對比，驗證預測模型，進而確定預測模型的有效性。
（二）煤質信息管理系統開發
開發煤質信息管理系統，使其能夠記錄并存儲煤炭的采樣、制樣、化驗信息以及對 煤炭銷售過程中買賣雙方的煤質化驗數據進行對比。在此基礎上，對煤質進行預測預警， 對交易雙方進行信譽度劃分，輔助解決銷售過程中交易雙方的質量糾紛，進而提高企業 的經濟效益以及用戶的滿意度。設計功能包括：賣方煤質相關信息管理、買方煤質相關 信息管理、質量抽查、輔助功能、綜合查詢等模塊。
1.3.2論文組織結構
本文共包含六章，每章具體內容如下：
第一章，引論：本章主要介紹了煤炭質量預測及信息管理系統的研究背景、研究目 的及意義，并對本文主要研究工作進行介紹，接下來介紹本文的主要內容及結構。
第二章，相關理論與技術：該章重點描述了本文所用到的相關理論和關鍵技術，首 先描述了相關分析理論及常見方法；接著描述了回歸分析理論、方法及其分類；最后介 紹了系統設計和開發所涉及的技術和框架。包括.NET Framework框架、ASP.NET MVC 框架、C#語言。
第三章，煤炭發熱量預測：本章首先介紹了R語言及其特點和使用方法；然后介 紹了煤質數據的采集及處理，然后利用R語言工具分析水分（Mad）、灰分（A ad）、 揮發分（Vad）、硫一（St,ad）與發熱量（Qb,ad）的相關性；然后根據相關性分析結果, 利用回歸分析方法建立煤炭熱值與具有相關性參數之間的回歸函數，對熱值進行預測， 并將預測值與實際數據相比，檢驗模型的有效性。
第四章，煤質信息管理系統分析與設計：該章主要介紹基于B/S模式的煤質信息管 理系統的分析和設計，首先介紹了系統的性能需求分析和業務需求分析，然后詳細介紹 了數據庫設計，最后描述了系統的設計過程。
第五章，煤質信息管理系統實現：該章主要描述基于 B/S 模式的煤質信息管理系統 實現，首先描述了該系統的數據庫實現，然后介紹了系統架構的實現，其包括對數據訪 問層、系統服務層、控制器層、視圖層等的實現，最后對系統的頁面進行展示，該系統 主要實現了礦井煤炭采樣、制樣、化驗信息的錄入、審核，買方煤質化驗信息錄入，小 分隊抽查、制樣抽查、化驗抽查，煤樣編號、煤樣化驗數據查詢以及標準煤樣、化驗類 型、礦井、用戶管理等功能。
第六章，總結與展望：對本論文的所研究的內容進一步的歸納和總結，通過歸納本 文的研究內容，從而提出未來的研究方向。
1.4本章小結
在這一章中首先煤炭質量預測與信息系統開發的相關研究背景、目的及意義、國內 外研究現狀進行了介紹，最后對本論文全文的組織結構進行了簡要的闡述。
2相關理論與技術
本章主要對煤炭質量預測與信息管理系統研究過程中所涉及的基本理論及開發框 架進行介紹，首先對相關關系及回歸分析理論進行簡介，然后介紹了煤炭質量信息管理 系統開發所使用的.NET Framework框架、C#語言及微軟推出的Web開發框架ASP.NET MVC 框架。
2.1相關關系
在現實世界中的任何現象或事物都是互相聯系、互相依存、互相制約的［21］。當一些 現象發生變化時，另一現象也會跟隨其發生改變［22］。研究不同現象之間的依賴關系，并 探索它們之間的變化規律，為科學、客觀地統計數據提供依據，是對數據進行分析的前 提。不同現象間的關系主要分為兩種類型：相關關系和函數關系，對應的統計方法分別 為相關分析和回歸分析［23］。
2.1.1相關關系及分類
函數關系是指當一個或者多個變量取一定的值時，另外一個變量則有確定值與其相 對應，也稱為確定性的函數關系。其關系式如下：
Y = f（X） （2.1）
其中x稱為自變量，y稱為因變量，y與x之間存在 對應的確定關系。
相關關系是一種區別于函數關系的非確定性關系，相關關系按相關的程度不同，分 為完全相關（函數關系）、不相關（沒有關系）和不完全相關；按變量數量的不同，分 為簡單相關（只有一個自變量）、多重相關（兩個或兩個以上的自變量）和偏相關（就 多個變量測定其中兩個變量的相關程度而設定其他變量不變）；按其表現形式不同，可 分成非線性相關和線性相關；按變量改變方向的不同，可分成負相關（變量的變動方向 相反）和正相關（變量的變動方向一致）［24］。
2.1.2相關分析
相關分析就是探索事物或現象間是不是有這種非確定性關系的統計方法，按處理問 題的不同，通常可分為自相關分析、簡單相關分析、偏相關分析、互相關分析及典型相 關分析。其中自相關分析、偏相關分析適用于分析變量自身的規律；簡單相關分析通常 可分析任意兩個等長數列的相關性［25］。
1．相關系數：在線性條件下，說明兩個變量之間相關關系密切程度的統計分析指 標，則稱為相關系數［26］。如果相關系數是根據總體所有數據計算的，稱為總體相關系 數，總體相關系數的定義如下：
_ 6by(X, Y)
卩 Jyar(XVar(Y)
式中，其中Cov（X，Y）是變量X和Y的協方差；Var（X）和Var（Y）分別指變量X 和 Y 的方差。
對于兩個變量X與y，如果它們的樣本值分別為Xi與Yi(i=1, 2，...，n)，它們 之間的相關系數：其定義如下：
n _ _
£ (J. - J )(K. - Y )
ry = I " _ 欄 _ w ［-1,1］ (2.3)
.£ (Ji - J)2 £ (Yi- Y)2
V i= i i= i
上式中，J和Y為X和Y的平均值。r 是按照樣本觀察值算出的，當抽到的樣例 xy
不同時， 對應的數據也會存在不同。樣本相關系數是總體相關系數的一致估計量。
rxy的取值介于-1與1之間，rxy<0，表示負相關，即異向相關；rxy>0，表示正相關, 即同向相關；rxy的絕對值與1越靠近，兩變量關系越密切，rxy的絕對值與0越靠近， 兩變量關系越小;若|r| = 1，則說明X與Y完全線性相關，當r = 1時，稱作完全正相關，而 r = -1 時，稱作完全負相關； r =0 說明兩個變量間沒有線性關系，但不代表 X 與 Y 間沒 有別的種類的關系［27］。線性相關經驗判斷準則指：0.8 < |r|<1時稱作高度相關，0.5 < |r|<0.8 時稱作顯著相關，0.3 < |r|<0.5時稱作低度相關，|r| < 0.3時稱作微弱相關［28］。
2.相關系數顯著性檢驗。其步驟如下：
>提出原假設和備擇假設H。： p =0； H1： p豐0
>給定顯著性水平a
>選擇合適的檢驗方法，建立檢驗統記量
>將檢驗統記量與鄰接值相比，若檢驗統記量的絕對值大于鄰接值，則局絕原假 舍，反之，不局絕原原假舍
通常采用的檢驗方法包含 t 檢驗方法和 r 檢驗方法，其中 t 檢驗方法對應的檢驗驗 統記量如下：
t = $ ?t(n - 2) (2.4)
Vi - r
若|ty，拒絕H。；若忖<仇，接受H0
r 檢驗方法指用已經算好的 r 作為檢驗統計量，通過查表得到其臨界值，若 r>r ， 拒絕H。；若r<ra，接受H。。
2.2回歸分析
上節介紹了線性相關分析，即經過算出線性相關系數，確立兩者之間的相關方向和 密切程度，但是線性相關分析無法表明兩者間的因果關系，無法從一個或多個量(Xi) 的改變推算另一個量(y)的變化情況。為了確定變量之間的因果關系，通過一個(些) 變量推測另一變量的變化，本節介紹回歸分析相關概念。
2.2.1回歸分析概述及分類
回歸分析是指找出一個合適的數學模型也叫作回歸方程式，近似地表示因子間的平 均變化關系的一種分析方法，其中這些因子是存在相關關系的，并且相關關系的存在形 態已經確定［29］。回歸分析可以經過一個(些)因子揭示另 1 因子的變化，其公式如下：
y = f (x) + £ (2.5)
其中變量y是被解釋或被預測變量，稱為被解釋變量或因變量；x是用來解釋或預 測因變量的變量，稱為解釋變量或自變量；£是隨機誤差。
按照自變量的數量劃分，回歸分析可以分為一元回歸分析和多元回歸分析，一元回 歸分析的自變量只有一個，一元回歸方程式如下：
y =a +bx (2.6)
多元回歸分析的自變量有兩個或多于兩個，多元回歸方程式如下：
y = 00 +卩1 x1 +02 x2 + ... + Pnxn (2.7)
按照回歸方程的特征劃分，回歸分析可以分為線性回歸分析和非線性回歸分析，其 中線性回歸是指因變量是自變量的線性函數，一元線性回歸方程如下：
y =a +bx (2.8)
非線性回歸是指因變量是自變量的非線性函數，如指數函數回歸方程、冪函數回歸 方程、對數函數回歸方程等［30-32］。
2.2.2線性回歸分析
多元回歸是指有兩個或多于兩個自變量的回歸分析，多元線性回歸主要是解決線型 問題的回歸分析［33］。相對于一元線性回歸，多元線性回歸分析自變量的數量更多，計算 更加復雜，分析更加細致，實際意義更大。一種現象通常受多方面因素影響，與多個因 素之間存在特定的聯系，所以使用多個自變量以及其最優組合一起來估計或預測因變 量，更有效，更符合實際，并勝于單個自變量的估計或預測［34］。
1.回歸模型
針對自變量為X1，X2，…，Xm，而且X1?Xm是能夠準確測量并可控的一般變量，對
應的因變量為y,則該多元線性回歸模型可表示為：
y=00 +01x1 +02x2 +...+0mxm+£ (2.9)
其中，00,0\,..., 0m是位置參數，&是隨機誤差，求解上式方程需要估計出0o, 01，..., 0m 以及十，其中獲取n組觀察數據：(y”xi1,xi2,...,xm),i = 1,2,...,n(n >m)，帶入式1.9后生 成方程組的形式：
y1 = 0o +01 x11 +02 x12 + ... + 0mx1m + £1
y2 = 00 + 01X21 + 02X22 + ... + 0mX2m + £2 /C 1
< (2.10)
丿” =00 + 01xn1 + 02 xn2 + …+ 0mXnm + £n
其中"S獨立同分布，均值為0，方差為，。式1.10用矩陣表示如下:
y= "y「
y2 ,x= 1 x11
1 x21 x1222 . ..X1m
..X2m ,0= (00「
01 ,8= 81 n y = X 0 + 8 (2.11)
< yn丿 < 1 Xn1 xn2. ..Xnm 丿 \0m丿 \8n丿
其中y表示因變量向量，0為總體參數的向量，X表示由所有自變量和一列常數1 所組成的矩陣，8表示隨機誤差變量的向量［35-36］。為對模型進行參數估計，有如下基本 假設：
(1)隨機誤差項8滿足E(8)= 0Var(8)= /，即隨機誤差項的平均值為0；
(2)自變量xi，X2，...，Xm是確定性變量，且矩陣X的秩為m+1>n，即矩陣X自變量 之間是線型無關的；
(3)假如隨機誤差項服從正態分布，即8 e(0,慶)丿=1,2,...n，且81,82,...,8n相互 獨立，則 E(y) = X0,Var(y) — In，因此y?N(X0,FIn)。
2.參數估計及常見方法 參數估計是根據從總體中抽取的樣本估計總體分布中包含的未知參數的方法［37］，通 過現有數據分析或推斷數據反映的本質規律。即跟據樣本數據如何依據統計量去推斷整 體的分布或數組特證等。參數估計常見方法包括最小二乘法等［38］。
最小二乘法經過最小化誤差的平方和來查找數據的最能適配函數，他是從誤差擬合 角度對回歸模型進行參數估計的方法。假設用 yi 表示目標變量的第 i 次觀測值， yi 表示 對應的估計值，則最小二乘法從 min £(yi - yi )2 出發來確定未知參數。多元線性回歸模型 誤差平方和可表示如下：
SSE = 8f8 = (y- X 0)©- Xa) = (y‘- X0')(y- X 0)
=y'y-0'Xy-yX0 + 0fXfX0 ( . )
由 于 y = X p + 8 ， 得 得 = Xr 0r + 8 ， 且 y 8 = 8r y ， 所 以
