共查询到17条相似文献,搜索用时 234 毫秒
1.
基于BP人工神经网络的城市PM2.5浓度空间预测 总被引:1,自引:0,他引:1
针对PM2.5日均质量浓度,采用BP人工神经网络模型,预测研究区空气中PM2.5浓度的空间变异,通过与普通克里格(Ordinary Kriging)插值方法对比验证BP人工神经网络预测模型的精度.结果表明:BP人工神经网络预测模型下研究区检验样本点位置的PM2.5仿真浓度与观测浓度之间的均方差、平均绝对误差、平均相对偏差和相关系数分别为0.296 μg2/m6、0.412 μg/m3、1.650%和0.851;而与此同时,普通克里格插值方法下的对应结果分别为1.041 μg2/m6、0.689 μg/m3、11.910%、0.638.研究成果在肯定BP人工神经网络预测模型可用于揭示PM2.5浓度空间变异特征的同时,也证实了其相对于普通克里格插值方法在固定空间点位准确预测PM2.5浓度方面的优势. 相似文献
2.
基于BP网络的水质综合评价模型及其应用 总被引:18,自引:0,他引:18
讨论了BP网络模型存在的不足及建模条件,提出了建立合理的BP网络模型的基本原则和步骤。针对水质评价问题,通过在各类水质污染指标浓度区间内生成随机分布样本的方法,组成足够多用于BP网络训练、检验和测试用的样本,建立了辽河水质综合评价的BP网络模型;给出了区分不同类别水质的模型分界值样本和模型输出分界值。 相似文献
3.
4.
西江流域作为广西省重要的农业生产区和有色金属矿产区,为保障土地安全利用,有必要全面了解其土壤镍含量特征和风险水平。分别采集自然土壤、旱地土壤、水田土壤和矿区土壤样品283、1 286、721、130件,以自然土壤为背景样品,进行空间分布特征分析,并进行风险评估。结果表明,西江流域土壤镍的背景值为25.60mg/kg,基线值为156.00mg/kg。不同土地利用类型的土壤镍含量表现为矿区土壤(42.50mg/kg)水田土壤(28.70mg/kg)旱地土壤(22.70mg/kg),在P0.05水平下,矿区土壤显著高于背景值,而旱地土壤、水田土壤与背景值差异不显著。中部和西南部地区镍含量较高,尤其是西南部的都安瑶族自治县和大化瑶族自治县,很多区域都超过了60mg/kg。以基线值作为标准或根据地积累指数进行评价,由于考虑了背景值,西江流域土壤镍污染水平不高。 相似文献
5.
以珠江水系广州河段为研究对象,联合使用遥感(RS)和人工神经网络(ANN)技术对珠江水质进行分析监测。这种技术主要是利用GIS对RS图像进行地理定位,然后利用RS专用软件提取定位点的RS数据,最后通过建立前馈误差反传人工神经网络(BP网络),确定TM数据前5个波段在定位点的反射率与水质3个主要参数的映射关系,即建立RS数据与水质的映射模型。经过检验,该技术监测误差小于16%,基本能满足当前实际需要。 相似文献
6.
通过对反向传播人工神经网络的算法和网络结构的研究,发现拟牛顿算法训练速度较快,能够较好地接近误差目标值,同时建立了包括输入层、隐含层、输出层的人工神经网络三层拓扑结构。通过对街道峡谷人工神经网络的训练,模拟计算了街道峡谷NOx浓度分布值。结果显示,训练误差和测试误差比为1.11,训练样本的模拟值与实测值的相关系数为0.93,测试样本的模拟值与实测值的相关系数为0.87,模拟值与实测值的相关系数均高于显著水平为α=0.05与α=0.01所对应检验性表的相关系数临界值。该模型能够用于街道峡谷污染物浓度的模拟计算,具有较好的泛化能力。 相似文献
7.
讨论了BP网络模型存在的不足及建模条件,提出了建立合理的BP网络模型的基本原则和步骤.针对水质评价问题,通过在各类水质污染指标浓度区间内生成随机分布样本的方法,组成足够多用于BP网络训练、检验和测试用的样本,建立了辽河水质综合评价的BP网络模型;给出了区分不同类别水质的模型分界值样本和模型输出分界值. 相似文献
8.
9.
10.
11.
基于人工神经网络的街道峡谷NO_x浓度的数值模型研究 总被引:1,自引:0,他引:1
通过对反向传播人工神经网络的算法和网络结构的研究,发现拟牛顿算法训练速度较快,能够较好地接近误差目标值,同时建立了包括输入层、隐含层、输出层的人工神经网络三层拓扑结构。通过对街道峡谷人工神经网络的训练,模拟计算了街道峡谷NOx浓度分布值。结果显示,训练误差和测试误差比为1.11,训练样本的模拟值与实测值的相关系数为0.93,测试样本的模拟值与实测值的相关系数为0.87,模拟值与实测值的相关系数均高于显著水平为α=0.05与α=0.01所对应检验性表的相关系数临界值。该模型能够用于街道峡谷污染物浓度的模拟计算,具有较好的泛化能力。 相似文献
12.
13.
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。 相似文献
14.
15.
为了对环境质量进行综合评价,运用误差反向传播算法的人工神经网络方法建立了环境质量评价的B-P决策模型。用此模型研究实例的大气环境质量,结果表明B-P网络用于环境质量评价具有客观性和实用性。 相似文献
16.
The performance of three statistical methods: time-series, multiple linear regression and feedforward artificial neural networks models were compared to predict the daily mean ozone concentrations. The study here reported was based on data from one urban site with traffic influences and one rural background site. The studies were performed for the year 2002 and the respective four trimesters separately. In the multiple linear regression and feedforward artificial neural network models, the concentrations of ozone, the concentrations of its precursors (nitrogen oxides) and some meteorological variables for one and two days before the prediction day were used as predictors. For the application of these models in the validation step, the inputs of ozone concentration for one and two days before were replaced by the ozone concentrations predicted by the models. The results showed that time-series modelling was not profitable. In the development step, similar performances were obtained with multiple linear regression and feedforward artificial neural network. Better performance indexes were achieved with feedforward artificial neural network models in validation step. Concluding, feedforward artificial neural network models were more efficient to predict ozone concentrations. 相似文献