基于粒子群优化极限学习机的水质评价新模型

河流水质实时评价技术对当前河流水资源管理和保护具有重要意义。该文以淮河水质为例,利用粒子群优化的极限学习机(Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM)分类算法对淮河水质进行类别判定。在极限学习机(ELM)分类算法中随机给定输入权值矩阵和隐含层偏置,需要较多的隐含层节点才能达到所需的精度要求,隐含层节点过多易于出现过拟合现象并增加算法的计算量。该文利用粒子群算法(PSO)优化极限学习机的输入权值矩阵和隐含层偏置,计算输出权值矩阵,以减少隐含层节点。通过对比PSO-ELM、ELM这2种算法发现,PSO-ELM算法以较少的隐含层节点可获得更高的精度,降低了对实验样本的需求量,提高了模型的拟合能力。实验结果表明,PSO-ELM对于水质类别判定具有一定的可行性和有效性。     

基于DE-MELM的土质边坡稳定性预测方法

为防止滑坡,避免发生事故,将差分进化(DE)算法与改进的极限学习机(ELM)有机组合,提出了一种基于DE-MELM的土质边坡稳定性预测方法。该方法首先在M估计基础上利用加权最小二乘方法计算ELM输出权值,以减少数据粗差对ELM预测的干扰;然后采用DE算法优化该ELM隐含层输入权值和偏差,以降低随机选取参数对预测性能的影响;最后通过所建立的DE-MELM土质边坡稳定性预测模型进行实例仿真验证。仿真验证结果表明:较之于标准ELM方法和基于M估计的ELM方法,所提出的DE-MELM方法仅经过15次迭代即可取得较为理想的预测精度,并对数据粗差具有较强的抗干扰能力,从而验证了其可行性和有效性。     

一体化A_mO_n工艺BP神经网络数学模型研究

讨论基于BP神经网络一体化AmOn污水处理工艺数学模型的构建。在分析神经网络和一体化AmOn污水处理工艺各自特点的基础上,建立了具有11个输入层节点、5个输出层节点以及包含两层隐含层的BP神经网络,并确定了各隐含层的节点数、网络的权值和阈值。对模型的验证结果表明:BP神经网络模型基本反映了AmOn一体化工艺的主要特点,网络预测出水结果与实测结果相差不大,神经网络模型具有较好的泛化能力。     

近红外光谱和极限学习机分析反硝化除磷中胞内聚合物

为利用近红外光谱技术同时实现反硝化除磷工艺中胞内聚-β-羟基丁酸酯(PHB)、多聚磷酸盐(Poly-P)、糖原(Gly)含量的快速分析,采用多元散射校正预处理法和极限学习机算法建立PHB、Poly-P、Gly含量分析的校正模型(ELM模型).结果表明:多元散射校正预处理法可以有效消除散射对原始近红外光谱数据的影响.采用极限学习机算法对预处理后的光谱数据建立PHB、Poly-P、Gly的定量分析模型,优选出的PHB、Poly-P、Gly的ELM模型主成分数分别为6、6、7,隐含层节点数分别为18、12、17.模型对PHB、Poly-P、Gly含量的校正相关系数(rc)分别为0.9835、0.9499、0.9589,校正均方根误差(RMSECV)分别为0.0541、0.0579、0.0489.模型对PHB、Poly-P、Gly含量的预测相关系数(rp)分别为0.9683、0.9288、0.9488,预测均方根误差(RMSEP)分别为0.0668、0.0776、0.0501,模型对PHB、Poly-P、Gly含量有较好的预测效果.用近红外光谱技术结合极限学习机算法建立ELM模型为反硝化除磷工艺中PHB、Poly-P、Gly的同时快速定量分析提供了较为简便的方法.     

基于气象相似准则的城市空气质量预报模型

为提高城市空气质量预报准确率,文章在传统BP神经网络的基础上提出了基于气象相似准则的样本优化方法,建立了三层样本筛选优化机制,确定了阀值及权重矩阵,从而建立了城市空气质量动态预报模型。将模型应用在广州8个空气质量监测站点的预报上,并与传统的BP神经网络空气质量预报模型进行了对比分析,效果良好。分析结果表明,广州8个空气质量监测站点的SO2、NO2、PM10/2.5的实测值与预报值的平均绝对误差分别为0.016 mg/m3、0.014 mg/m3、0.020 mg/m3,级别预报准确性评分分别为89.6、92.6和84.6,预报准确度综合评分达81.6,并且比传统神经网络模型具有更高的预报精度。     

改进BFO优化BPNN的自来水混凝加药预测

本文给出一种量子粒子群（QPSO）算法、改进菌群觅食（IBFO）算法优化反向传播神经网络（BPNN）的混凝投药预测模型,利用量子粒子群的个体极值与群体极值更新细菌觅食算法趋化过程中细菌位置;通过细菌协同改进趋化算子提高优化精度,结合差分算法改进繁殖算子解决部分维度退化问题,加入轮盘赌方法作为选择机制改进迁移算子来克服优化过程中优秀解消失的缺陷;进而优化BP神经网络的权值、阈值以此预测混凝剂投药量.对云南某自来水厂的数据进行离线训练和模型测试,结果表明,所提算法预测结果的均方误差（MSE）达0.0116mg/L,平均绝对误差百分比（MAPE）达1.36%,在预测精度和稳定性上优于BFO-BPNN、PSO-BPNN等模型.     