y X0 = 0Xfy = yfy-8y = yy -yf8,進一步可得 SSE = yfy-2yX0 + 0'XX0，求 0 得一 階導數并令其為0即罟護=-2Xy + 2XX0 = 0，計算的0的最小二乘估計量為：
0 = (X，X)-1 Xy (2.13)
帶入y = X0 + 8的8的估計量為
8= y - X 0= y - X(X X)-1X y =［I- X (X X)-1X ］y (2.14)
3.回歸方程 F 檢驗
F檢驗是用來檢驗線性回歸方程的顯著性的，即檢驗自變量X1，X2,…，Xm從全體 上對隨機變量的影響是否顯著。首先提出假設Ho: 01 = 02 =... = 0m = 0。為了檢驗Ho是 不是成 立 ， 需 要 構 造 檢 驗 統 記 量 。 使 用 總 離差平 方 和 的 分解式， 即
n , — 2 n , — 2 2 , 2 2 , 2
若(yi-y)=若(y廠y+y—y) i(y-y) +i(y廠i上式可記為
SST=SSR+SSE，于是構造F統計量如下：
SSR/m
SSE /(n - m-1)
其中SSR的自由度為m，SSE的自由度為n-m-1。根據所給數據算出SSR和SSE， 然后算出F值，根據給出的顯著性水平況，查看F分部表可知臨界值F；(m,n-m-1)。
當F ＞侏(m,n-m-1)時，拒絕原假設Ho，在顯著性水平下，回歸方程是顯著的；否 則，回歸方程是不顯著的。
4.回歸系數的 t 檢驗
t 檢驗是在回歸方程顯著的情況下對線性回歸方程的系數執行顯著型檢驗的檢驗方 法。在回歸方程顯著時，不代表參與回歸的所有自變量對因變量 y 的影響都是顯著的， 因此需要檢驗單個自變量對線型回歸程的顯著型，從而去掉那些對線性回歸方程不顯著 的自變量，進而簡化回歸方程。
從回歸方程可以看出，當某個自變量乞對因變量y的影響不顯著時，它的系數0的 值應取 0，檢驗變量是否顯著，首先提出假設 H0i:0i=0,i = 1, 2,...m 。根據 y= X0，
A
y ?N(X0,/ln)可 知 0 ?N(0,/(x，X)-1).記(X，X)-1 = (cy.),i,j = 1,2,...,m， 則
0?N(0, c”)，因此可構造t統計量如下:
(2.16)
A nn
其中b = ° ―1— 茁 = —1— t (y廠yF是回歸標準差。根據顯著性水平*， Yn — m — 1 匸1 Yn — m — 1 匸1
查出t檢驗的臨界值g。當＞ ta/2時，拒絕原假設Hoy，認為0y顯著不是0,對應的自 變量&對y的線性效果顯著。否則，認為0顯著為0,對應的自變量&對y的線性效果 不顯著。
2.3.NET Framework 框架
.NET 是由微軟開發的用于敏捷軟件開發、快速應用開發、平臺無關性、網絡透明 化的多語言軟件開發及執行平臺［41］。它包括了 Microsoft 的核心策略、計劃和可預見的 前景。這個策略的核心就是.NETFramework，它提供了支撐一切的核心技術。.NET Framework框架設計的目的是使開發者更方便、快捷地開發服務和應用程序。它為存儲 在遠程、 Internet 上以及本地的對象代碼提供一致的面向對象編程環境，為版本控制和 軟件部署提供沖突最小化的代碼執行環境，為代碼提供相對安全的執行環境［42］。從層次 結構來看， .NET 開發框架包含以下幾個主要組成部分：公共語言運行庫、基類庫、 ADO.NET & XML框架、ASP.NET、Windows窗體、Web服務、Web窗體、公共語言規 范等［43］。
Fig. 2-1 Frame Diagram of .NET Framwork
首先，.NET Framework框架是運行于Windows操作系統或者基于C0M+服務上的， 由于.NET Framework框架借鑒了 Java虛擬機的思想，完全使用.Net Framework開發的 應用程序也可以運行于LinuX等操作系統之上，從而實現了其跨平臺特性。
CLR：即Common Language Runtime （公共語言運行時），是為多種語言提供了適 宜的運行時環境，它掌管資源和內存管理，并確保應用和底層操作系統間需要的隔離從 而實現跨平臺［44］。
.NET Framework 框架基類庫：主要包含從輸入、輸出到數據訪問等各個方面，提供 了所有的類和一個統一的面向對象的、可擴展的、層次化的編程接口［45］。其功能是用于 應用程序與操作系統的交互。
ASP.NET與Windows窗體是兩個不同的應用程序開發方式。ASP .NET不再是解釋 腳本，而是編譯運行，由于ASP.NET框架是基于CLR發布的一個網絡應用，只是一個 拷貝文件過程，組件的發布也是這樣更新或刪除網絡應用的，并直接刪除、替換文件［46］； 對于開發人員來說，將網絡應用的配置信息在 XML 文件中存放，并且開發者、管理員 能夠各自對程序進行管理；它還提供了更多的安全管理和認證方式，可靠性等多方面都 大大提高［47］。
CLS即Common Language Standard （公共語言規范），使用不同開發語言時，需要 共同遵循的一套編程規則，所有基于.NET Framework框架的語言都必須遵照此規范才可 以實現與其他語言進行互操作的應用［48］。
最上層是.NET框架下所支撐的開發語言，當前已經支撐C#、C++、J#、VB和Jscript 等［49］。
2.4C#語言
C#語言是微軟開發的一種運行在.NET Framework框架之上的高級程序語言，具有 簡單、精確、類型安全、面向對象的特點，由于它是從C/C++語言演變而來的，所以具 有C語言和C++語言所具有的強大功能。C#語言結合了 C++語言的高效率運行和VB 語言的可視化簡單操作的優點，同時，由于它對面向組件編程的便捷支持、強大的操作 能力、風格優雅的語法以及創新的語言特性，已經成為.NET開發人員的首選語言。
針對Web開發來說，C#在界面、單一繼承等方面與Java有類似的語法，并且與 Visual Studio.NET公共運行庫的高度兼容是C#的目的［55］。C#的主要特征：（1）語法簡 單；（2）面向對象的特點；（3）與Web緊密結合；（4）支持分布式（5）可移植性: 由于C#使用類似Java的中間語言機制。可以方便的移植到其他系統，運行時，把中間 代碼編譯為適合特定機器的代碼；（6）錯誤處理與完整的安全性：C#的設計理念有助 于軟件開發中的常有錯誤的避免，同時提供了一套全面的安全機制，如類型安全［56］； （7） 多線程：類似于Java，一個主進程能夠分出多個執行小任務的多線程［57］。
目前多數公司使用的都是基于Windows操作系統的辦公平臺，而且利用.NET平 臺還具有開發成本低，周期短，風險小等特點，可以節省人力財力。基于此，選擇使用 C#語言和.NET平臺對系統進行開發。
2.5ASP.NET MVC 簡介
MVC 全稱是 Model （模型）、View （視圖）、Controller （控制器），是 Serox PARC 于20世紀的80年代在Smalltalk-80中提出用于構造圖形用戶界面的軟件設計模式［58］。 MVC框架將應用程序的用戶界面分為Model （模型）、View （視圖）和Controller （控 制器）三個主要部件：
Model （模型）：即應用程序的數據模型。Model是對存儲在內存中、磁盤文件中、 或數據庫中數據的抽象，應用程序能夠不必關心數據的存儲形式，通過Model即可以實 現對數據的操作。Model包括一些公開方法，其中的取值方法讓其他部分得到Model 的內部數據， Model 是根據具體狀態的處理、業務流程、業務規則制定的數據模型。
View （視圖）：用來展示應用程序的頁面，并不對任何業務流程進行處理。View 提供了可視化的界面，既可以用來顯示Model中定義的數據，也可以接收用戶的操作， 用戶對數據的具體操作包括對數據的查詢、添加、刪除和修改等，然后將對Model數據 操作的結果以文字、表格、圖片或圖形界面的形式展示給用戶。
Controller （控制器）：該層主要定義了程序的應用邏輯。當用戶對頁面進行操作時， 這些操作指令通過View傳給Controller，由Controller按照業務處理邏輯操作Model 定義的數據模型，最后將操作結果通過View向用戶展示。
I ＞方法調用 匚mm二事件
圖 2-2 MVC 原理圖
Fig. 2-2 Schematic Diagram of MVC
在MVC模式中，Controller負責接管用戶向Web Server提交的所有頁面請求。當 接收到瀏覽器的請求后，Controller負責調用對應的Model做響應的處理；接著Model 按照用戶請求處理業務邏輯，接著返回處理后的結果；最終，控制器調用相應的視圖對 返回的數據進行格式化，并展示給用戶。
ASP.NET MVC是一種基于MVC模式的ASP.NET框架，主要用來構建Web應用 程序。作為一種Web開發的實線思路，ASP.NET MVC的運行架構如圖2-3所示。
請求 響應
數據持久化層
! I
圖 2-3 ASP.NET MVC 模型
Fig. 2-3 Schematic Diagram of ASP.NET MVC
ASP.NET MVC 開發模型主要有三個模塊，分別為 MVC 中的 的 Models、 Views 和Controllerso首先將數據庫抽像成一個對像，并將數據庫中的表、視圖等封裝成對象 類，對數據庫中的數據操作主要使用 Linq To SQL 技術，該技術主要是通過對象的方式 對數據表操作。
ASP.NET MVC框架的優點如下：
＞將業務邏輯、用戶界面邏輯和輸入邏輯相隔離；
＞提供URL映射組件，允許創建便于搜索和易于理解的URL的應用程序；
＞可自定義視圖引擎、URL路由策略、動作方法和其他組件的可插入、可擴展的 框架；
＞支持現存的ASP.NET功能。
由于上述一系列特點，使得MVC模式在可擴展的Web項目中得以迅速地使用。
2.6本章小結
本章首先對相關分析和相關系數進行描述，然后描述了回歸分析的分類，主要針對 線性回歸的回歸模型的建立、參數估計方法、回歸方程和回歸系數的檢驗進行描述，然 后介紹了 .NET Framework框架和C#語言，最后對MVC設計模式和ASP.NET MVC框 架進行介紹。
3煤炭發熱量預測 物價上下波動明顯受影響于社會主義市場經濟和國際物價，作為比較重要的資源， 煤炭已經逐漸趨于國際通用方式，并且大家越來越關注相關能源的價格問題，煤炭所具 有的使用價值由價格直接反映。針對動力煤而言，煤的發熱量是其計價的標準，即煤的 發熱量越高，其所擁有的價值就更大，因此在煤買賣雙方許多與煤的價各有關的紛爭歸 功于發熱量問題，而發熱量與煤中的可燃因素以及函量間有特別大的關系［59］。本章以平 頂山天安煤業2016年內煤質數據為例，針對特定礦井特定煤種研究煤炭中水分（Mad）、 灰分（Aad）、揮發分（Vad）、硫分（St,ad）與煤炭發熱量（Qb,ad）之間的關系，利用R 工具對數據進行統計分析，建立多元線性回歸方程，并對方程和回歸系數進行顯著性檢 驗；確定有效的預測單位，對煤炭發熱量預測，然后根據已知預測結果和實際測量結果 的對比，驗證預測模型，進而確定預測模型的有效性。
3.1R 語言簡介
R語言是由S統計繪圖語言演變而來。其中S語言誕生于上世紀70年代貝爾實驗 室，由 Rick Becker、 John Chambers、 Allan Wliks 開發， 1992 年新西蘭 Auckland 大學統 計系的Robert Gentleman和Ross lhaka基于S語言源代碼編寫了一個能執行S語言的軟 件，并以他們名字的的首字母命名該軟件，就是現在的R軟件。其命令統稱為R語言。
