共查询到10条相似文献,搜索用时 15 毫秒
1.
胡晋 《环境监测管理与技术》2005,17(3):18-21
阐述了在Excel平台上建立的BP网络模型水质评价系统的方法和要点,以及网络模型结构的设计、训练数据的处理、网络的训练和评价结果的仿真情况。实例表明Excel建立的BP网络模型水质评价系统的评价结果客观,模型使用方便,有推广价值。 相似文献
2.
基于BP神经网络的贵阳市空气质量指数预报模型 总被引:1,自引:0,他引:1
采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。 相似文献
3.
基于BP神经网络城市环境噪声预测及实证研究 总被引:1,自引:0,他引:1
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。 相似文献
4.
讨论了人工神经网络中最常用的多层前馈网络 ( BP网络 )及误差反向传播算法应用于化学和环境科学时要考虑的几个问题 :网络的输入与数据的归一化 ;隐含层数、隐含层节数和学习速率 ;训练集与监控集 ;网络误差 ;初始权重 相似文献
5.
BP神经网络改进算法预测水质浓度的应用 总被引:2,自引:0,他引:2
常沁春 《甘肃环境研究与监测》2002,15(3):186-188,226
探讨了黄河兰州段地表水水质浓度预测的BP神经网络法,建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明,改进的BP算法在水质浓度预测中更能胜任,时间短、准确度高。 相似文献
6.
阐述了人工神经网络基本原理,介绍了BP网络的地下水水质评价模型.在传统的评价方法基础上,根据各评价因子对环境和人类影响程度不同,给水质监测指标分组,从实用角度对水质进行评价.与传统评价方法相比,该评价模型在某评价因子数值极大的情况下,也能准确反映地下水的污染情况,并且通过GIS技术利用评价结果得到地下水水质分布图,从空间反映地下水水质变化规律. 相似文献
7.
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 总被引:1,自引:0,他引:1
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。 相似文献
8.
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 总被引:1,自引:0,他引:1
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。 相似文献
9.
遗传神经网络在累积性环境风险评价中的应用 总被引:3,自引:0,他引:3
以太湖流域常州段为研究对象,构建了累积性水环境风险评价指标体系,利用主成分分析法选取输入变量,并应用MATLAB建立遗传神经网络综合评价模型。运用遗传算法对BP神经网络的权值和阈值进行优化,将遗传算法全局搜索能力和BP算法局部搜索能力相结合,提高了收敛速度和精度。应用模型对2004—2009年常州市累积性水环境风险进行了综合评价,结果表明:2004—2009年风险综合指数总体上处在中级与高级之间,累积性水环境风险较大;2008—2009年风险综合指数不断增大,趋于低级;农业和畜禽养殖业等面源风险源、污水处理和风险管理投资等控制机制以及人口和环境敏感目标等风险受体是造成太湖流域常州段累积性水环境风险较大的主要原因。 相似文献
10.