大气环境质量综合评价的B—P网络模型

选取大气环境质量的三级标准作为３个学习样本，以ＳＯ２，ＮＯｘ和ＴＳＰ三种污染物的三级标准浓度限值作为样本的输入特征值，建立了三参数的Ｂ－Ｐ网络大气质量综合评价模型，用该模型对３１个测点的大气环境质量进行评价，并与模糊数学和灰色系统法的评价结果比较，表明Ｂ－Ｐ网络用于大气环境质量评价具有优越性。     

基于B－P网络的水质营养状态评价模型及其效果检验

选取与ＴＳＩ＿ｃ为０．５０，１００相应的水质营养状态作为３个建模样本，以ｃｈｌ－ａ，ＴＰ，ＴＮ和ＳＤ４个水质参数作为样本的输入特征，建立Ｂ－Ｐ网络的水质营养状态评价模型。该模型应用于全国３０个湖泊水质的营养状态评价，获得了较好的检验效果。     

基于B－P网络的水质营养状态评价模型及其效果检验

选取与ＴＳＩｃ为０，５０，１０相应的水质营养状态作为３个建模样本，以ｃｈｌ－ａ，ＴＰ，ＴＮ和ＳＤ４个水质参数作为样本的输入特征，建立了Ｂ－Ｐ网络的水质营养状态评价模型。该模型应用于全国３０个湖泊水质的营养状态评价，获得了较好的检验效果。     

改进的B—P网络在大气环境质量综合评价中的应用

本文引入人工神经网络理论，提出了大气环境质量综合评价的修正的Ｂ－Ｐ网络模型，与其它评价模型比较，表明该模型更具有优越性。     

高盐度、高氨氮肠衣废水的治理研究

高盐度、高氨氮肠衣废水经过简单的絮凝预处理后，进行ＰＡＣ－ＳＢＲ生化处理。在原水Ｃｌ￣－，ＮＨ＿３－Ｎ，ＣＯＤｃ＿ｒ浓度分别高达９０００ｍｇ／Ｌ，１４５ｍｇ／Ｌ和２０００ｍｇ／Ｌ时，预处理ＣＯＤｃ＿ｒ可去除３０％以上。生化法取得了９５％以上的ＮＨ＿３－Ｎ去除率及９０％左右的ＣＯＤｃ＿ｒ去除率．脱氮效果显著，Ｃｌ￣－对系统的生化能力无明显影响．     

洱海地面水环境监测优化布点研究

根据１９８７年以后五年洱海水质监测数据的数理统计分析，选择污染指数大的ｐＨ、ＣＯＤ＿（Ｍｎ）、ＢＯＤ＿５、Ｔ－Ｎ、Ｔ－Ｐ进行单项方差分析，进而再进行灰色关联聚类分析和年际相关分析，确知洱海三个水质监测断面可归于一类。考虑水下地形、湖流、环湖工农业布局，水质监测点优化为两个即可保证其准确性、可控性和代表性。     

综合环境质量的B－P网络二级评价

为了探索人工神经网络应用于环境质量评价的可行性和合理性，应用人工神经网络的Ｂ－Ｐ模型，构造了大气、水质和噪声的综合环境质量的Ｂ－Ｐ网络二级评价模型。并将该模型应用于实例作效果检验。结果表明Ｂ－Ｐ网络用于环境质量评价适应性强，方法可行，结果合理。     

共生细菌SB_1降解聚乙烯醇的研究Ⅱ．共生细菌SB_1聚乙烯醇氧化酶的产生、纯

共生细菌ＳＢ＿１接种在０．３％聚乙烯醇（ＰＶＡ）培养基中，３０℃摇床振荡培养（５００ｍＬ三角瓶）或发酵罐（１０００Ｌ）通气培养时，ＰＶＡ氧化酶产生的高峰在４８ｈ或４０ｈ．离心收集的上清液采用４０％－５０％饱和度的硫酸铵分级沉淀ＤＥＡＥ－Ｓｅｐｈａｄｅｘ离子交换柱和Ｃｉｂａｃｒｏｎ蓝－Ｓｅｐｈａｒｏｓｅ４Ｂ亲和柱层析等纯化步骤，ＰＶＡ氧化酶收得率３０％，比活力提高３１倍，该酶经凝胶电泳后，用硝基四氮唑蓝进行活性染色，呈现四条谱带，ＰＶＡ氧化酶与ＰＶＡ作用，可释放Ｈ＿２Ｏ＿２，同时伴随着粘度降低，ＰＶＡ氧化酶反应的最适ｐＨ为７．０，最适温度为４０℃，该酶置－５℃贮存较稳定，贮存５００天，其活力仍保留近５０％，在所测试的金属离子和化学试剂中，Ｐｂ￣（２＋）和水杨酸可使ＰＶＡ氧化酶活力完全丧失。而Ｂａ￣（２＋）与ＮａＮ＿３则对酶活力有较强的激活作用。     

