多元逐步回归对苯胺类化合物结构与毒性模型研究

采用Chemoffice6．0中MOPAC-AMl量子化学法计算了24种苯胺类化合物的6种量子化学结构参数．其中取17个化合物作为样本集对-lgEC50进行多元逐步回归分析．得到最佳方程．经自由度校正的回归系数R=0．985。应用所建立的QSAR模型验证了苯胺类化合物的EC50值．并通过“Jackknife”中的逐一抽取法进行模型检验,得出该模型具有很好的稳定性．平均残差仅为0．05个对数单位．小于文献值。经过7个预测样本对该模型进行验证．结果表明．该模型具有很好的预测能力。同时分析了苯胺类化合物的毒性机理。     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

基于BP和RBF神经网络的外加碳源量模型研究

碳源作为反硝化过程的电子供体,是影响生物脱氮过程的重要因素,低碳氮比污水需外加碳源以保证反硝化反应的顺利进行。为了优化控制碳源投加量,对实验室搭建的CAST工艺污水处理装置的进水条件和外加碳源量的非线性关系分别进行了基于BP和RBF神经网络的模型研究,并对外加碳源量进行了预测。结果表明,两种网络模型均能有效预测外加碳源量,RBF神经网络模型在训练速度和逼近能力方面优于BP神经网络模型,但在预测性能方面BP神经网络模型则有更高的预测精度。     

基于人工神经网络的半连续式混合厌氧消化产气量预测

研究采用BP神经网络和模糊神经网络(FNN)模型对逐步提高有机负荷的半连续式餐厨垃圾和猪粪混合厌氧消化试验进行日产气量预测.结果表明,BP神经网络模型的预测准确率为77.63％,FNN模型为82.33％,2种模型均可用于产气预测,但FNN模型在传统神经网络模型基础上加入了模糊控制,可提高其准确率,更适用于混合厌氧消化产气量预测.     

化学-生物絮凝工艺类神经网络模型比较研究

在化学-生物絮凝工艺中试研究的基础上，分别建立了基于BP类神经网络的多输入多输出（MIMO）模型与多输入单输出（MISO）模型。应用化学生物絮凝工艺中试6个不同工况的实测数据对2个模型进行训练，均表现出很好的收敛性。通过另外2个中试工况的实测数据对模型预测性能进行测试，MISO模型对化学-生物絮凝反应器出水的COD、TP和SS的预测相对误差均低于MIMO模型，其预测相对误差均在9%以下。研究表明，MISO模型是一个很易使用的建模工具，能很好地预测化学-生物絮凝工艺出水水质。     

基于IGA-BP网络的水质预测方法

针对水质预测中传统BP神经网络模型收敛速度慢,对隐层结点选取缺乏有效的手段等问题,引入了遗传算法优化BP网络的结构和隐层神经元阈值和连接权值,通过设计灵活的实数编码方案和新型交叉算子等,对实数编码遗传算法进行改进,在此基础上,提出了一种基于改进的实数编码遗传算法优化BP神经网络(IGA-BP)的水质预测新模型,并以安徽蚌埠蚌埠闸逐周水质监测的PH值数据为例,进行水质预测,通过与传统的GA-BP神经网络以及BP神经网络的水质预测模型对比,结果表明,这种预测方法训练的BP神经网络收敛速度快,样本逼近精度高且泛化能力强。     

基于集成神经网络的汽车尾气检测系统设计

为了准确、有效地检测汽车尾气中各气体的质量分数,对传感器阵列和BP神经网络技术进行了研究,设计了一套汽车尾气检测系统。首先,根据汽车尾气成分选取4个相应传感器和一个温湿度传感器组成传感器阵列,搭建汽车尾气检测装置;其次,为了克服单一BP神经网络预测精度低,容易陷入局部极值的缺点,建立基于Adaboost算法和BP神经网络的集成神经网络模型;最后,利用集成神经网络模型对传感器阵列的响应信号进行回归分析。结果表明,集成神经网络模型预测的平均相对误差小于3%,能够有效处理汽车尾气的检测数据。     