R 是集圖形顯示與統計分析于一體的一種統計分析軟件。它可以運行于 Window、 UNIX 和 Macintosh 操作系統上，它提供的幫助系統具有方便實用的特點，相比于其他 同類軟件（如 Matlab、SAS、SPSS、SPlus），其特點如下：
>R具有有效的數據處理和保存機制。輸入窗口對已經輸入的指令具有記憶功能， 當對當前的編輯上下文進行保存時，可以再次進行編輯和修改以滿足用戶的需 要；在窗口中鍵入語法時，窗口會對鍵入有誤的語法給以提醒；輸出的圖形可 以直接保存為JPGBMP,PNG等圖片格式和PDF文件。
>R和其它數據庫和編程語言之間有很好的接口。
>R是一種面向對象的可編程語言。語言通俗易懂，可以通過編寫函數來擴展現 有語言。
>R是自由軟件。它開放源代碼，可以在相關網站上下載任何有關的源代碼、程 序包、安裝程序以及文檔資料。其內容功能模塊可以實現許多常用功能。
>R提供豐富的安裝。可以通過載入程序包的方式進行訪問，一些基本、常用的程序包己 經被收入了標準安裝文件中，除了標準包以外，還有很多附加包，利用這些包，可 以進一步提高工作效率。
R 語言的免費和開放使其具有廣闊的應用前景。其應用領域包括數據可視化（如地 圖、靜態圖、社交圖、可交互的動態圖、熱圖、與各種JavaScript庫的集成）、金融分 析（如時間序列、量化策略、風險控制、投資組合、波動率）、統計分析（如統計分布、 假設檢驗、統計建模）、數據挖掘（如數據建模、數據挖掘算法、機器學習）、生物制 藥（如生存分析、制藥過程管理）、互聯網（如推薦系統、消費預測、社交網絡）、生 物信息學（如 DNA 分析、物種分析）、全球地理科學（如氣候、天氣、遙感數據）等 等。
3.2煤質相關分析
3.2.1煤質數據采集及處理
本章以平頂山天安煤業股份有限公司 2016 年內煤炭質量歷史數據為例，該數據包 含不同礦井、不同品種、以及不同化驗類型的煤樣數據。首先用excel對數據中與分析 無關的列（如制樣人、制樣日期、化驗人、化驗日期、車數等）進行刪除，然后按礦井 分類，再針對不同礦井對品種和化驗類型進行分類，進而得到特定礦井、化驗類型和品 種的煤樣數據，并以礦井、化驗類型和品種的組合名稱作為文件名，最后將含有空值單 元格的行刪除，從而形成R工具可以接收的數據格式。經處理后一礦外運1/3焦混煤部 分煤樣數據如下：
表 3-1 一礦外運 1/3 焦混煤煤樣數據
Table 3-1 one mine coal sinotrans 1/3 coke mixed data
序號 Mad Aad Vad Qb,ad
1 1.44 43.62 21.17 17929
2 0.83 43.13 20.74 18870
3 1.5 50.31 19.22 15210
4 1.6 43.6 20.52 18384
5 1.74 48.24 19.11 15766
6 1.56 42.26 21.1 18645
7 0.89 42.4 21.3 18805
8 2.1 46.54 20.05 16830
9 2.03 40.24 21.37 19185
10 1.58 38.59 21.8 20088
11 1.86 33.94 23.94 21920
12 0.84 33.36 23.22 22379
13 1.56 42.38 21.22 18612
14 2.54 37.28 21.72 20396
3.2.2煤質數據相關性分析
上節介紹的煤質數據的收集及處理，根據上節收集并處理過的煤質歷史數據，利于 R工具分別對水分（Mad）、灰分（Aad）、揮發分（Vad）、硫（St,ad）與發熱量（Qb,ad） 的進行相關性分析。
首先將采集并處理過的一礦外運1/3 焦混煤煤樣數據進行分配，將 60%的煤樣數據 作為分析預測使用，40%的數據作為驗證模型使用。將需要分析的數據從excel中拷入 txt文件中，然后使用R工具中的read.table（"f:/ykwyjh.txt",header=T）函數讀取txt文件并 存到 data1 變量中，然后定義 Mad、 Aad、 Vad、 st.ad 和 Qb.ad 變量，用來存放 data1 中 的對應列的數據，其代碼如下：
>data1 <- read.table（"f:/ykwyjh.txt",header=T）
>Mad <-data1$Mad
>Aad <-data1$Aad
>Vad <-data1$Vad
>St.ad <-data1$St.ad
>Qb.ad <-data1$Qb.ad
然后分別繪制水分(Mad)、灰分(Aad)、揮發分(Vad)與發熱量(Qb,ad)的 散點圖，并添加回歸線，其代碼如下：
>plot(data1$Mad,data1$Qb.ad)
>abline(lm(data1$Qb.ad~data1$Mad))
>plot(Aad, Qb.ad)
>abline(lm(Qb.ad~ Aad))
>plot(Vad, Qb.ad)
>abline(lm(Qb.ad~ Vad))
繪制的水分（Mad）、灰分（Aad）、揮發分（Vad）與發熱量（Qb,ad ）散點如圖 3-1、圖3-2、圖3-3所示。
圖 3-1 水分與發熱量的相關圖
Fig 3-1 The graph of water and power
由圖3-1可以看出發熱量與水分含量成反比，發熱量隨水分的增加而減少，但相關
性并不明顯。
圖 3-2 灰分與發熱量的相關圖
Fig 3-2 The graph of ash and power
由圖 3-2 可知發熱量與灰分含量成反比，發熱量隨灰分的增加而減少，即煤灰分與 發熱量具由負相關關析。
圖 3-3 揮發分與發熱量的相關圖
Fig 3-3 The graph of volatile and power
由圖3-3可以看出發熱量與揮發分成正比，發熱量隨揮發分的增加而增加，即煤揮 發分與發熱量具由正相關關系。
3.3煤炭發熱量預測
煤炭發熱量預測模型已大量存在，由于已經提出的這類預測模型通常側重于普遍性 和通用型，但并不一定適合于指定礦井指定煤種，常常具有較大的誤差［60］。因此本章基 于平頂山天安煤業2016年內某段時間內煤質數據，針對一礦外運1/3焦混煤研究其發熱 量預測模型。
3.3.1建立回歸模型并選擇參數
上節介紹了煤質數據的采集和處理，并對煤炭發熱量與水分（Mad）、灰分（Aad）、 揮發分（Vad）的相關性做了分析，從而得出與煤炭發熱量相關的成分，為了進一步研 究煤炭發熱量與水分（Mad）、灰分（A ad）、揮發分（V ad）各參數之間的關系，建 立有效的回歸模型，需要從相關性成分中選擇出合適的特征參數。
選擇精簡合適的特征參數建立預測模型，能夠提高模型的有效性，在建立模型時， 為了提高建模效率，獲取區分度更好的特征，需要降維處理所構建的數據集，以得到最 優子集，這個過程叫做特征選擇。其中逐步回歸就是多元線性回歸選擇變量的一種方法， 該方法采用逐個引進自變量，且每次引進對因變量影響最顯著的自變量，并對方程中的 老變量逐個進行檢驗，把不顯著的變量逐個從方程中剔除，最后回歸方程將不會含有對 因變量影響不顯著的變量，也不會遺漏對因變量影響顯著的變量［61］。
根據上節對平煤2016 年某段時間內一礦外運1/3焦混煤煤樣數據的處理，使用 R 工具對水分（Mad）、灰分（Aad）、揮發分（Vad）與發熱量（Qb,ad）建立回歸模型， 其代碼如下。
>lm.Mad<-lm（Qb.ad~Mad）
>summary（lm.Mad）
Call:
lm（formula = Qb.ad ~ Mad）
Residuals:
Min 1Q Median 3Q Max
-6851.9 -1208.9 -10.3 1321.1 5145.2
Coefficients:
Estimate Std. Error t value Pr（>|t|）
（Intercept） 20291.6 244.9 82.842 < 2e-16 ***
Mad -383.3 139.7 -2.743 0.00628 **
Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1
Residual standard error: 1846 on 569 degrees of freedom
Multiple R-squared: 0.01305, Adjusted R-squared: 0.01132
F-statistic: 7.524 on 1 and 569 DF, p-value: 0.006279 > lm.Aad<-lm(Qb.ad~Aad)
> summary(lm.Aad)
Call:
lm(formula = Qb.ad ~ Aad)
Residuals:
Min 1Q Median 3Q Max
-749.02 -152.56 -0.61 154.44 1038.87
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 35678.133 83.820 425.7 <2e-16 ***
Aad -403.648 2.098 -192.4 <2e-16 ***
Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1
Residual standard error: 228.6 on 569 degrees of freedom
Multiple R-squared: 0.9849, Adjusted R-squared: 0.9848
F-statistic: 3.703e+04 on 1 and 569 DF, p-value: < 2.2e-16
>lm.Vad<-lm(Qb.ad~Vad)
>summary(lm.Vad)
Call:
lm(formula = Qb.ad ~ Vad)
Residuals:
Min 1Q Median 3Q Max
-1590.45 -339.13 -33.07 282.13 2649.69
Coefficients:
Estimate Std. Error t value Pr(>|t|) (Intercept) -17292.78 471.98 -36.64 <2e-16 ***
Vad 1709.90 21.82 78.37 <2e-16 ***
Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1
Residual standard error: 541 on 569 degrees of freedom
Multiple R-squared: 0.9152, Adjusted R-squared: 0.9151 F-statistic: 6142 on 1 and 569 DF, p-value: < 2.2e-16
>lm.St.ad<-lm(Qb.ad~St.ad)
>summary(lm.St.ad)
Call:
lm(formula = Qb.ad ~ St.ad)
Residuals:
Min 1Q Median 3Q Max
-6719.4 -1255.8 61.3 1269.8 5129.5
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 18488.8 677.6 27.286 <2e-16 ***
St.ad 3537.0 2043.3 1.731 0.084 .
Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1
Residual standard error: 1853 on 569 degrees of freedom
Multiple R-squared: 0.005239, Adjusted R-squared: 0.00349
F-statistic: 2.997 on 1 and 569 DF, p-value: 0.08399
1 •在計算結果的第一模塊(call)給出了對應的回歸模型式；
2.第二部分(Residuals)列出了殘差的最小值點、1/4分位點、3/4分位點、最大 值點；
3.第三模塊(Coefficients) Estimate代表回歸方程參數的估計，std.Error代表回歸 參數的標準差，t value為t值，Pr (>|t|)表示p值，***表示極為顯著，**表示高度顯 著， *表示顯著， .表示不太顯著，沒有記號表示不顯著；
4. 第四部分(Residual standard error)表示殘差的標準差，(F-statistic)表示F的 統計量［62］。
針對Adjusted R2,每調整一次模型，應該使它變大；Adjusted R2越大代表模型中 相關的自變量對因變量可解析的變化占比越大，模型的預測性即越好。
選出F檢驗最顯著的一個變量，并選入回歸方程，其中各回歸方程及對應的F統計 量和方程顯著性P值如表3-2所示：
表 3-2 回歸方程顯著性統計表
Table 3-1 the saliency of regression equation statistics table
回歸方程原型 F統計量 方程顯著性P值
Qb,ad~Mad 7.524 0.006279
Qb,ad~Aad 3.703e4 2.2e-16
Qb,ad~Vad 6.142e3 2.2e-16
Qb,ad~St,ad 2.997 0.08399
由表3-2可以看出，在四個F統計量中，Aad相應的F統計量最大，相應的顯著性 P值小于0.01。因此，選Aad進入回歸方程。
然后在Mad、Vad和St,ad三個參數中，選擇第二個變量進入回歸方程。在Qb,ad~Aad 已有方程的基礎上，分別引入Mad、Vad和St,ad,并選擇F檢驗最顯著的變量進入回歸 方程，如表 3-3 所示。
表 3-3 回歸方程顯著性統計表
Table 3-3 the saliency of regression equation statistics table
回歸方程原型 F 統計量 方程顯著性P值
Qb,ad~Aad+Mad 8.276e4 2.2e-16
Qb,ad~Aad+Vad 1.85e4 2.2e-16
Qb,ad~Aad+St,ad 1.857e4 2.2e-16
由表3-3可知，在三個F統計量中較大的為&276e4，對應的P值小于0.01。因此， 將Mad引入回歸方程，此時回歸方程的原型為Qb,ad?Aad+Mad,并且該原型對應的Aad 的顯著性檢驗P值為2e-16, Mad的顯著性檢驗P值也為2e-16,均小于0.01，由此可知 Aad 和 Mad 應保留。
然后在Vad和St,ad兩個參數中選擇第三個參數帶入回歸方程。在Qb,ad~Aad+Mad 已有回歸方程的基礎上，分別引入Vad、St,ad,并選擇F檢驗最顯著的一個參數進入回 歸方程。如表 3-4 所示：
表 3-4 回歸方程顯著性統計表
Table 3-4 the saliency of regression equation statistics table
回歸方程原型 F 統計量 方程顯著性P值
Qb,ad~Aad+Mad+Vad 5.828e4 2.2e-16
Qb,ad~Aad+Mad+St,ad 5.611e4 2.2e-16
由表3-4可知，在兩個F統計變量中較大的為5.828e4,相應的P值小于0.01。但是 較大的統計量5.828e4小于回歸模型為Qb,ad~Aad+Mad的F統計量8.276e4，所以Vad 和 St,ad 兩個參數都不能單獨引入回歸方程。由于沒有可引入的參數，逐步回歸結束。 建立回歸方程的原型為Qb,ad~Aad+Mad,對應的回歸方程如下。
yQbad = 36271.6026 — 403.3813屯站—363.1637%“ R2 = 0.9966 (1.1)
3.3.2預測及誤差分析
在本文中，將平煤 2016 年某段時間內煤質數據進行處理，其中 60%的數據作為數 據分析以及建立模型的目標數據，其中 40%的數據作為測試數據，對生成的模進行校驗， 進而檢驗預測模型的有效性，用預測模型對測試數據進行預測，其代碼如下：
>test<-dat.a ? frame (Mad=nMadf Aad=nAadf Qb ?且d=rui且tal$Qb ? ad)
>test$pred<-predict (lni? test)
>testSdiff<-abs(testSQb ? ad-test$pred)/testSQb ? ad
> test
Mad Aad Qb ? a d F工皂d diff
1 50.95 14800 15196?37 2?678182e-02
1?52 4理.IO 17979 17930■理8 2?698726皂一02
3 40.74 19298 19496?4£ 1?028478e-02
4 1.66 31.90 22732 2280 3?030452e-O3
5 1?石£ 34?號石 21441 21559?2£ 5?516453e-03
6 1 .理4 43 ■石 2 17929 1S153?1石 1?250241e-02
2?00 3石?了0 20562 20741?1£ 2?714253e-03
8 1?52 15658 15715?92 3?'698S38e-03
9 0?92 39.01 20053 20201?5號 7?4 09*72號己一03
10 2?缶2 42 ■理5 18100 1S247?42 8?144838e-03
11 44 •石 2 17615 17855 ?09 1?362997e-02
12 1?50 4理?12 17810 17929?石8 石?719554e-03
13 1?7已 43 •石E 17954 18005 ?42 2?8€7171e-03
> summary(test)
Mad Aad Qb ad pred diff
Min. 0.260 Min. 30. 01 Min. :10933 Min. :11210 Min. :2.274e-05
1st Qu. 1.200 1st Qu. 39. 91 1st Qu :16917 1st Qu. :17045 1st Qu. :3.407e-03
Median 1? 495 Median 42. 99 Median :18303 Median :18381 Median :石.828e-03
Mean 1.528 Mean 43. 30 Mean :18175 Mean :18249 Mean :9.fi51e-03
3rd Qu. 1.880 3rd Qu. 46. 38 3rd Qu :19672 3rd Qu. :19608 3rd Qu. :1.246e-02
Max. 3.580 Max. 60. 58 Max. :23789 Max. :23759 Max. :6.748e-02
由運行結果可以看出，對數據集共500多條記錄進行預測，預測值與實際值的最小 百分誤差率為2.274e-05，最大百分誤差率為6.748e-02，平均百分誤差率為9.651e-03。 預測結果很好。
3.4本章小結
本章首先介紹了 R語言概念、特點及其應用，然后基于R工具對煤炭中水分（Mad）、 灰分（Aad）、揮發分（Vad）、硫分（St ,ad）與煤炭發熱量（Qb,ad）的相關性進行分析, 然后根據分析出與煤炭發熱量的具有相關性的變量，建立對應的回歸模型，使用逐步回 歸的方法選擇參數建立預測發熱量的最優的預測模型，最后使用測試數據對預測模型進 行校驗，并對其誤差進行分析，評判模型的優劣。
4系統分析與設計
開發軟件的前提條件是詳細精準的需求分析以及精心設計的框架。軟件需求分析是 在與客戶進行良好溝通的基礎上，最大限度滿足客戶的需求；確定系統真正投入開發所 需的所有信息，提出開發標準，為以后系統開發確認及驗證使用提供依據。系統設計就 是將需求分析到的結果映射到系統開發上，對系統的框架進行合理的設計，使系統在后 期具備良好的安全性、健壯性及可擴展性。本章針對煤質信息管理系統的需求分析及架 構設計進行詳細介紹。
4.1系統分析
系統分析就是系統的應用需求分析，是進行系統架構設計及實現的前提，該階段需 要確定實際應用環境的性能需求及詳細的業務需求。性能需求為根據系統應用場景對系 統的要求，如系統易用性、可靠性以及安全性等；業務需求為客戶需要系統完成的具體 功能，例如本系統中根據需求調研分析得到的系統邊界、功能模塊及系統用戶分類等。 下面分別從性能需求及功能需求進行介紹。
4.1.1性能需求分析
為提高系統滿足應用場景及提高用戶體驗，在業務需求之外提出了系統性能方面的 需求，下面進行詳細介紹：
易用性：系統的易用性是指界面友好、簡單、重點突出、輔助功能豐富，同時用戶 能夠對實現對系統業務輕松、高效、快捷地進行設置及管理相關參數。煤質信息管理系 統主要以礦井、電廠等用煤客戶為用戶主體，因此系統操作不能太復雜，通過該系統使 得其日常工作簡單化、標準化。
安全性：煤質信息管理系統是基于 B/S 架構的 Web 版管理系統，安全性對于其特 別重要，尤其是用戶信息及業務數據，在系統設計時要考慮對關鍵數據進行加密存儲， 對于用戶密碼等敏感信息采用多重不可逆加密機制保障信息安全。在數據訪問層對數據 操作權限的進行嚴格劃分，對不同角色的用戶開放對應的權限，嚴禁越級訪問。
可靠性：可靠性表示系統在預計時間和條件下完成正確業務操作的能力，客戶對軟 件性能滿意程度的期望就是指可靠性目標。該系統的可靠性直接關系到礦井方和買方利 益及交易的順利進行，減少買賣雙方之間的交易沖突，因此在對系統進行設計時候需要 著重考慮這一點。使得系統能夠穩定運行、有一定容錯能力、操作提示、系統日志記錄 等功能模塊。
可維護性：系統可維護性是指在不影響系統其他部分的前提下具有修改功能缺陷的 能力。系統投入使用后，實際的業務需求與系統實現的功能存在微小的偏差，開發人員 應在不影響其他功能的情況下對系統進行修改完善，為了方便后期的維護，在系統設計 時還應考慮系統配置信息的存儲方式。
可擴展性：可擴展性指適應功能需求增加和業務變化的能力，系統可擴展性是指系 統對不斷增長的數據管理需求、終端用戶需求和功能類型需求的支撐能力。對于煤質信 息管理系統而言，系統內數據的不斷積累、系統用戶增多、業務需求不斷變化，系統應 該及時的滿足，在系統設計時應考慮可預見的業務需求，為以后系統的擴展留些空間及 接口，降低二次開發集成的成本，便于增加、改善系統功能。
綜上所述，煤質信息管理系統不僅要考慮操作界面的簡潔、美觀、操作簡單及易學 易用性，還要具備較好的可靠性、可擴展性、可維護性及安全性，特別注意信息數據的 安全存儲。
4.1.2業務需求分析
在煤炭銷售過程中，賣方通過運銷公司將煤炭及相關產品售給買方，在這一過程中， 買賣雙方需要都需要對所交易煤炭商品的質量進行抽查化驗。由于煤炭商品是一種非均 質、非標準的原材料商品，所以在對其進行化驗前很難得知其真實的質量指標，所以通 過對其進行抽樣，然后對樣本進行化驗統計后獲取近似值，通過統計值近似反映該批次 煤炭質量指標的真實值［5］。
為了使采樣、制樣的過程實現標準化，采用采樣機實現采樣、制樣過程自動化，減 少人工采制樣過程不規范對煤質化驗指標造成的影響，同時也提高了采樣效率。煤質信 息管理系統需要將自動化采樣機的采樣數據進行采集，主要包括車牌號、采樣點坐標、 采樣過程圖片以及操作人等信息。
煤質信息管理系統要對各個礦井的現有庫存進行預估，實現整體調度與決策，為實 現快速、精確的對煤堆重量的估計，采用三維大煤堆掃描儀對煤堆輪廓掃描建立三維模 型，煤堆的密度可通過實際測量獲得，從而可以計算煤堆體積。煤質信息管理系統需要 對每次操作的信息進行記錄，主要包括操作人、礦井、體積、三維數據文件、密度以及 掃描儀產生的報告文件進行記錄。
實際業務中煤樣化驗數據流如圖 4-1 所示：
圖 4-1 煤樣化驗數據流 Figure 4-1 Coal Sample Data Stream
如圖 4-1 所示，煤樣經過采樣、制樣流程后將待化驗樣品裝入化驗瓶中送往化驗室 化驗，化驗室工作人員將化驗得到的數據錄入系統，在此過程中，系統需要記錄當前化 驗樣品的化驗室、化驗儀器設備等信息，便于后期對數據進行分析時將化驗設備作為影 響因素進行分析。化驗員將化驗數據填報完畢后，該數據將提交一級審核員進行審核， 一級審核員為本實驗室的化驗員，一級審核通過后化驗數據流轉至分管站長為審核員的 二級審核流程，二級審核通過后，化驗數據流轉結束，將該數據存檔，化驗數據存檔后，
為保證數據安全性、真實性不允許對其進行修改、刪除等操作。
通過實際的項目調研，對煤質信息管理系統的業務需求進行了全面的分析，現將系 統分為七個功能模塊，分別為礦井煤質信息管理、買方煤質信息管理、輔助決策、質量 抽查、輔.助功能、綜合查詢、用戶管理。系統功能模塊圖如圖 4-2 所示：
