共查询到18条相似文献,搜索用时 375 毫秒
1.
根据MATLAB提供的人工神经网络模型,将其应用到城市空气质量评价,研究并对比分析BP和RBF两种人工神经网络的建模方法及评价结果。首先构建BP神经网络模型,确定输入层、隐含层和输出层的神经元数,选择Sigmoid型函数作为激励函数,应用内插扩展出的训练样本对BP网络进行学习,再用训练成熟的BP网络对待评价样本进行仿真;其次构建RBF神经网络模型,确定其输入层和输出层的神经元数,选择Gauss函数作为隐含层激励函数,再用同样的训练样本进行学习和仿真;最终进行归一化论证,验证归一化预处理在空气质量评价中的必要性。结果表明:应用BP和RBF人工神经网络可以得出较好的城市空气质量分类评价结果,其中RBF神经网络模型与改进的灰色聚类法评价结果一致,具有较高的准确率,是一种快捷、有效的综合评价方法。 相似文献
2.
3.
《环境科学与技术》2016,(1)
将BP神经网络应用到铅酸蓄电池厂地下水的重金属浓度预测中,探讨了预测因子的选取、隐藏层节点数的选取、模型的建立等问题,得出:该模型是以p H、高锰酸盐指数、硫酸盐作为网络的输入层,重金属铅(Pb)、镉(Cd)、砷(As)作为网络的输出层,BP神经网络隐藏层的传递函数为tansig,隐藏层节点数为8,输出层的传递函数为purelin,输出层节点数为3。结果显示:Pb、Cd、As的预测值和监测值相关系数分别为0.991、0.990、0.998,表明该模型具有较好的预测精度,模拟出的重金属浓度与实测值能较好地吻合。总之,BP神经网络预测铅酸蓄电池厂地下水的重金属浓度是切实可行的。 相似文献
4.
5.
因夜间天空亮度分布具有非线性变化特点,故引入神经网络算法,建立基于时间序列的夜天空亮度预测模型,夜天空亮度预测模型可为城市光污染防治提供评价依据.文章对神经网络的原理进行了论述,建立了基于时间序列预测模型.以测试数据为训练样本集,基于MATLAB(矩阵实验室,Matrix Laboratory的简称),采用改进的BP算法(误差反向传播算法)对网络进行学习训练,并对存在的误差进行了分析.基于时间序列BP神经网络的夜天空预测模型,当隐含层神经元数目为5,训练函数为L-M优化算法(trainlm)时,最大绝对误差可达到0.003 6 cd/m2,最大相对误差达到2.361 4%.结果表明,模型的运行结果与试验数据比较吻合,输出与目标矢量之间相关性也较好. 相似文献
6.
在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性. 相似文献
7.
8.
9.
针对传统DRASTIC模型在参数权重确定过程中主观性强问题,以粤北某地区浅层地下水为研究对象,利用采集的地下水相关数据和新增土地利用类型参数,在优化BP神经网络算法和构建DRASTICL模型基础上,借助地下水NO-3浓度进行模型验证,建立耦合BP神经网络算法的BP-DRASTICL模型,进而根据地下水脆弱性空间分布特点提出了地下水污染风险管控对策。结果表明:训练函数为trainlm、学习率为0.1、隐含层神经元节点数为6时,BP神经网络算法效果最好,相应地获得的最优BP-DRASTICL模型参数权重依次为0.1420(地下水埋深,D)、0.1151(净补给量,R)、0.0791(含水层介质,A)、0.1833(土壤介质,S)、0.0908(地形,T)、0.1574(包气带介质影响,I)、0.0891(渗透系数,C)和0.1433(土地利用类型,L)。D、S、T和L对评价结果的影响最大。与DRASTIC模型、DRASTICL模型相比,BP-DRASTICL模型的Pearson和Spearman相关系数最高,分别达到0.615和0.656,表明硝... 相似文献
10.
11.