空气中PM_(10)浓度的BP神经网络预报研究

建立了某市PM10浓度预报的分段BP神经网络模型，经验证，所建立的BP预报模型，预测精度比较高，PM10日平均浓度误差大多在-0．010～0．010mg／m^3范围内，相对误差在-20％～20％，表明BP神经网络对PM10的浓度预报是一种有效的工具。     

基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测

运用奇异谱分析(SSA)对湘江新港断面557周的pH、DO、高锰酸盐指数和氨氮数据进行了预处理,再运用遗传算法优化反向传播神经网络模型进行拟合与预测。结果表明:SSA有较好的降噪能力,遗传算法反向传播(GABP)神经网络模型相比BP神经网络模型均方根误差(RMSE)平均缩小了6.96%,具有良好的预测精度;预测期内新港断面的pH、DO、高锰酸盐指数、氨氮均能满足《地表水环境质量标准》(GB 3838—2002)Ⅲ类标准,但氨氮在预测期内呈上升趋势,需警惕氨氮浓度过高引发的水污染问题。     

BP神经网络对蚯蚓滤池处理COD的模拟预测

基于蚯蚓滤池处理去除污染物的非线性特点,利用BP神经网络建立了蚯蚓滤池处理COD的基本模型结构。同时对实验数据进行了验证和预测,通过权值贡献率分析确定了各种输入因素对COD出水浓度的影响。结果表明:COD的出水模型预测值与实际值平均误差较小,模型稳定,预测效果好。输入神经元为4,隐含神经元为8,输出神经元为1,学习速率为0.1,动量为0.1,训练次数为10 000的BP神经网络模型,预测的COD出水值最接近真实值。COD进水浓度对COD出水影响最大,符合理论研究结果。BP神经网络模型建立的成功为后续生活污水智能化控制的研究提供了相应的理论基础。     

基于人工神经网络的居民生活垃圾可燃成分热值预测

研究采用BP、RBF和自适应神经模糊推理系统(ANFIS)对生活垃圾可燃成分的热值进行预测。结果表明,BP神经网络模型的预测准确率为93.36%,RBF模型为96.87%,ANFIS模型为91.06%,3种模型均可用于可燃成分热值预测,但RBF模型的预测准确率相对较高,更适用于可燃垃圾的热值预测。     

多元回归和BP人工神经网络在预测混合厌氧消化产气量过程中的应用比较

对脂肪类单基质和城市污水厂剩余污泥混合厌氧消化过程的产气阶段进行基于多元回归和BP人工神经网络的产气量预测模型比较研究。实验数据分别取自反应过程的第1～16天和第17～70天。结果表明:多元回归模型的预测平均准确率分别为75.69%和79.29%;BP神经网络模型的预测平均准确率为79.05%。通过对比2种模型的预测结果可知,两种模型都有较高的预测准确率,但BP模型的预测准确率更高,更适用于混合厌氧消化产气量预测。     

基于BP神经网络的垃圾焚烧过程故障诊断

应用BP神经网络方法,建立了垃圾焚烧过程故障诊断的模型.该方法采用梯度下降法训练网络权值,利用最优停止法对网络进行了优化,避免了过拟合现象.提高了BP神经网络的训练速度和泛化能力.并以实际焚烧过程工况数据进行性能检验,检验结果表明了该BP网络具有较高的诊断精度.     

酚类化合物对硝化颗粒污泥活性抑制的定量结构-活性相关研究

测定了酚类化合物对硝化颗粒污泥活性抑制的logIC50值,以量子化学参数为自变量,应用偏最小二乘法（PLS）,建立了酚类化合物对硝化颗粒污泥活性抑制的定量结构-活性相关（QSAR）模型。模型所提取的PLS主成分所能解释的因变量总方差的比例Qc2um为0.820,表明模型具有较好的稳定性和预测能力。模型的结果表明,影响酚类化合物对硝化颗粒污泥活性抑制的主要因素是logkow、CCR和Ehomo,酚类化合物对硝化颗粒污泥活性抑制的logIC50随着分子logkow的增大而减小,随着Ehomo和CCR的增大而增大。     