煤質信息管理系統
圖 4-2 系統功能模塊圖
Figure 4-2 System Function Module
下面按照劃分的功能模塊進行介紹：
1)礦井煤質信息管理 首先礦井方需要對所銷售的煤炭進行抽查、制樣、化驗等過程，在此過程需要準確 記錄抽查、制樣、化驗等相關數據，以便于為銷售過程中給客戶提供質量憑證，以及為 研究煤炭質量與各參數之間的相關性提供數據來源，因此正確的管理這些數據顯得非常 重要。針對以上需求，礦井煤質信息管理模塊需要記錄礦井方采樣制樣信息、化驗信息， 并對其進行審核，使其數據的錄入遵守一定的標準，減少不規范的情況。礦井煤質信息 管理模塊實現礦井方煤質化驗數據管理，主要包括采制樣、人工化驗數據、化驗數據審 核、化驗數據二次審核功能，圖 4-3 為該模塊功能結構圖：
圖 4-3 礦井煤質信息管理功能結構圖
Figure 4-3 Coal Information Management Function Structure
＞采制樣：礦井采制樣人員對煤炭采樣后，通過該功能將采制樣信息錄入系統， 并對煤樣進行編碼以及相關數據錄入。
＞人工化驗輸入：實現化驗分站人員將煤樣的化驗數據錄入系統，主要包括煤樣 的水分、灰分、密度、發熱量等參數以及化驗中所使用的儀器設備信息。該模 塊支持煤樣數據補錄功能。化驗員輸入關鍵煤樣化驗數據后，根據上一章的數 據相關性分析，自動計算并補全其余參數，減少化驗員輸入的工作量，當實際 化驗數據與計算結果不一致時，數據錄入系統后可以對分析預測算法參數進行 校正，提高預測準確度。
＞化驗數據審核：該功能實現對化驗員錄入的化驗數據進行一級審核，該級審核 人員為化驗員同化驗室的化驗人員，主要防止錄入化驗數據時出現錯誤。
＞化驗數據二次審核：該功能對一級審核員審核通過的化驗數據進行二次審核， 該級審核人員為主管化驗的站長，通過二級審核的數據將會存檔。
2)買方煤質信息管理 在煤質銷售過程中，買方為了確保所購煤炭的質量，也需要對所購煤炭進行抽查、 化驗等流程，因而買方煤質信息管理也尤為重要。買方煤質信息管理模塊實現對買方煤 炭質量化驗信息的管理，主要包括發運信息錄入、煤質化驗數據輸入、煤質信息審核功 能，圖4-4為該模塊功能結構圖：
買方煤質信息管理
圖 4-4 買方煤質信息管理功能結構圖
Figure 4-4 Coal Information Management of Customer Function Structure
＞發運信息錄入：該功能為用戶通過輸入發運單號即可獲取該發運單號對應的發 運信息，如車輛號、重量以及該發運單號對應的礦方化驗數據。
＞煤質化驗數據輸入：該功能實現客戶方煤質化驗數據管理，客戶方化驗員使用 該功能將化驗數據錄入后便于對化驗數據的存放保存。
＞煤質信息審核：該功能為客戶方審核員審核客戶方化驗員輸入的化驗數據，審 核員審核通過后與礦方該批次的化驗數據進行比對，當超過一定閾值時預警。
3)質量抽查
質量抽查是監督煤炭產品的重要方式，如何使抽查煤質工作更加具有公正性、有效 性、合理性、權威性、更加規范、使煤炭質檢抽查工作發揮更大的作用，從而使有關企 業的正常生產得到有力保障［63］，質量抽查工作需要從三個方面進行：制樣抽查、小分隊 抽查、化驗抽查。該模塊包括小分隊抽查、小分隊化驗、制樣抽查、制樣抽查化驗、及 化驗抽查、化驗抽查化驗功能，圖 4-5 為該模塊功能結構圖：
質量抽查
圖 4-5 質量抽查功能結構圖
Figure 4-5 Quality Check Function Structure Chart
＞小分隊抽查：該功能為抽查小分隊煤樣化驗指標進行抽查，主要記錄抽查相關 信息，如抽查人、抽查化驗單位、煤樣批次、抽查時間等信息。
＞小分隊抽查化驗：該功能為將小分隊抽查的煤樣數據化驗指標數據，通過輸入 抽查煤樣的化驗數據，將超過與原始化驗指標閾值的煤樣進行預警，便于分析。
＞制樣抽查：該功能為對煤樣制樣的數據進行抽查，對礦井制樣員制樣數據進行 抽查并記錄相關信息，如抽查人、礦井、制樣員、煤樣批次、抽查時間等。
＞制樣抽查化驗：該功能是將制樣抽查的煤樣數據輸入化驗指標數據，通過分析 化驗結果判斷制樣員制樣時是否符合標準。
＞化驗抽查：該功能對化驗員化驗的煤樣進行抽查，主要記錄抽查信息及被抽查 對象信息，主要包括抽查人、化驗員、煤樣批次號、抽查時間等信息。
＞化驗抽查化驗：該功能對化驗抽查的煤樣輸入化驗指標數據，通過兩者的化驗 指標數據分析判斷化驗員化驗指標是否在誤差范圍內。
4)輔助決策 輔助決策實現對賣方和買方交易數據進行聚類分析、買方信用等級分析、賣方及買 方商務糾紛處理、煤炭質量信息管理等。
通過對現有數據進行分析，為煤炭銷售提供決策功能，主要包括對煤樣數據的聚類 分析、對客戶的信用等級劃分以及商務糾紛煤樣數據分析。該模塊包括客戶和礦井聚類 分析、客戶和礦井信用等級分析、商務糾紛預警、商務糾紛處理、礦井煤質信息管理、
客戶煤質信息管理，圖4-6為輔助決策功能模塊結構圖。
輔助決策
圖 4-6 輔助決策功能模塊結構圖
Figure 4-6 Auxiliary Decision Function Module Structure
＞礦井客戶聚類分析：礦井客戶聚類分析主要用于礦井及客戶的交易數據，將其 結果在 Web 頁面上實時顯示。
＞礦井客戶信用等級分析：主要對礦井客戶的信用等級通過交易數據進行分析， 對今后的客戶評價及煤炭銷售提供數據支持。
＞商務糾紛預警：通過分析以往的礦井客戶交易數據，及煤炭的化驗指標數據， 對可能產生商務糾紛的客戶進行預警。
＞商務糾紛處理：記錄產生商務糾紛的數據及處理結果。
＞礦井煤質信息管理：該模塊實現系統用戶對各礦井不同批次的煤樣的化驗指標 數據進行管理，主要包括數據查詢、臺賬報表導出等功能。
＞客戶煤質信息管理：該模塊實現客戶對購買煤炭的樣本的化驗指標數據進行管 理，主要包括數據查詢、報表導出等功能。
5)綜合查詢 綜合查詢為主要實現對系統數據的查詢及報表導出，該模塊功能結構圖如圖4-7所 示：
綜合查詢
圖 4-7 綜合查詢功能模塊結構圖
Figure 4-7 Integrated Query Function Module Structure
＞煤樣查詢：通過煤樣編號、礦井、車號等查詢條件查詢存檔的煤樣化驗數據。
＞生成棋盤表主表：通過輸入查詢起止日期生成棋盤表主表并具備導出功能。
＞生成棋盤表明細表：該模塊實現棋盤表明細表的生成以及導出功能。
＞煤質質量報表：該功能將查詢的數據匯總分析后顯示。
＞礦井煤質化驗數據：通過化驗時間、礦井、煤樣分類、煤樣類型、化驗單位等 查詢條件后顯示符合條件的礦井方煤質化驗數據。
＞客戶煤質化驗數據：客戶方通過輸入煤樣編號、化驗日期等查詢條件后顯示客 戶方審批通過的煤樣化驗指標數據。
＞煤質信息比對數據：該功能通過輸入起止化驗時間或者煤樣批次號等查詢條件 查詢同批次礦井方化驗指標數據與客戶方化驗指標數據的比對，并顯示誤差值。
＞化驗單數據：主要完成用戶通過輸入煤樣批次號顯示標準的化驗單數據并提供 打印功能。
6)輔助功能 輔助功能中需要實現對設備、標準煤樣、裝車點、單位、礦井、工種、化驗類型、 品種、公司用戶等管理。該模塊功能結構圖如圖 4-8 所示：
圖 4-8 輔助功能結構圖
Figure 4-8 The Graph of Auxiliary Function Structure
＞設備類別管理：該模塊實現系統中化驗相關設備的種類進行管理；
＞設備管理：實現對系統中化驗室化驗設備的管理，及在用設備的維護功能。
＞標準煤樣測定：該模塊實現定期測定標準煤樣的指標，并且管理相關化驗的數 據。
＞標準煤樣管理：實現對系統中標準煤樣管理。
＞裝車點管理：實現對系統中礦井與對應裝車點對應關系管理。
＞單位管理：實現對系統的礦井、化驗室等單位信息進行維護管理。
＞礦井管理：實現對系統中礦井進行管理。
＞工種管理：實現對系統工種管理，例如：采制樣員、化驗員等。
＞化驗類型管理：該模塊實現對系統中煤樣的化驗類型進行管理，如外運、地銷
＞品種管理：實現對系統中煤樣品種進行管理。
＞公司用戶管理：對客戶方信息進行管理。
7） 用戶管理
用戶管理模塊主要實現對系統用戶及相應權限的設置，用戶管理包括對系統用戶的 創建、編輯、鎖定及用戶密碼重置等功能，用戶權限管理包括對現有系統用戶的權限角 色進行設置。
4.2數據庫設計
數據庫的設計很大程度上決定了系統的生命周期，良好的數據庫設計能夠使系統在 最小的改動下，適應復雜、日益繁多的業務變化和擴展，因此為保證系統的健壯性，在 設計系統的數據庫時，以成熟的數據庫設計為參考，并符合以下三個原則：（1）數據 的原子性，保證每張表所代表的意義只說明事物的一個獨立的方面；（2）數據的關聯 性，表與表之間能準確反應事物之間的內在聯系；（3）數據的健全性，盡量把事物的 各個屬性以及隨著業務的拓展，將來可能會用到的屬性在設計中體現出來［64］。
數據庫的概念結構設計實現了從需求模型到計算機模型的首次抽象，明確設計的具 體方法是設計初始階段的基礎，在本系統數據庫的概念結構設計中我們使用的設計方法 為“實體-聯系建模”（E-R建模）方法；好的設計還需要掌握一些基礎原則，其中符合需 求是設計時應遵循的最重要的原則，盡量避免在設計中添加更多成分，其次要避免在設 計的過程中出現異常和冗余問題，最后要選擇正確的聯系［65］。
下面以用戶角色實體、礦井信息實體、煤炭化驗信息實體、化驗設備實體為例進行 介紹：
1.用戶角色實體聯系圖
用戶角色實體用于表示系統用戶與對應角色的關系，主要用于存儲系統用戶信息、 當前系統角色信息以及人與角色的多對多對應關系數據。該實體E-R圖如圖4-9所示。
圖 4-9 用戶角色實體 E-R 圖 Figure 4-9 User Role Entity E-R Diagram
2.礦井信息實體
礦井信息實體用于存儲煤質信息管理系統中礦井信息，礦井信息實體由以下屬性描 述：ID、編號、礦井、排序、添加時間、上次修改時間。
3.煤炭化驗信息實體
煤炭化驗信息實體用于存儲采制樣員錄入的采制樣信息、化驗員化驗后錄入的煤樣 指標以及煤樣化驗數據的審核相關的數據，該實體為系統的主要實體之一。
4.設備信息實體 設備信息實體主要用于存儲煤質信息管理系統中所用到的化驗設備信息。 上面以煤質信息管理系統中主要的實體為例對系統數據庫的設計進行了描述，在進
行業務分析時，系統的表結構比較復雜，主要分為系統配置信息實體以及業務數據實體。 系統配置信息實體為系統中配置型的相關參數實體，例如礦井信息實體、煤樣類型信息 實體等。業務數據實體用于存放系統在使用過程中的業務數據，例如煤質化驗實體、車 種車號實體等。
4.3系統設計
在系統開發過程中，軟件設計架構是開發系統過程中關鍵步驟，煤質信息管理系統 采用ASP.NET MVC軟件框架為基礎，ASP.NET MVC框架在Web系統開發時將軟件分 為 Model 層、 View 層以及控制器層。 Model 層即模型層，在軟件架構中為起到業務對 象定義、數據業務邏輯處理的功能，有的系統設計將Model層中定義了對象的定義，在 控制器層或者業務邏輯層實現對業務數據進行相應的處理；有的系統在Model層中不僅 定義了業務對象模型，同時在模型中定義了對該對象模型的操作，如模型的添加、修改 以及邏輯處理oView層為系統視圖層，該層主要用于存放Web頁面文件，通過使用Razor 視圖引擎渲染頁面，頁面可以分為布局母版頁、部分視圖以及獨立頁面視圖，可以在控 制器層靈活的進行組合調用。Controller層即控制器層，該層主要實現對系統頁面的顯 示文件的調配以及對外接口的實現，該層分為兩類文件：普通控制器以及API控制器， 普通控制器實現從模型層獲取數據后傳輸至視圖層顯示，API控制器實現系統對外API 接口的實現，接口返回為JSON格式數據。
煤質信息管理系統開發框架擴展了傳統的MVC框架，形成了數據存儲層、數據訪 問層、系統服務層、控制器層、視圖層、對外接口層以及數據傳輸層，通過對煤質信息 管理系統軟件架構的分層使得系統的架構調用層次清晰。擴展后的系統架構圖如圖 4-13 所示：
圖 4-10 為煤質信息管理系統軟件架構圖，下面對該軟件架構設計從下層往上層依 次進行介紹：
1.數據存儲層 數據存儲層為系統架構的最底層，是系統軟件架構中必不可少的結構，數據存儲層
用于存儲系統相關的數據。
系統數據可分為兩種：配置型數據及業務型數據。配置型數據主要是指可以設置系 統性能的參數，該類數據可使用配置文件進行存儲，在系統正常運行過程中不發生變化； 業務型數據是指用戶在使用系統過程中產生的數據，數據量隨著系統使用時間的增長而 增加，該類數據可以存儲在數據庫中，實現對數據的高效管理。
2.數據訪問層
該層主要實現系統上層應用對數據存儲層操作，對應其下層即數據存儲層的兩種數 據存儲方式，該層要實現操作兩類數據，包括為讀取配置文件中的數據操作和讀寫數據 庫中的數據操作。數據訪問層中的文件以基礎表為單位進行設計，是對數據管理的基本 單元，便于后期擴展。該層UML類圖如圖4-11所示：
Figure 4-11 Data Access Layer UML Class Diagram
3.系統服務層
