BP人工神经网络模型在拉萨道路交通噪声预测中的应用

针对拉萨市道路交通噪声污染问题，运用人工神经网络理论和方法对拉萨市道路交通噪声的等效连续声级进行预测。经检验，计算值与实测值接近，从而为道路交通噪声的预测提供了一种新的途径。     

呼和浩特市道路交通噪声的预测及评价

本文针对呼和浩特市区道路及机动车发展现状,对城区部分主要道路交通噪声进行实测和分析,建立BP人工神经网络交通噪声模型,并对其道路交通噪声进行预测,测试样本的预测值与实测值的等效声级比较接近,平均误差值小于2％.     

BP人工神经网络模型在拉萨道路交通噪声预测中的应用

针对拉萨市道路交通噪声污染问题,运用人工神经网络理论和方法对拉萨市道路交通噪声的等效连续声级进行预测.经检验,计算值与实测值接近,从而为道路交通噪声的预测提供了一种新的途径.     

道路交通噪声预测声源简化研究

城市道路交通不断发展,道路交通噪声已经成为严重的噪声污染源,道路交通噪声预测是一项环境管理技术手段,有利于噪声防治。基于此,本文以道路交通噪声预测声源简化作为研究对象,分析声源预测方法,通过道路交通噪声的误差计算,利用相关预测软件完成验证,为道路交通噪声声源优化分析提供依据。     

道路交通噪声变化的马尔柯夫过程定量预测

介绍了马尔柯夫过程的理论及方法，并将其预测模型和稳定状态方程应用于道路交通噪声变化的定量预测上，其预测结果与研究市区道路交通噪声变化的实际情况相一致，表明用马尔柯夫过程定量预测道路交通噪声变化是可行的。     

城市噪声管理信息系统中道路交通噪声预测评价的实现

介绍了城市噪声管理信息系统的目标、结构及其功能，详细阐述了采用城市交通干线噪声平均值公式、FHWA模型与GIS集成的方法进行城市道路交通噪声预测评价。该方法可实现城市交通干线噪声平均值及任一噪声预测点噪声值的计算，并能以等声级形式表示道路噪声分布情况。其作为城市噪声管理信息系统的一项重要应用功能，为道路交通噪声预测评价提供了方便有效的工具。对城市噪声管理信息系统的进一步完善作了探讨。     

FHWA模式在城区道路交通噪声预测中的应用

采用美国联邦公路局(FHWA)提出的公路噪声预测模式来预测道路交通噪声。将道路上汽车按流车种分类，先求出某一类车辆的小时等效声级：     

高密度城市道路交通噪声的典型分布及其在战略环境评价(SEA)中的应用

分析了高密度城市道路交通噪声分布的特点，从噪声接受点评价的观点出发，以香港地区为例，研究不同建筑形态道路交通噪声的典型分布。基于方法是采用简化的DoT模型计算道路交通噪声，以基于GIS的道路交通噪声评价预测系统为工具计算不同建筑类型各单元的噪声级，再统计出各型建筑的噪声分布。通过Kolmogorov-Smirnov检验证实这些分布来自于不同总体，具有显著的差异。将上述计算结果运用于香港新界西北地区道路交通噪声的战略环境评价。     

基于FHWA的城市交通噪声预测模型研究

结合美国道路交通噪声污染预测模型(FHWA)和国内学者在该方面的大量研究成果,选择城市主、次干道监测点的建模采样数据,分析比较FHWA噪声预测模型的预测值,研究影响道路交通噪声的各个因子与道路交通噪声的相关性,提出符合实测道路交通特征的噪声污染统计噪声预测模型。随后应用噪声预测模型对监测点噪声污染进行预测,并与实测值对比验证后发现二者具有较高的一致性,此模型可应用在城市道路交通噪声污染的预测评价中。     

澳门半岛交通噪声模拟与控制研究

交通噪声是澳门半岛最主要的环境噪声源。本研究在国际上通用的交通噪声预测模型STAMSON的基础上 ,根据澳门半岛封闭型道路的特征 ,建立了封闭型道路交通噪声计算机预测模式 ,经过实测数据的验证 ,模型预测结果达到了令人满意的精度要求。利用建立的交通噪声预报模式 ,计算了澳门半岛不同类型道路的交通噪声水平 ,定量评价了道路交通噪声的污染状况。最后 ,根据澳门半岛交通密度高的特点 ,提出了新的环境噪声标准建议 ,并给出了逐步改善环境交通噪声的主要措施     

低速城市道路交通噪声预测中噪声源强计算模式的适用性分析研究

为研究各种源强计算模式对低速城市道路噪声预测的适用性,本文选取了安徽省合肥市运营稳定的1条低速城市道路进行实测.将实测的噪声结果与分别采用3种平均车速计算公式(包括设计车速、JTJ 005-96规范车速、JTG B03-2006规范车速)、3种源强计算模式(包括JTJ 005-96规范源强模式、JTG B03-2006规范源强模式、卓春晖报道的源强模式)预测出的结果进行对比.结果表明,采用道路设计车速、卓春晖报道的源强模式预测的结果与实测值最为相符.     