城市空气质量的BP和RBF人工神经网络建模及分类评价

根据MATLAB提供的人工神经网络模型,将其应用到城市空气质量评价,研究并对比分析BP和RBF两种人工神经网络的建模方法及评价结果。首先构建BP神经网络模型,确定输入层、隐含层和输出层的神经元数,选择Sigmoid型函数作为激励函数,应用内插扩展出的训练样本对BP网络进行学习,再用训练成熟的BP网络对待评价样本进行仿真;其次构建RBF神经网络模型,确定其输入层和输出层的神经元数,选择Gauss函数作为隐含层激励函数,再用同样的训练样本进行学习和仿真;最终进行归一化论证,验证归一化预处理在空气质量评价中的必要性。结果表明:应用BP和RBF人工神经网络可以得出较好的城市空气质量分类评价结果,其中RBF神经网络模型与改进的灰色聚类法评价结果一致,具有较高的准确率,是一种快捷、有效的综合评价方法。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

基于GIS和BP神经网络模型的PM10浓度预测与空间分布研究

耦合GIS和BP神经网络模型,探讨不同算法和隐藏神经元数对PM10浓度预测和空间分布的影响,结果显示:不同算法的PM10浓度预测值与监测值的平均相关系数和平均相对误差分别为0.85和17.58％,Levenberg-Marquardt优化算法在隐藏神经元数为20时预测精度最高.相同算法,不同隐藏层神经元数对PM10浓度的预测结果影响较大,不同算法,相同神经元数对PM10浓度的预测结果影响较小.不同算法的PM10浓度空间分布模拟在中北部的高风险区和东南部的低风险区与监测数据结果基本一致.     

自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。     

基于遥感技术的贵州省PM10浓度年际变化监测与分析研究

文章选取MODIS数据,利用暗像元算法反演得到气溶胶光学厚度,利用BP神经网络算法通过网络训练和验证,得出PM10浓度遥感监测模型。利用该模型反演得到贵州省2014年3、7、10、12四个典型月份的PM10浓度值。结果表明模型训练和验证PM10浓度模拟值与实测值相关性系数（r）分别为0.76和0.62,利用此模型监测贵州省PM10近地面浓度是可行的;贵州省夏、秋季PM10浓度较低,春、冬季PM10浓度较高;贵州省的PM10浓度整体较低,空气质量较好。     

基于卡尔曼滤波的空气质量指数预测方法

分析了卡尔曼滤波预测空气质量指数的机理,用ARMA算法为卡尔曼滤波建立模型,提出了将RBF神经网络融合于卡尔曼滤波的方法,实现对空气质量指数的混合预测。根据空气质量指数时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。融合了RBF神经网络后的卡尔曼滤波预测方法减少了单一方法的延迟现象,使同种性质的误差累积减小,提高了预测精度。对AQI序列预测的仿真显示融合后的卡尔曼滤波方法优于单一的卡尔曼滤波方法,亦优于现已广泛应用的BP神经网络预测方法。     

基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测

为了预估混合底物碳源条件下活性污泥PHA合成产量预测的准确度,通过引入遗传算法对BP人工神经网络的权值和阈值进行优选,建立基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测模型。以餐厨垃圾发酵液为底物碳源,利用活性污泥在ADD模式下进行PHA合成。以实验数据为基础训练神经网络模型,通过实测数据与模型预测数据之间的对比,验证了人工神经网络预测模型的精确度,并对长期PHA合成能力进行了预测。结论表明:基于遗传算法改进的GA-BP网络模型表现出比传统BP神经网络模型更佳的预测准确度,为评估混合菌群PHA最大合成产量的长期发展趋势,确定合理富集时长探索了可行方法。     

基于BP神经网络的污泥水解液合成PHA的多参数敏感性分析

本文采用多参数敏感性分析方法对影响污泥水解液合成PHA产量的参数进行分析.在实验数据的基础上,利用BP神经网络建立了PHA的产量预测模型.通过与真实试验结果的对比,验证了预测模型的精确度.根据训练完成的神经网络模型中的各参数变量到目标的权值和阈值,利用Garson算法定量得到各参数变量对于目标的参数敏感性系数数值.结论表明：基于BP神经网络技术建立的预测模型具有较高的可信度,多参数敏感性分析方法可评估多因素同时变化对PHA产量的影响,具有较高的实用价值.     