系統服務層是系統架構的核心，該層主要負責系統業務邏輯的處理，該層以具體業 務中抽像的業務對象為單位，每個文件為具體業務流程中的業務對象，在該對象的處理 邏輯中為調用數據訪問層提供的數據接口，將對業務對象的操作拆分為對業務數據表單 元的操作。
系統服務層為處理系統業務的核心，系統從對數據存儲層的操作的角度可以劃分為 對數據的讀取（查詢）及寫入（添加、修改、刪除）操作，因此在系統架構設計時將該 層劃分為對象的查詢接口及修改接口。查詢接口用于處理對業務對象的查詢操作，對單 個對象及查詢結果列表數據將從數據訪問層獲取的數據進行模型轉換；修改接口主要用 于處理對業務對象的修改、添加及刪除等操作。
<<接口>>
ICoalQualityHuaYanQueryService <<接口>>
IDataHYCommandService
+GetHuaYanListSearchResult(int page,int pageSize, DataHuaYanListSearchModel searchModel):PagingLinkViewModel<DtoHuaYanModel> +GetDtoHuaYanInputModelById(string id):DtoHuaYanModel +GetDtoHuaYanShowModelById(string id):DtoHuaYanModel +CalculateHyDataAverage(string kuangJingId, string zhuangCheDian, DateTime huaYanDate):DispDtoAverageData +CreateHyData(Data_HY hyData, List<Data_HY_CL> clList):bool +UpdateHyData(Data_HY hyData, List<Data_HY_CL> clList):bool +SetDataHyClsDefaultValue(string dataHyId, List<Data_HY_CL> hyClsList):List<Data HY CL>
CoalQualityHuaYanQueryService
+GetHuaYanListSearchResult(int page, int pageSize, DataHuaYanListSearchModel searchModel):PagingLinkViewModel<DtoHuaYanModel> +GetDtoHuaYanInputModelById(string id):DtoHuaYanModel +GetDtoHuaYanShowModelById(string id):DtoHuaYanModel
+CalculateHyDataAverage(string kuangJingId, string zhuangCheDian, DateTime huaYanDate):DispDtoAverageData
圖 4-12 服務層 UML 類圖
Figure 4-12 Service Layer UML Class Diagram
4.控制器層
控制器層為系統的視圖及接口的調度層，該層主要處理用戶在客戶端向服務器端發 起的請求，根據指定的路由規則跳轉至對應的處理程序。該層可以從功能上劃分為兩大 類：普通的頁面控制器及API控制器，普通頁面控制器主要用于處理系統用戶通過瀏覽 器進行的業務操作請求；API控制器主要用于煤質信息管理系統向其它輔助系統開放應 用接口，主要用于實現系統數據對接。
5.視圖層
視圖層為煤質信息系統的頁面表示層，該層主要存放煤質信息管理系統的瀏覽器端 頁面視圖文件。該層通過結合控制器層及對外接口層實現系統頁面的展示及用戶操作的 處理。
6.對外接口層
對外接口層為煤質信息系統的對外開放接口，該層通過控制器層及數據傳輸層的相 互配合實現功能模塊化，目前系統的對外接口主要供數據傳輸層調用，對外接口層的實 現提高了系統的可擴展性及可維護性，可實現數據實時共享。
7.數據傳輸層
本系統中的數據傳輸層實現煤質信息管理系統與其他輔助系統的交互，該層主要實 現本系統與各系統的數據對接，將其他輔助系統中的數據通過對外接口層的數據接口與 煤質信息管理系統交互，該層中的功能模塊視輔助系統功能而定。
8.輔助系統
輔助系統是在煤質信息管理過程中的其他系統，需要與煤質信息管理系統進行數據 對接，現在主要的輔助系統有車號識別系統、三維掃描儀控制系統及自動化采樣機控制 系統，下面對這三個系統功能及與煤質信息管理系統對接內容進行介紹：
＞車號識別系統：該系統用于識別煤樣對應車輛的車種車號，根據銷售類型不同 分別采用火車及汽車進行運輸，在對化驗煤樣的采制樣時使用該系統同步識別 對應的車種車號并上傳至煤質信息管理系統；
＞三維掃描儀控制系統：該系統用于對礦井庫存的大煤堆進行掃描后預估煤堆的 重量，便于對礦井庫存的動態管理，對煤炭銷售決策提供依據，該系統對煤堆 掃描后生成三維數據文件及 PDF 格式報告，需要將其上傳至煤質信息管理系統 并記錄操作人、操作時間等信息；
＞自動化采樣機控制系統：該系統將煤樣的采制樣過程實現機械化、自動化，有 效減少人工采制樣過程中采樣不均勻造成的煤樣化驗指標的誤差，該系統在采 制樣過程中對車輛可采樣區隨機生成采樣點、將煤樣經過粉碎機粉碎后裝瓶制 樣，采制樣員對煤樣進行編號后將采樣的煤樣信息、隨機生成的采樣點圖片、 并將采樣過程隨機的快照上傳至煤質信息管理系統，為保證煤質信息管理系統 與該控制系統用戶信息一致，該系統定時通過數據同步程序更新用戶信息，如 姓名、系統密碼等。
4.4本章小結
本章首先對煤質信息管理系統進行了需求分析，從性能需求及業務需求兩方面進行 了介紹，在對系統業務需求分析時，對系統功能模塊盡心了劃分，并對所劃分的各個功 能模塊的功能進行介紹；其次根據對系統業務需求分析結果對系統數據庫進行了概要設 計，并畫出主要實體的E-R圖；最后對煤質信息管理系統軟件架構進行設計，將軟件架 構劃分為數據訪問層、系統服務層、控制器層、視圖層、對外接口層即數據傳輸層，并 分析了其他輔助系統與煤質信息管理系統的對接需求。
5系統實現
根據上一章對煤質信息管理系統的需求分析、數據庫概要設計、軟件架構設計，本 章對該系統的數據庫主要實體表的實現進行介紹，使用.NET Framework框架結合 ASP.NET MVC軟件框架對煤質信息管理系統軟件架構的實現細節進行介紹，最后展示 平頂山煤質信息管理系統的頁面效果作進一步展現。
5.1數據庫實現
本節對煤質信息管理系統的數據庫實體表的實現進行介紹，本系統采用Microsoft SQL Server 2012實現系統的數據存儲層。其核心的數據表分別有用戶信息表、化驗信息 表、煤樣化驗匹配表、標準煤樣表、化驗設備表，下面對其進行介紹：
（1） 用戶信息表 該表用于存儲煤質信息管理系統用戶信息數據，該表的具體設計如表5-1所示： 表 5-1 用戶信息表
Table 5-1 User Information Table
列名 類型 長度 允許空 備注
Id nvarchar 128 否 主鍵Id
UserCode nvarchar 50 是 編碼
ChineseName nvarchar 30 是 中文名
Sex int 是 性別
UnitCode nvarchar 50 是 單位編號
ContactNo nvarchar 20 是 聯系方式
Email nvarchar 256 是 郵箱
PhoneNumber nvarchar 30 是 聯系電話
UserName nvarchar 256 否 用戶名
Type nvarchar 20 是 用戶類型
JobCode nvarchar 50 是 工種編號
DutyCode nvarchar 50 是 職務編號
（2） 化驗信息表
化驗信息表是用來存放煤炭化驗信息，包括化驗時間、化驗地點、化驗人、化驗參 數等相關信息，該表的具體設計如表5-2所示。
表 5-2 化驗信息表
Table 5-2 Laboratory Information Table
列名 類型 長度 允許空 備注
Id nvarchar 36 否 主鍵Id
CoalId nvarchar 36 是 礦井 Id
CoalCode nvarchar 36 是 礦井編號
列名 類型 長度 允許空 備注
LaboratoryType nvarchar 20 是 化驗類型
Variety nvarchar 20 是 品種
CoalSampleCode nvarchar 20 是 煤樣編號
LoadingPoint nvarchar 20 是 裝車點
CarNumber int 是 車數
Weight int 是 重量
State nvarchar 30 是 狀態
Weather nvarchar 10 是 采樣天氣
SamplingorId nvarchar 128 是 采樣人 Id
SamplingorName nvarchar 20 是 采樣人
MakerId nvarchar 128 是 制樣人 Id
MakerName nvarchar 20 是 制樣人
SamplingTime datetime 是 采樣時間
MakerTime datetime 是 制樣時間
TestTime datetime 是 化驗時間
TestUnitId nvarchar 36 是 化驗單位 Id
TestUnitName nvarchar 20 是 化驗單位
TesterId nvarchar 128 是 化驗人 Id
TesterName nvarchar 20 是 化驗人
Remarks nvarchar 100 是 備注
[Mt(%)] decimal(8, 1) 是 全水分
[Mad(%)] decimal(8, 2) 是 空氣干燥基水分
[Aad(%)] decimal(8, 2) 是 空氣干燥基灰分
[Vad(%)] decimal(8, 2) 是 空氣干燥基揮發分
[St,ad(%)] decimal(8, 2) 是 空氣干燥基全硫
[Had(%)] decimal(8, 2) 是 煤樣氫含量
[Qb,ad(j/g)] Int 是 彈筒發熱量
[Ad(%)] decimal(8, 2) 是 干燥基灰分
[Aar(%)] decimal(8, 2) 是 基灰分
[Vd(%)] decimal(8, 2) 是 干燥基揮發分
[Vdaf(%)] decimal(8, 2) 是 干燥無灰基揮發分
[Var(%)] decimal(8, 2) 是 收到基揮發分
[FCad(%)] decimal(8, 2) 是 固定碳 FCad
[FCd(%)] decimal(8, 2) 是 固定碳 FCd
[FCar(%)] decimal(8, 2) 是 固定碳 FCar
[St,d(%)] decimal©, 2) 是 干燥基全硫
列名 類型 長度 允許空 備注
[Had(%)] decimal(8, 2) 是 氫含量
[Qb,d(j/g)] int 是 干燥基彈筒發熱量
[Qgr,ad(j/g)] int 是 高位發熱量
[Qgr,d(j/g)] int 是 干燥基高位發熱量
[Qnet,ar(Mj/kg)] decimal(8, 2) 是 收到基低位發熱量
[Qnet,ar(Kcal/kg)] int 是 收到基低位發熱量
AuditStat nvarchar 128 是 審核
Auditor nvarchar 20 是 審核人
AuditTime datetime 是 審核日期
SecondAuditStat bit 是 二次審核
SecondAuditorId nvarchar 128 是 二次審核人 Id
SecondAuditor nvarchar 20 是 二次審核人
SecondAuditTime datetime 是 二次審核日期
PassCheck bit 是 通過驗證
LaterCheck bit 是 后續驗證
3) 煤樣化驗匹配表
該表用于存儲礦井煤炭信息與客戶收到的化驗信息匹配的結果，該表的具體設計如
表5-3所示：
表 5-3 煤樣化驗匹配表
Table 5-3 Coal Sample Matching Table
列名 類型 長度 允許空 備注
Id nvarchar 36 否 主鍵Id
CustTestId nvarchar 36 是 客戶化驗 Id
CustName nvarchar 50 是 客戶名稱
CustTestVariety nvarchar 30 是 客戶化驗品種
CustTestTime datetime 是 客戶化驗日期
CoalTestId nvarchar 36 是 礦井化驗 Id
CoalName nvarchar 50 是 礦井名稱
CoalSampCode nvarchar 30 是 礦井煤樣編號
CoalTestVarity nvarchar 30 否 礦井化驗品種
CoalTestTime datetime 是 礦化驗日期
CarNumber int 是 車數
CoalWeight int 是 礦方貨重
CustWeight int 是 客戶方貨重
AddTime datetime 是 添加時間
LastModifyTime datetime 是 最近修改時間
（4） 標準煤樣表 該表用于存放標準煤樣的主要化驗指標數據，用于日常化驗中數據的比對，該表的
具體設計如表 5-4 所示：
表 5-4 標準煤樣表
