基于BP人工神经网络的城市PM2.5浓度空间预测

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.     

基于BP网络的水质综合评价模型及其应用

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。     

用分子连接性指数预测苯衍生物发光菌EC_(50)

从文献中收集了101种取代苯对发光菌的EC50,筛选出90种取代苯为样本集并计算了其价键分子连接性指数。按照2∶1将样本集随机分为训练集和预测集,用逐步回归建立了分子连接性指数对取代苯类的发光菌毒性EC50的QSAR方程(R2=0.874,S=0.224)。Jackknife检验结果表明方程具有较好的稳健性,预测集检验证明方程具有较好的预测能力。     

西江流域土壤镍含量特征及风险评估

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。     

基于TM数据和ANN的河流水质参数监测研究

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。     

基于人工神经网络的街道峡谷NOx浓度的数值模型研究

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。     

基于BP网络的水质综合评价模型及其应用

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.     

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。     

Carrousel氧化沟系统出水COD预报的神经网络模型

以河南漯河市污水净化中心的氧化沟系统为考察对象,针对该系统进水水质复杂,控制滞后的难点,引入人工神经网络的理论和方法,对其进行模拟分析,建立了基于BP网络的氧化沟系统出水COD预报模型。模型性能检验和灵敏度检验表明,建成的模型准确度高,适应性强,可直接用于该系统出水COD预报。这为氧化沟工艺在线控制提供了一条简便的途径。     

基于人工蜂群算法与BP神经网络的水质评价模型

针对BP网络水质评价模型的不足,引入人工蜂群(ABC)算法,将求解BP神经网络各层权值、阀值的过程转化为蜜蜂寻找最佳蜜源的过程,提出了一种新的结合人工蜂群算法的BP网络水质评价方法(ABC-BP)。并以2000—2006年渭河监测断面的10组实测数据作为测试样本对其水质进行了评价,实验结果表明该方法得到的水质评价结果准确,并具有很强的稳定性和鲁棒性。     

基于人工神经网络的街道峡谷NO_x浓度的数值模型研究

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。     

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.     

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。     

基于因子分析法优选河流水体中氮浓度预测方法的研究

定量的河流水体中氮浓度预测方法有很多种,如何优选出预测精度较高的方法一直是学术界多年来致力于研究的重点。本研究采用因子分析法对预测方法的精度评价指标进行分析,并建立了预测方法精度的评价模型,对回归分析法、神经网络法、灰色系统法和增长率统计法4种水体氮浓度预测方法进行综合评估,优选出精度较高的河流水体氮浓度预测模型——BP神经网络预测模型。结果表明,此评估模型对类似研究具有一定的参考价值,能为选择出合适的河流水体氮浓度预测方法提供依据。     

大气环境质量的人工神经网络决策模型

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。     

Prediction of ozone concentrations in Oporto city with statistical approaches

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.     

人工神经网络在沿海区域环境复杂系统预测中的应用

针对复杂系统的非线性特征，分析了应用人工神经网络技术实现可持续发展复杂系统预测的可能性，并以上海市和崇明县为例建立沿海区域预测模型，取得了较好的预测结果，为可持续发展复杂系统的预测研究探索了一种新的可能方法。