电化学原位产生H2O2的影响因素分析及数学建模 总被引:2,自引:0,他引:2
以Pt为阳极,石墨碳棒为阴极,Na2SO4为支持电解质,实验探讨了电化学原位产生H2O2的规律.通过正交试验,确定阴极溶液初始pH值、电流密度CD、通氧流量Q和支持电解质浓度CNa2SO4等主要参数对H2O2产生量的影响,并提出最佳参数组合:pH=2.00,CD=1.02mA·cm-2,Q=0.4L·min-1,CNa2SO4=0.1 mol·L-1,极间距D=6cm.采用二次多项式逐步回归和BP神经元网络2种方法,建立了这些参数对于H2O2产生量的预测模型,并对模型进行检验.结果表明,2种方法在一定参数条件下都可预测阴极区溶液中H2O2浓度,BP神经元网络法预测的准确度好于二次多项式逐步回归方法,且更适合于在线控制. 相似文献
12.
陆地生态系统净第一性生产力过程模型研究综述 总被引:46,自引:0,他引:46
陆地生态系统净第一性生产力的模拟已从统计模型发展到过程模型时代。过程模型从机理上对植物的生物物理过程以及影响因子进行分析和模拟,理论框架完整,结构严谨。论文从植物器官、个体、冠层、景观以及区域等不同尺度对过程模型进行分析。近年来,由于遥感和GIS技术的支持,使得遥感过程模型融合了遥感及时、准确、宏观、多尺度的优势而成为当前生产力模型的主攻方向。遥感过程模型可实现生态系统NPP的及时模拟和动态监测,便捷、准确地反映NPP的时空变化格局。而在NPP建模过程中,尺度转换是所面临的一个重要问题。不同尺度模型间扩展时,需要采取相应的数学手段进行尺度转换,同时遥感和GIS技术提供了尺度转换的有力工具。综观我国NPP研究的发展,起步晚、发展快是其特点。虽然取得了大量的研究成果,但过程模型的建模方面还很不足,这是一个亟待解决的问题。 相似文献
13.
基于BP神经网络的城市总生态足迹预测研究——以武汉市为例 总被引:6,自引:2,他引:6
鉴于BP网络在处理非线性复杂系统的优势,以武汉市为研究对象,构建一个10-4-1结构的BP神经网络预测模型,将1978-2002年和2003年的相关数据作为模型的训练和测试样本,以2004年的社会、经济、环境数据作为网络的预测输入,对该年的总生态足迹进行预测。结果表明,BP神经网络预测结果与实际足迹值的相对误差为0.69%,预测精度优于传统的多元回归统计模型。 相似文献
14.
15.
基于BP神经网络的空气污染指数预测模型研究 总被引:1,自引:0,他引:1
BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。 相似文献
16.
一种战车主减速器温度预测方法研究 总被引:1,自引:0,他引:1
目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。 相似文献
17.
以抚顺市某煤矸石堆放场为研究区,根据研究区的实际条件建立地下水污染质运移模拟模型,预测地下水污染质未来时空变化特征.基于正演预报结果构建了假想例子,应用模拟-优化方法对地下水污染源源强及场地的渗透系数进行反演识别.为减小优化模型反复调用模拟模型所产生的计算负荷,分别采用Kriging方法和BP神经网络方法建立了模拟模型的替代模型.最后运用模拟退火法求解优化模型,得到反演识别结果.研究表明:应用Kriging方法建立的替代模型输出结果的平均相对误差为0.3%;应用BP神经网络方法建立替代模型的输出结果平均相对误差为1.5%,应用两种替代模型对污染源源强识别的相对误差均小于0.5%,对场地两个参数分区渗透系数识别的相对误差均不大于5%.综上,应用Kriging方法建立的替代模型精度高于BP神经网络方法,利用基于两种替代模型的模拟-优化方法对污染源源强和渗透系数进行同步识别精度可以满足实际需求,是有效可行的. 相似文献
18.
太湖叶绿素a浓度预测模型初探 总被引:2,自引:0,他引:2
以太湖2005年的监测资料为基础,运用多元统计回归和BP人工神经网络方法构建模型,探求叶绿素a与水深、水温、营养盐等10项环境因子之间的关系,通过验证发现BP模型对叶绿素a浓度的拟合值与叶绿素a浓度的实测值之间的均方误差为220.3059,优于统计回归模型的235.4569;此外对两种模型进行了灵敏度测试,结果都显示总磷不是太湖叶绿素a浓度的限制因子,而水深、水温、总氮的变化对叶绿素a浓度影响显著。本研究对太湖叶绿素a浓度预测模型的建立是十分有意义的。 相似文献