Table 5-4 Standard Coal Sample Table
列名 類型 長度 允許空 備注
Id nvarchar 36 否 主鍵Id
ProductName nvarchar 50 是 品名
StandValueOfAd decimal(8, 2) 是 Ad 標準值
UncertaintyOfAd decimal(8, 2) 是 Ad 不確定度
StandValueOfVd decimal(8, 2) 是 Vd 標準值
UncertaintyOfVd decimal(8, 2) 是 Vd 不確定度
StandValueOfStd decimal(8, 2) 是 Std 標準值
UncertaintyOfStd decimal(8, 2) 是 Std 不確定度
StandValueOfQgrd decimal(8, 2) 是 Qgr,d 標準值
UncertaintyOfQgrd decimal(8, 2) 是 Qgr,d 不確定度
StandValueOfHd decimal(8, 2) 是 Hd 標準值
UncertaintyOfHd decimal(8, 2) 是 Hd 不確定度
AddUserId nvarchar 36 是 添加人 Id
AddTime datetime 是 添加時間
LastModifyUserId nvarchar 36 是 最近修改人 Id
LastModifyTime datetime 是 最近修改時間
（5） 化驗設備表
該表用于存儲化驗室中的化驗設備信息，該表的具體設計如表 5-5 所示：
表 5-5 化驗設備表
Table 5-5 Laboratory Equipment Table
列名 類型 長度 允許空 備注
Id nvarchar 36 否 主鍵Id
Rank int 是 排序
Type nvarchar 30 是 設備類別
Name nvarchar 50 是 設備名稱
Model nvarchar 50 是 型號
Code nvarchar 30 是 編號
InstallTime datetime 是 安裝日期
UsedUnitId nvarchar 36 是 使用單位 Id
UsedUnitName nvarchar 50 是 使用單位
UsedAddress nvarchar 50 是 使用地點
列名 類型 長度 允許空 備注
Purpose nvarchar 100 是 用途
PersonLiable nvarchar 20 是 責任人
LastUsedTime datetime 是 最近使用時間
UsedCount int 是 使用次數
MaintCount int 是 設備維護次數
AddUserId nvarchar 36 是 添加人 Id
AddTime datetime 是 添加時間
LastModifyUserId nvarchar 36 是 最近修改人 Id
LastModifyTime datetime 是 最近修改時間
5.2系統架構實現
上一節對煤質信息管理系統的數據庫進行介紹，本節將對系統軟件架構層的實現進 行介紹，在上一章中對軟件架構層進行了設計，根據對系統架構的設計分別從數據訪問 層、系統服務層、控制器層、視圖層、輔助模塊進行介紹，控制器層在實現時根據 ASP.NET MVC 框架包含了對外接口層，數據傳輸層在實現時與系統服務層進行合并，在系統部 署時將系統服務層中與輔助系統對接部分以Windows Service方式部署在對應服務器上。
煤質信息管理系統使用 Microsoft Visual Studio 2013 作為開發工具、以 ASP.NET MVC 5 為框架實現，圖5-1為煤質信息管理系統在開發環境中的目錄結構：
圖 5-1 系統代碼文件目錄
Figure 5-1 System Code File Directory
圖 5-1 為系統在開發環境中代碼文件目錄組織形式，項目組織中，煤質信息管理系 統解決方案包含兩個項目文件，分別為 CoalWeb.Domain 類庫項目及 CoalWeb.WebHost 系統網站項目。下面結合開發環境的代碼對系統架構的實現細節進行介紹：
5.2.1數據訪問層
數據訪問層是軟件架構中的最底層，在本項目中該層使用 EntityFramework 實體框 架將數據庫中的實體表映射為C#中的對象，映射到開發環境中的數據庫對象如圖5-2 所示：
圖5-2數據庫EF映射模型
Figure 5-2 Database EF Mapping Model
圖 5-2 所示為系統數據庫使用 EntityFramework 框架添加到項目中后生成的數據模
型，使用EF框架將數據庫及數據庫中的實體表及視圖生成C#對象、存儲過程生成對象
模型中的函數，在生成時，可選擇實體表中的外鍵關系是否添加到生成的對象模型中。
將數據庫映射到項目中后，在項目根目錄下生成APP.config文件，在該文件中可執 行 EF 版本及數據庫連接字符串，便于后期的維護。數據庫映射至項目中的模型瀏覽器 如下圖 5-3 所示：
上圖為數據庫映射到開發環境中的模型瀏覽器，將數據庫中的對象分別映射至模型 瀏覽器中對應的目錄下，在模型瀏覽器中可以實現對數據庫對象中的實體表、視圖、約 束及存儲過程進行管理。
為實現對數據庫表的便捷訪問，將對數據庫實體表的增刪改查等基礎操作進行了封 裝。
5.2.2系統服務層
系統服務層為系統的核心層，該層主要是處理系統的業務邏輯，系統實現時將查詢 和操作的邏輯進行分離，對系統后期的維護及系統性能均有提高，該層調用數據訪問層 封裝的數據訪問，將對業務對象的操作拆分為對數據訪問層的訪問，向上層控制器層提 供對業務對象的業務邏輯操作，圖 5-4 為系統服務層的代碼實現文件在系統實現解決方 案中位置：
卜 o Infrastructure
A LineReg
>* Logs
» Migrations
?•! Models
卜。■ Repository
Scripts
卜1CommandService 卜。■ QueryService
A ViewModels
>* 3 Views
>Global.asax
•匸 packages.config
>♦匸 Web.config
圖 5-4 系統服務層
Figure 5-4 System Service Layer
在系統服務層實現時從對數據的操作方式上將其分為操作服務(Command Service) 及查詢服務(Query Service),在 CommandService 及 QueryService 文件夾下的 Interface 和 Implementation 文件夾分別用來存放服務層的接口文件和對應的實現文件，化驗員輸 入化驗數據的操作服務和查詢服務實現代碼請見附錄。
5.2.3控制器層 控制器層主要處理對用戶請求的解析并返回處理結果，該層主要包括對 Web 系統 用戶的操作處理及對外接口層的路由及處理。該層具體實現代碼文件在項目解決方案中 的位置如圖 5-5 所示：
圖 5-5 控制器層
Figure 5-5 Controller Layer
根據ASP.NET MVC框架約定規則，控制器文件文件名需以Controller結尾，通過 配置的預先設定的路由規則跳轉至請求鏈接對應的控制器及方法。
5.2.4視圖層
視圖層使用ASP.NET MVC框架中的視圖文件進行處理，該層的視圖文件結合CSS 文件及JavaScript文件實現Web系統與用戶的交互及數據處理，該層所涉及的代碼文件
在解決方案中對應的存放位置如圖 5-6 所示：
圖 5-6 視圖層
Figure 5-6 View Layer
該層對應的CSS文件存放在Content文件夾下,JavaScript文件存放在Script文件夾 下，包括引用的第三方開源框架，如 Bootstrap、JQuery、Layer 等。頁面視圖文件存放 在文件夾Views 里，視圖文件在按照Controller對應的控制器名稱命名的文件夾里存放。
視圖文件使用Razor視圖引擎將后端傳遞至頁面的數據進行渲染。
5.3效果展示
上面對煤質信息管理系統的實現進行了介紹，本節以系統主要功能頁面為例對系統
實現效果進行展示：
圖 5-7 首頁
Figure 5-7 Page of home
圖 5-7 為系統首頁，系統首頁主要呈現了煤炭相關信息的數據可視化部分，主要以 時間為橫軸，展示煤炭發熱量趨勢、煤炭發運貨重趨勢等。其中煤炭發熱量趨勢圖中主 要包含三條曲線，橘色曲線代表煤炭總發熱量、藍色曲線代表地銷煤炭發熱量、紫色曲 線代表外運煤炭發熱量，由圖可以看出，外運煤炭發熱量相比較地銷煤炭發熱量的變化
圖 5-8 為采制樣員錄入采樣數據頁面，添加采制樣頁面分為左右兩部分，左側為錄 入煤樣采樣人、采樣時間、采樣天氣、化驗單位等信息，右側為錄入該批次煤樣對應車 號及重量頁面，用戶錄入每輛車的車號及重量后自動計算該批次煤樣的車數及總重量等
圖 5-9為化驗員錄入化驗數據歷史列表，點擊該功能后默認顯示最近 1個月錄入的 煤樣化驗數據，用戶可根據礦井、煤樣品種、裝車點等查詢條件進行查詢。在查詢的結 果列表中用戶可輸入沒有審批或者煤樣錄入化驗數據的煤樣，并且以不同的顏色顯示煤 樣數據當前的審批狀態。
圖 5-10 人工化驗數據錄入頁面
Figure 5-9 Page of Manual Laboratory Data entry
圖 5-10 為化驗數據錄入頁面，該輸入頁面分左中右三部分，左側為化驗設備錄入 頁面；右側為車種車號錄入頁面，其中輸入車號后，會自動生成該車號對應的默認車重， 可根據實際情況對車重進行修改；中間為化驗參數及相關信息輸入部分，上半部分包括 化驗煤樣所屬礦井 、化驗類型、化驗時間、化驗人等信息，下半部分提供煤樣化驗參 數的錄入，通過輸入一些參數，其他參數會根據相應公式自動生成。
5.4本章小結
本章根據上一章對數據庫及系統軟件架構的設計對數據庫及煤質信息管理系統的 實現進行了介紹。首先對系統的數據庫及所含的實體表在Microsoft SQL Server 2012數 據庫管理系統中進行了實現，并介紹了系統中主要表的結構設計；其次對煤質信息管理 系統軟件架構進行了代碼實現，詳細介紹了數據訪問層、系統服務層、控制器層以及視 圖層；最后以系統部分頁面為例對實現效果進行了展示。
6總結與展望
6.1總結
本文首先對煤炭發熱量預測方法進行研究。首先選取平煤 2016 年內煤質化驗數據 為研究對象，通過對煤質數據的采集和處理，基于R語言分別對水分（Mad）、灰分 （A ad）、揮發分（V ad）、硫（St,ad）與發熱量（Qb,ad）進行相關性分析，得出和煤 炭發熱量具有相關性的參數，建立回歸模型，然后使用逐步回歸的方法選擇參數建立最 優的預測模型，對煤炭發熱量進行預測，對預測結果和實際數據進行了對比分析；進而驗證了 預測模型的的有效性；然后基于 ASP.NET MVC 框架設計并開發了煤質信息管理系統，使煤質管理 徹底擺脫以前的手工對比模式，從而加強客戶服務管理，提高企業的經濟效益。
本文主要研究內容如下：
1.煤炭發熱量預測方法研究。為了精確的預測煤炭發熱量，提前獲悉礦井的煤質變 化情況，按照用戶實際需求提供滿意的礦站煤炭，從而提高煤炭用戶供煤的滿意度。本 文針對煤炭發熱量預測方法進行研究。首先對采集到的煤質數據進行處理，然后基于 R 語言對煤炭的各參數與發熱量的相關性進行分析，并建立回歸模型，然后采用逐步回歸 的方法進行參數選擇，建立最優的預測模型，并驗證模型的有效性。根據預測模型可以 快速并準確的估計出煤炭發熱量，從而提高用戶供煤的準確度和符合度。
2.煤質信息管理系統開發。為了提高煤炭企業煤質管理工作的工作效率，實現煤質 數據得大量存儲、查詢、快速處理和傳遞，更好地支持管理決策，使煤質管理從以前的 手工對比模式到現在的自動高效的管理，設計并開發煤質信息管理系統，通過煤質信息 管理系統，記錄并存儲煤炭的采樣、制樣、化驗信息以及對煤炭銷售過程中買賣雙方的 煤質化驗數據進行對比，并與輔助系統進行數據對接，輔助系統有車號識別系統、三維 掃描儀控制系統及自動化采樣機控制系統，通過設計并開發煤質信息管理系統加強客戶 服務管理，提高企業的經濟效益。
6.2展望
本文對煤炭發熱量預測方法進行了研究，設計并開發了煤質信息管理系統，取得了 一定的成果，但由于時間問題，本文仍存有很多不足之處，須要在將來的工作中深入研 究。如：
1.煤炭發熱量預測方法研究。研究的數據依據是平頂山天安煤業股份有限公司 2016年內一礦 1/3 焦混煤煤樣數據，基于這些數據分析煤質各參數對發熱量的相關性以 及回歸模型，建立了預測模型，并通過有效性校驗，但是該預測模型并不一定適用于其 他礦井或其他煤種，針對其他礦井的其他煤種需要進一步研究。
2.煤質信息管理系統開發。當前煤質采樣已經擺脫了以前的人工采樣、制樣，使用 自動采制樣機代替人工。但是在煤樣參數化驗過程中，各化驗參數的數據采用自動化設 備化驗，在煤質信息管理系統后期開發時可研究與各化驗設備進行對接，減少人員干預， 提高化驗數據準確度。
攻讀學位期間參加的科研項目及發表的學術論文
參加項目情況：
1 、鄭州市發改委公共服務平臺； 2、大型煤炭企業煤質精益化管控及信息系統。 發表論文情況：
1.武秋芳，張冠勝.基于HTML5P1US的智能運維管理平臺移動端App的開發研 究 J].信息通信,2016,(09):80-83.