基于Matlab的BP神经网络在大气污染物浓度预测中的应用

为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明：采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。     

基于BP神经网络的粤北某地区地下水脆弱性评价及其风险管控

针对传统DRASTIC模型在参数权重确定过程中主观性强问题,以粤北某地区浅层地下水为研究对象,利用采集的地下水相关数据和新增土地利用类型参数,在优化BP神经网络算法和构建DRASTICL模型基础上,借助地下水NO^-₃浓度进行模型验证,建立耦合BP神经网络算法的BP-DRASTICL模型,进而根据地下水脆弱性空间分布特点提出了地下水污染风险管控对策。结果表明：训练函数为trainlm、学习率为0.1、隐含层神经元节点数为6时,BP神经网络算法效果最好,相应地获得的最优BP-DRASTICL模型参数权重依次为0.1420(地下水埋深,D)、0.1151(净补给量,R)、0.0791(含水层介质,A)、0.1833(土壤介质,S)、0.0908(地形,T)、0.1574(包气带介质影响,I)、0.0891(渗透系数,C)和0.1433(土地利用类型,L)。D、S、T和L对评价结果的影响最大。与DRASTIC模型、DRASTICL模型相比,BP-DRASTICL模型的Pearson和Spearman相关系数最高,分别达到0.615和0.656,表明硝...     

马尔可夫修正的BP神经网络在PM2.5预测中的应用

本文以昆山某点位的监测数据及天气网的气象数据为基础,选取了影响PM2.5因素中的10个指标进行了相关性分析,结果表明PM2.5与PM10是高度相关,与CO、SO_2、NO_2、O_3显著相关,并依据分析结果对模型输入数据进行了降维。运用BP网络对序列1-16的PM2.5进行预测,结果显示其误差在-25%~-26.9%。将预测误差划分为4个状态,计算概率转移矩阵,并对序列17、18的BP预测结果进行修正,结果显示修正后的误差由BP网络的-14%、-25%降为-7.1%、-8.3%,预测准确度大大提高,表明基于马尔可夫-BP神经网络模型在昆山PM2.5预测中具有一定的现实意义。     

IPSO-BP神经网络在渭河天水段水质评价中的应用

水质评价是进行水环境容量计算和实施水污染控制规划的重要基础,能为改善河流水资源污染程度,保护河流水资源提供方向性、原则性的方案和依据。文章通过改进的PSO算法优化BP神经网络的权值和阈值,获得最优权值和阈值后建立IPSO-BP神经网络水质评价模型,针对关中-天水经济区中天水段地表水质,利用2003-2009年渭河天水段4个控制断面的监测数据,选取BOD5、DO、氨氮、总磷、高锰酸盐指数5个指标进行综合评价,并分析了污染现状及时空变化规律。结果表明,改进的PSO-BP神经网络泛化能力强,评价更客观;7年间水质有一定程度的改善,但总体变化不大,水质类别主要为Ⅱ类和Ⅲ类,其中北道桥断面污染最为严重。研究旨在有效控制渭河流域天水段污染,为渭河水资源的保护提供科学依据。     

基于神经网络的城市夜间环境监控与预测

因夜间天空亮度分布具有非线性变化特点,故引入神经网络算法,建立基于时间序列的夜天空亮度预测模型,夜天空亮度预测模型可为城市光污染防治提供评价依据.文章对神经网络的原理进行了论述,建立了基于时间序列预测模型.以测试数据为训练样本集,基于MATLAB(矩阵实验室,Matrix Laboratory的简称),采用改进的BP算法(误差反向传播算法)对网络进行学习训练,并对存在的误差进行了分析.基于时间序列BP神经网络的夜天空预测模型,当隐含层神经元数目为5,训练函数为L-M优化算法(trainlm)时,最大绝对误差可达到0.003 6 cd/m2,最大相对误差达到2.361 4%.结果表明,模型的运行结果与试验数据比较吻合,输出与目标矢量之间相关性也较好.     

基于BAPSO-PNN神经网络算法的空气质量评价研究

针对空气质量级别的影响因子较多,存在实时性、非线性和随机变化的特点,提出一种基于频率粒子群优化概率神经网络的算法(BAPSO-PNN)来对空气质量状况进行评价。文章利用改进粒子群算法能够有效调节全局和局部搜索平衡性的优点,对PNN网络中的spread参数进行优化,从而建立BAPSO-PNN算法,并从数据分析的角度来对空气质量状况进行评价,最后与经典算法PSO-PNN的仿真结果进行对比。结果表明,BAPSO-PNN算法具有较高的评价精度、运算和收敛速度,具有较高的实际应用价值。