改性麦糟吸附水中三价砷离子机理及条件优化

选取啤酒麦糟作为吸附剂原料,通过聚丙烯酰胺进行改性处理后用于吸附水中亚砷离子。静态吸附条件下考察了p H值、As(Ⅲ)初始浓度、反应温度、吸附剂用量等操作参数对As(Ⅲ)吸附容量的影响。利用扫描电镜及红外光谱等表征了麦糟和改性麦糟的结构特征和物理化学性质。通过BP神经网络方法建立模型,而后用训练好的网络对各参数与As(Ⅲ)吸附容量之间的关系进行仿真,得到的均方误差为0.004 06,表明BP神经网络预测性能较好(R2=0.978 0)。     

改进的QGA-BP模型在弥苴河总氮量预测中的应用

水质预测对水环境规划、评价和管理十分重要。构建一种改进的量子遗传算法(QGA)优化BP神经网络的模型,即在量子遗传算法中引入了旋转角的动态改进策略和遗传算法的交叉变异操作,并以改进的QGA作为进化操作准则优化BP模型的权值和阈值。以弥苴河复杂水环境水质预测为实例,选取一组历史观测数据作为训练样本,对其进行分析。将结果与BP模型、QGA-BP模型仿真结果进行了对比,改进后的QGA-BP模型在进化代数、收敛速度和预测结果的准确率有较大提高。对弥苴河水质的预测结果表明,将改进QGA-BP模型用于水质预测是可行、有效的预测方法。     

变权组合模型在景观水体水质模拟中的应用

针对景观水体的水质模拟与预测问题,在BP神经网络和支持向量机模型的基础上,建立了权重随输入量变化的变权组合模型。该模型既能充分利用各个单一模型的优点,又能避免固定权重分配的弊端。经实例验证,与单一的BP神经网络和支持向量机模型相比,变权组合模型拟合精度更高,预测结果更为准确。     

基于灰色模型和模糊神经网络的综合水质预测模型研究

水质状态变化趋势预测研究对水资源管理和维护具有重要的现实意义。提出了一种将灰色模型和模糊神经网络相结合的水质预测模型。首先基于改进的灰色模型预测出水体中各理化因子在未来一段时间内的指标变化,然后采用T-S模糊神经网络对各单因子的预测值进行数据融合,构建水质变化综合趋势预测模型,预测出下一时间段的水质整体状态指标。实验表明,这种方式用来预测湖泊水质变化趋势具有可行性;与BP网络模型相比,基于T-S模糊神经网络系统的模型具有预测精度高、模型系统稳定等优越性。     

人工神经网络在强化一级处理系统过程模拟与优化中的应用

针对化学强化一级处理系统（CEPT）处理废水时影响因素多，难以进行适当的控制和处理效果的预测等问题，建立起基于BP人工神经网络的CEPT法处理猪场稳定塘废水预测模型，并应用该模型对烧杯试验进行了模拟。结果表明，预测值和实测值吻合较好，模型对COD、总磷、浊度去除率预测的平均相对误差分别为7．5％、4．8％和4．9％。通过对pH值和絮凝剂投药量等可控参数进行优化计算，得到CEPT系统的最佳操作条件和最合理操作条件。该模型的建立为CEPT法处理废水工艺系统实现自动化控制提供了一条简便实用的途径。     

基于改进型灰色神经网络组合模型的空气质量预测

基于空气质量数据不足及波动较大的情况,将灰色GM（1,1）模型与人工神经网络模型组合并改进,建立改进型灰色神经网络组合模型。利用天津市2001—2008年PM10、SO2和NO2年均值作为原始数据预测2009—2010年PM10、SO2和NO2的浓度以进行模型精度检验,最后利用该模型预测2011—2015年天津市空气质量状况。结果表明,与灰色GM（1,1）模型、传统灰色神经网络组合模型相比,所建立的改进型灰色神经网络组合模型相对模拟误差小,预测结果更为可靠,可以用于空气质量预测。