2.張冠勝，武秋芳.基于 ASP.NET MVC 的電能表自動化檢測線智能運維平臺 分析與設計[J].信息通信,2017,(01):69-70.
致 謝
值此論文完成之際，謹向所有在我攻讀碩士期間給予我教育、培養、幫助和支持的 學校、老師、同學和朋友致以最誠摯的謝意。
首先要感謝皇甫中民老師和閆新慶老師，兩位老師學識淵博、治學嚴謹，在這三年 期間不管是從科研上、學習上還是生活上都給予我很大的指導和幫助。每當我遇到困惑 時，老師都會耐心開導我，給我指引方向，對錯誤的地方及時批評指正并給出改進建議， 使我在科研研究方面有了很大提高，從論文的選題、開題報告的撰寫、資料的查找，到 結構的完善，都給予悉心指導。
其次感謝在研究生期間給與我幫助和關心的師兄師姐，同學以及朋友們，感謝你們 在學習和生活上對我的幫助和關照，有你們的陪伴，使我的研究生生活過的非常有意義， 此外，我還要感謝所有對我的論文提出寶貴建議和意見以及評閱本論文的老師。
然后感謝我的家人以及關系我的親友們，多年來在我的求學道路中給予我始終如一 的幫助、關心和支持，你們無微不至的關懷和大力支持是我順利完成學業的基礎，更是 我成長道路上的精神支柱，在此學業完成之際，向你們表示崇高的敬意和由衷的謝意。
衷心的感謝所有關心和幫助過我的人！
參考文獻
[1]羅斐.煤炭資源的現狀及結構分析[J].中國煤炭,2008,(03):91-94+96.
[2]毛節華，許惠龍.中國煤炭資源分布現狀和遠景預測[J].煤田地質與勘探,1999,03:2-5.
[3]田俠.淺析黑龍江省七臺河市煤炭資源供需形勢[J].黑龍江科技信息,2012,(11):141.
[4]劉道精.煤炭銷售中存在的問題及對策探析[J].企業家天地下半月干刊(理論 版),2008,(02):76-77.
[5]王換換.煤炭銷售智能推薦及預測研究[D].華北水利水電大學,2014.
[6]畢軍賢.煤炭提供鏈產品質量協調機制研究[D].中國科學技術大學,2010.
[7]戴化震，陳建中，沈麗娟，等.窯街海石灣礦弱粘煤優化利用途徑探討[J].選煤技術,
2009(1):49-51.
[8]蔡璽玉.影響我國電煤供給的主要量化因素分析[J].中國煤炭,2007, 33(5):11-14.
[9]孫洪亮，陳萬喜，陳立軍.基于C/S與B/S結合模式的煤質信息監測查詢系統[J].數字
技術與應用, 2014(1):130-130.
[10]關丙火.煤質管理信息系統的設計與研究[D].西安科技大學,2009.
[11]高鳳麗.煤質分析研究現狀及影響因素研究[J].農家科技旬刊,2013(10).
[12]蘇博，劉魯，楊方廷.基于灰色關聯分析的神經網絡模型J].系統工程理論與實踐, 2008, 28(9):98-104.
[13]劉天新, 韓士杰, 楊小平,等. 利用工業分析結果推導計算我國煤低位發熱量的新公 式[J].煤炭科學技術，1992(7):40-44.
[14]張西春，馬學軍，劉萍.動力煤發熱量與工業分析指標間數學模型的研究[J].選煤技 術, 2000(4):8-10.
[15]李徐萍，李國慶，李芳蓮.煤的發熱量經驗公式及其在煤質分析中的應用J].輕金屬, 2002(1):28-29.
[16]袁德山.淺談國企信息化建設的持續推進[J]. 2010:南昌,2010.
[17]張冬雪.煤炭安全生產信息化的未來發展方向[J].黑龍江科技信息,2013(29).
[18]宋健，陳士俊.信息化發展階段論對我國高校信息化的啟示[J].中國教育信息化, 2007(3S):8-10.
[19]譚章祿，李學芳，張閣，等.煤炭企業信息化建設淺議[J].煤炭經濟研究, 2003(5):37-38.
[20]袁清文.煤炭企業信息化的應用模式研究[D].山東科技大學,2004.
[21]王睿.列寧辯證法思想研究[D].西北師范大學,2013.
[22]陳立旭.論聯系的變化[J].淮陰師范學院學報(哲學社會科學版),2001, 23(2):194-197.
[23 ]王亞軍.相關系數與決定系數辨析[C].長江流域暨西北地區科技期刊協作網2008年 學術年會. 2008.
[24]王兆寧.相關分析的構建原理分析[J].中小企業管理與科技,2010(11):324-325.
[25]任福棟, 張宏烈, 孫景峰,等. 簡單相關分析與偏相關分析在高考成績相關性分析中 的對比研究J].高師理科學刊,2014(2) :24-27.
[26]易東，陳軍，劉嶺，等.相關系數的正確理解和表達J].重慶醫學,2011, 40(34):3518-3519.
[27]佟昕，宋婕.談統計學中的相關與回歸分析[J].遼寧經濟職業技術學院•遼寧經濟管 理干部學院學報, 2011(5):17-18.
[28]田彥玲.統計中利用Excel進行相關分析[J].天津職業院校聯合學報，2005, 7(5):131-134.
[29]王娟.對統計中相關分析與回歸分析的論述[J].現代經濟信息,2014(8X):115-115.
[30]聶軍.層次分析應用中的線性回歸分析[J].當代教育理論與實踐,2004, 26(6):35-38.
[31]支姝，王生昌，趙姣.基于客運量預測的一元回歸模型的改進[C]//中國客車學術年 會. 2007.
[32]李永娜.基于MATLAB的相關和回歸分析研究與應用[J].數字技術與應用， 2014(11):95-95.
[33]劉青萍.基于回歸分析的個性化教學研究[D].湖南師范大學,2008.
[34]周霏，胡文懿，苗國強.多元線性回歸法在預測煤層瓦斯含量中的應用J].中州煤炭, 2013(8):107-109.
[35]武進靜，韓興勇.基于多元線性回歸模型對江蘇省物流需求的預測分析J].上海農 業學報, 2015(4):62-68.
[36]龍鳳莉.各地區旅游經濟與第三產業經濟的回歸分析J].鞍山師范學院學報，2004, 6(6):13-15.
[37]賈元杰.單自變量非參數與參數回歸模型的比較研究及最優模型的智能化構建[D]. 中國人民解放軍軍事醫學科學院, 2012.
[38]任媛媛.基于嶺回歸的金融數據分析算法實證研究[D].合肥工業大學,2013.
[39]劉蕓.假設檢驗中各種參數的應用研究[J].貴州師范學院學報,2013, 29(3) :24-26.
[40]王晨陽，王成.線性回歸方程顯著性的事先檢驗問題J].延安大學學報:自然科學版, 2005, 24(2):32-34.
[41]曲紹剛.鐵路局資源占用與鐵通清算系統的研究[D].北京交通大學,2009.
[42]付明柏.基于.NET Framework的軟件復用技術研究[J].軟件導刊，2013, 12(5):15-17.
[43]姚建龍.珠寶玉石飾品檢驗管理系統的設計研究[D].武漢科技大學,2014.
[44]陳湘妮.勞動保障管理信息系統的設計與實現[D].復旦大學,2007.
[45]易醇.基于.NET平臺的物流配送系統的設計與實現[D].西南財經大學,2004.
[46]董光，劉旭東，王輝艷.NET概述[J].吉林省經濟管理干部學院學報，2005, 19(3):61-62.
[47]劉大成.基于.NET的領域應用框架FCS.NET的設計與實現[J].全國城市防洪專題
研討會, 2007.
[48]全斐.GASOR系統面向對象的跨語言互訪技術研究[D].西安石油大學,2008.
[49]龔慜.采用藍牙通信技術的DPU無線手持式操作器研發[D].上海大學,2008.
[50]Vincent ZooNEKYND.Statistics with R,28th August 2005
[51]W.N.Venables and B.D.Ripley.Modern Applied Statistics with S,Fourth edition,15 March 2002
[52]Luis Torgo.Data Mining with R:learning by case studies,may 22,2003
[53]Fayyad U,Piatetsky-ShapiroG,Smyth P, Knowledge discovery and data mining:towards a unifying framework.In Proceedings of the International Conference on Knowledge Discovery and DataMining(KDD-96).1996
[54]Chen M-S.HanJ ,Yu P S .DataMining:An Overview from a Database Perspective. IEEE Trans.on Knowledge and Data Eng.1996,8(6):866-883
[55]栗青霞.基于ASP.NET MVC的電力設備網上交易平臺設計與實現[D].華北水利水 電大學, 2014.
[56]佟宇川.移動醫療信息采集系統的設計與實現[D].大連理工大學,2009.
[57]王保華，薛錦云，丁樹良.Java多線程機制及其應用[J].計算機與現代化, 2000(1):1-6.
[58]況蔚林.ASP.NET MVC開發模式研究[J].黑龍江科技信息,2015(21):159-159.
[59]劉治青.煤中灰分與發熱量相關性和回歸方程[J].山西焦煤科技,2006(4):13-14.
[60]王廣榮，劉生玉.西山煤發熱量與工業分析指標的相關性和回歸方程[J].山西煤炭, 2009, 29(2):33-35.
[61]謝明旸.多元統計分析方法在上市公司績效評價體系建立中的應用[D].合肥工業大 學, 2009.
[62]田兵.多元線性回歸分析及其實際應用[J].陰山學刊:自然科學,2011, 25(1):16-19.
[63]王斌.關于規范我國煤質抽查工作的幾點建議[J].中國外資,2010(14):150-150.
[64]沈向艷.數據庫應用系統性能優化研究[J].消費電子,2012(11):110-110.
[65]吳宙旭.基于ASP.NET MVC的教學編排系統設計[D].上海師范大學,2013.
[66]耿沖.煤炭質量信息管理系統的設計和實現[D].華東師范大學,2011.
[67]Mazumder BK.Theoretical oxygen requirement for coal combustion relationship with its calorific value[J].Fuel, 2000, 79： 1413?1419
[68]Patel SU， Jeevan Kumar B， Yogesh PB etc.Estimation of gross calorific value of coals using artificial neural networks[J].Fuel， 2007， 86： 334?344
[69]A.K.Majumder， Rachana Jain， P.Banerjee etc.Development of a new proximate analysis based correlation to predict calorific value of coal[J].Fuel， 2008， 87： 3077?3081
[70]Fayyad U,Piatetsky-ShapiroG,Smyth P, Knowledge discovery and data mining:towards a unifying framework.In Proceedings of the International Conference on Knowledge Discovery and DataMining(KDD-96).1996
[71]B.Mobasher,R.Cooley,J.Srivastave.Automatic personalization based on Web usage mining[R].Technical Report TR99010,Department of Computer Science,DePaul University,1999
[72]Robert Cooley,Bamshad Mobasher,Jaideep Srivastava.Web mining: Information and pattern discovery on the world wide web[A].ICTAI'97[C], Dec.1997
[73]Bchner,A.G.,Mulvenna,M.D.Discovering Internet Marketing Intelligence through Online Analytical Web Usage Mining[J].ACM SIGMOD Record,1998,27(4):54-61
[74]Bchner,A.G,Mulvenna,M.D.,Anand,S.S.&Hughes,J.GAn Interne- enabled Knowledge Discovery Process[A].Proc.9th Int'l.Database Conf.[C],forthcoming,1999,(a)
[75]Parikh J，Channiwala SA，Ghosal GK.A correlation for calculating HHV from proximate analysis of solid fuels[J].Fuel, 2005, 84： 84?94
[76]Steven Sanderson. Pro ASP.NET MVC Framework[M].Apress:2010.
[77]Shi Yi,Quan Liu,Jing Song Li. Design and Realization of Large File Asynchronous Upload and Broken-Point Continuingly-Transferring Based on ASP.NET MVC[J]. Applied Mechanics and Materials,2014,3082(543):.
下一篇：沒有了
相關標簽:
