基于AGNES算法优化BP神经网络和GIS系统的大气污染物浓度预测

建立了大气污染物浓度与影响因子之间的BP神经网络,对城市中各监测点位的次日大气污染物浓度进行预测,采用GIS的插值分析进行污染物空间分布预测,其中BP神经网络的输入向量采用AGNES算法进行处理。以太原市区SO2、PM10浓度预测为例,选择气温、湿度、降水量、大气压强、风速和前5天的污染物浓度等10个参数训练BP神经网络,结果表明,BP神经网络的训练效果较好,预测结果与实际浓度显著相关,R2分别为0.988、0.976;结合太原市8个监测点位的污染物浓度预测值,运用GIS空间差值法绘出SO2、PM10的浓度分布预测图,该图与实际情况大体符合,并且与国控大气污染企业的分布显著相关,Pearson相关系数分别为0.969、0.949。     

一种水源地气温-水温-水质关系智能预警算法

设计了一种两阶段算法,引入水温作为中间桥梁,第一阶段利用多变异位自适应遗传算法解析气温与水温数学关系,第二阶段根据遗传算法改进的BP神经网络通过水温对水质进行预测,进而设计气温-水温-水质组成的水质预测算法GA-GABP,并将该算法应用于秦皇岛石河水库的水质监测模拟。结果表明,整个过程算法寻优速率快,网络学习时间短,其最终拟合、预测效果理想,能够对水质预警作出有效分析。     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

空气中PM_(10)浓度的BP神经网络预报研究

BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010～0.010mg/m3范围内,相对误差在-20%～20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

基于人工蜂群算法的BP双隐含层神经网络水质模型

采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。     

基于小波分析与BP神经网络的PM_(10)浓度预测模型

应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM_(10)浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。     

太湖富营养化指标BP人工神经网络预测模型的建立

富营养化是太湖面临的一个重大环境问题。富营养化预测是湖泊水质变化的有效预警手段。本文选择TN、TP和叶绿素a(Chl-a)三个富营养化重要评价指标,基于Minitab软件的相关性分析,利用MatlabR2010b软件建立了太湖TN、TP和Chl-a变化的BP人工神经网络预测模型。结果表明,在对TN、TP、Chl-a的预测中,训练的均方差在0.02以下,相关系数在0.88以上,测试的均方差在0.17以下,相关系数在0.70以上,具有较强的相关性;Chl-a、TN的模型预测的结果最为理想,TP的预测结果次之,总体结果较好。因此,建立的BP神经网络能较好地预测太湖富营养化指标的变化情况,可作为太湖富营养化管理的一个有效工具。     

基于BP神经网络城市环境噪声预测及实证研究

城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP(Back propagation,BP)神经网络对北京市1994~2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP神经网络能够有效地对城市环境噪声污染进行评价和预测。     

PSO和SVM混合算法确定太湖入湖河流水质主要影响因子

以影响太湖入湖河流水质的24个因子值为研究对象，将PSO算法与SVM算法相结合。PSO算法用于优化SVM算法的参数c和g，以利于快速、高效地确定c和g的全局最优值；SVM算法基于最优的c和g，分别以24，21，18，15，12，9和6个因子作为特征向量预测水质的污染程度。结果表明，当特征向量为9个影响因子时预测率最高。其参数c=18.56，g=1.35，对应的预测率为：全局预测率92.59%，重度污染水质预测率88.89%，轻度污染水质预测率94.45%。因此，通过PSO和SVM混合算法，可以确定影响太湖入湖河流水质的主要因子，利用这些主要因子对水质进行预测预警，不但可以节省时间，而且可以得到精确的结果。     

基于BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。