半胱氨酸合铁(Ⅱ)溶液同时脱除烟中SO_2和NO_x和研究

研究用半胱氨酸合铁（Ⅱ）溶液同时脱除烟气中ＳＯ＿２和ＮＯ＿ｘ，研究了［ＳＯ＿３￣（２－）〕对ＮＯ＿ｘ脱除率的影响、半胱氨酸的再生。实验表明：烟气中ＳＯ＿２可以全部脱除；随［ＳＯ＿３￣（２－＿）］的增加能增大半胱氨酸合铁（Ⅱ）溶液对ＮＯ的吸收，但有一定限度；氧化产物胱氨酸可用Ｈ＿２Ｓ／ＳＯ＿２／ＯＨ－（Ｎａ＿２Ｓ／Ｎａ＿２ＳＯ＿３）体系还原为半阶氨酸。使此过程循环，无二次污染。     

B－P网络用于环境质量分类研究

用全国２５个湖泊的水质指标资料作为训练样本，应用人工神经网络Ｂ－Ｐ算法，分别建立了３参数和４参数的水质分类模型。并用所建立的模型对６个湖泊水质进行分类检验效果。结果表明Ｂ－Ｐ模型应用于环境质量分类是可行的。且由于Ｂ－Ｐ网络有自学习、自适应的能力，因而与其它的环境质量分类法相比具有优越性。     

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。     

基于粗糙集-人工神经网络的建筑施工安全评价及应用

本文依据建筑施工过程安全状态特征,从人、机、环境、管理四个方面进行分析,构建了建筑施工安全评价指标体系,并将粗糙集理论与人工神经网络模型两种方法相结合,建立了基于粗糙集-人工神经网络的建筑施工安全评价模型,对建筑施工过程安全状况进行评价,即:首先通过专家评议同粗糙集理论相结合,对评价指标体系中的各指标进行约简,并确定影响建筑施工安全的核心因素;然后将经粗糙集约简后的评价指标采用人工神经网络方法进行处理和计算。通过实际应用验证表明,经过训练后的神经网络所得的预测值同理论值相近,证明此种评价模型能为建筑施工安全评价提供合理的依据。     

基于粗集、遗传神经网络的环境质量评价

基于粗集、遗传神经网络的环境质量评价方法利用粗集对属性的归约功能将数据库中的数据进行归约，并将归约后的数据作为训练数据提供给BP神经网络；再用遗传算法和BP算法相结合的混合算法来训练网络预测模型的结构（在得到最优网络结构的同时也得到网络的最优权值和阈值）。通过实例表明该方法是有效的，为环境质量评价提供了一种新的研究思路和分析方法。     

综合环境质量的B－P网络二级评价

为了探索人工神经网络应用于环境质量评价的可行性和合理性,应用人工神经网络的B－P模型,构造了大气、水质和噪声的综合环境质量的B－P网络二级评价模型。并将该模型应用于实例作效果检验。结果表明B－P网络用于环境质量评价适应性强,方法可行,结果合理。      

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

Prediction of the concentration of chlorophyll-a for Liuhai urban lakes in Beijing City

The weekly water quality monitor data of Liuhai lakes between April 2003 and November 2004 in Beijing City were used as an example to build an artificial neural networks （ANN） model and a multi-varieties regression model respectively for predicting the fresh water algae bloom. The different predicted abilities of the two methods in Liuhai lakes were compared. A principle analysis method was first used to select the input variables of the models to avoid the phenomenon of collinearity in the data. The results showed that the input variables for the artificial neural networks were T, TP, transparency（SD）, DO, chlorophyll-a （Chl-a）,pH and the output variable was Chl-a. A three layer Levenberg-Marguardt feed forward leaming algorithm in ANN was used to model the eutrophication process of Liuhai lakes. 20 nodes in hidden layer and 1 node of output for the ANN model had been optimized by trial and error method. A sensitivity analysis of the input variables was performed to evaluate their relative significance in determining the predicted values. The correlation coefficient between predicted value and observed value in all data and in test data were 0.717 and 0.816 respectively in the artificial neural networks. The stepwise regression method was used to simulate the linear relation between Chl-a and temperature, of which the correlation coefficient was 0.213. By comparing the results of the two models, it was found that neural network models were able to simulate non-linear behavior in the water eutrophication process of Liuhai lakes reasonably and could successfully estimate some extreme values from calibration and test data sets.     

Development of a method for comprehensive water quality forecasting and its application in Miyun reservoir of Beijing, China

Water quality forecasting is an essential part of water resource management. Spatiotemporal variations of water quality and their inherent constraints make it very complex. This study explored a data-based method for short-term water quality forecasting. Prediction of water quality indicators including dissolved oxygen, chemical oxygen demand by KMnO₄ and ammonia nitrogen using support vector machine was taken as inputs of the particle swarm algorithm based optimal wavelet neural network to forecast the whole status index of water quality. Gubeikou monitoring section of Miyun reservoir in Beijing, China was taken as the study case to examine effectiveness of this approach. The experiment results also revealed that the proposed model has advantages of stability and time reduction in comparison with other data-driven models including traditional BP neural network model, wavelet neural network model and Gradient Boosting Decision Tree model. It can be used as an effective approach to perform short-term comprehensive water quality prediction.