基于Elman神经网络的流体管道泄漏点检测定位

目的通过Elman神经网络预测对泄漏点进行过检测定位。方法基于流体压力波的负压波法及反馈型Elman神经网络方法,开展水力输运管道的泄漏定位研究。利用Flowmaster仿真软件中的水力输运模型建立长度为1100 m的一维管路系统,针对此系统开展不同管路状态参数下的数值仿真计算。结果通过小波变换技术实现了数据降噪与奇异点捕捉,完成了泄漏点位置的估算。同时,借助反馈型Elman神经网络,开展了不同泄漏工况下的网络训练和预测,利用经过训练的神经网络对所选取的5组泄漏点完成了定位预测,最大测试误差为1.83%。结论通过Elman神经网络预测得到的结果与实际泄漏位置进行对比,验证了反馈型神经网络方法在管路泄漏智能定位问题中的准确性与有效性。     

城市道路交通噪声预测理论-统计模型

在分析影响道路交通噪声各因素的基础上 ,根据道路交通噪声预测的理论公式 ,结合实测数据 ,建立了适合中国城市交通、路况和环境标准的理论 -统计模型 .该模型对机动车参考噪声、车流量、车速、路面坡度、地面植被等因素对噪声的影响作了有效的预测 ,使模型在实际应用中计算更简单、结果更准确 .     

以摩托车为主的道路交通噪声预测模型

 将摩托车流单独处理,通过理论推导和实测数据回归建立摩托车为主的道路交通噪声预测模型.模型对居住区的交通噪声(Leq)预测精度在 2.5dBA 以内,道路两侧 Leq预测精度更高,大部分测点误差在 1dBA 以内.     

GA-BP神经网络在铜合金海洋腐蚀预测中的应用

目的 充分利用海洋腐蚀数据,深入分析数据规律.方法 在BP神经网络的基础上引入遗传算法,以克服神经网络模型固有缺陷,提高预测精度和训练速度.结果 对GA-BP人工神经网络进行了简要阐述,并以铜合金在海水中的腐蚀数据为例,应用GA-BP人工神经网络建立了海水腐蚀预测模型,对预测结果进行了评价.结论 预测结果表明,模型能满足设计要求,具有较好的泛化能力.     

基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测

为了预估混合底物碳源条件下活性污泥PHA合成产量预测的准确度,通过引入遗传算法对BP人工神经网络的权值和阈值进行优选,建立基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测模型。以餐厨垃圾发酵液为底物碳源,利用活性污泥在ADD模式下进行PHA合成。以实验数据为基础训练神经网络模型,通过实测数据与模型预测数据之间的对比,验证了人工神经网络预测模型的精确度,并对长期PHA合成能力进行了预测。结论表明:基于遗传算法改进的GA-BP网络模型表现出比传统BP神经网络模型更佳的预测准确度,为评估混合菌群PHA最大合成产量的长期发展趋势,确定合理富集时长探索了可行方法。     

Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach

This paper presents an artificial neural network model that is able to predict ozone concentrations as a function of meteorological conditions and precursor concentrations. The network was trained using data collected during a period of 60 days near an industrial area in Kuwait. A mobile monitoring station was used for data collection. The data were collected at the same site as the ozone measurements. The data fed to the neural network were divided into two sets: a training set and a testing set. Various architectures were tried during the training process. A network of one hidden layer of 25 neurons was found to give good predictions for both the training and testing data set. In addition, the predictions of the network were compared to measurements taken during other times of the year. The inputs to the neural network were meteorological conditions (wind speed and direction, relative humidity, temperature, and solar intensity) and the concentration of primary pollutants (methane, carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, sulfur dioxide, non-methane hydrocarbons, and dust). A backpropagation algorithm with momentum was used to prepare the neural network. A partitioning method of the connection weights of the network was used to study the relative % contribution of each of the input variables. It was found that the precursors carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, and sulfur dioxide had the most effect on the predicted ozone concentration. In addition, temperature played an important role. The performance of the neural network model was compared against linear and non-linear regression models that were prepared based on the present collected data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modeling appears to be a promising technique for the prediction of pollutant concentrations.