基于Subspace集成学习的稻田杂草识别研究

针对稻田苗期杂草识别中单一分类方法存在的不足,提出了一种基于Subspace集成学习的稻田杂草识别方法。先提取杂草图像的颜色、纹理、形状特征作为稻田杂草的识别特征,再通过多个基分类器集合训练得到Subspace集成学习模型。结果表明,当基学习器个数为32和子空间维度为91时,Subspace集成学习模型的准确率达到91.41%,且基于Subspace集成学习算法的识别精度高于SVM和BP神经网络,解决了针对稻田杂草特征单一分类器识别率不高的问题。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测

深度学习在机器视觉等各个领域的兴起，使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉，提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项；然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项，两者相加即可得到滑坡总位移的预测结果；最后以白水河滑坡实测数据为例，考虑月降雨量和库水位因素的影响，对该滑坡位移的周期项和趋势项进行预测，并与其他传统神经网络的预测结果进行对比。结果表明：MHA-LSTM神经网络模型相较于其他传统神经网络模型，能更好地捕捉历史的信息特征，预测效果更佳，可为滑坡预测提供新的技术方法。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

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.     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

基于Stacking集成学习模型的气态亚硝酸预测

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度,结合HONO的来源,选取了O₃、CO、SO₂、NO、NO₂、NO_y、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO₂）、j（O¹D）作为特征数据,通过对HONO的平均日变化分析,将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型,采用5折交叉验证的方式划分训练集,将基模型输出的结果作为新特征集,并将新特征集作为第二层线性回归模型的输入,通过对这两层中的模型进行训练,最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献,表明CO是模型预测中重要的影响因子,说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估,3个单模型的预测结果与测量值的相关系数都达到了0.91以上,其中Stacking融合后的模型性能最好,相关系数达到了0.94,平均绝对误差和均方根误差分别为0.307×10^-9和0.453×10^-9,结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估

对地震灾害造成的损失进行评估是国家采取应急救援和灾后援建工作的重要依据。为快速评估地震灾害引起的直接经济损失,提出一种基于灰色关联分析与模拟退火-粒子群-Elman神经网络(SA-PSO-Elman)结合的地震灾害直接经济损失评估模型。该模型先采用灰色关联分析方法客观地选出地震灾害直接经济损失的主要影响因素,即为Elman神经网络的输入,然后将全局寻优能力强及收敛速度快的粒子群算法与能跳出局部极值的模拟退火算法相结合来优化Elman神经网络的权值和阀值,最后将训练好的Elman神经网络运用到地震灾害直接经济损失评估中。通过仿真试验结果表明:该混合算法优化的Elman神经网络模型比Elman神经网络模型和PSOElman神经网络模型具有更高的预测精度和收敛速度。     

基于可解释性机器学习的纳滤膜去除有机微污染物研究

纳滤膜对微污染物去除效率受膜特性、微污染物性质和实验条件等因素影响,优化这些影响因素对纳滤工艺的成功应用至关重要,然而实验优化过程不能同时兼顾多因素对去除效能的交互影响.为此,基于线性、非线性和集成学习算法,开发了4种纳滤膜对有机微污染物去除效率的预测模型,并验证了模型的预测性能和可行性.在拟合程度、稳健性和外部预测能力等方面对开发的模型进行了对比分析研究,结果表明,用集成学习算法开发的XGBoost模型能够准确识别影响膜分离过程中的关键因素,在预测纳滤膜对微污染物的去除效率方面表现出强大的潜力(R_adj²=0.977,Q_ext²=0.877,Q_LOO²=0.875).此外,利用SHAP解释方法定量解析了各驱动因素对纳滤膜去除微污染物效率的贡献,证明纳滤膜的截留分子量、膜表面接触角和污染物的尺寸是微污染物去除过程中重要的影响因素.首次将模型解释方法应用于特征变量的选择过程,使集成算法(XGBoost)模型的性能得到进一步优化.所开发的机器学习模型,有利于优...     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段.但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题.利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建...     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最...     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于TSA-BP模型的温州站台风风暴潮增水预测

台风风暴潮灾害通常会对沿海地区造成巨大损失,因此,准确预测台风风暴潮增水对沿海地区的防灾、减灾工作具有现实意义。本文根据现有风暴潮增水预测研究的成果,建立了基于被囊群算法（tunicate swarm algorithm）优化的BP神经网络模型,将该模型应用于台风风暴潮增水预测研究中。本文选取影响温州验潮站的3个台风作为研究对象,收集并建立了3个台风影响验潮站过程的129个逐时数据样本。利用新模型对温州站进行风暴潮增水预测,结果表明,该模型与BP神经网络相比克服了陷入局部最优解的缺陷,与粒子群优化的BP神经网络模型相比,提升了模型收敛速度,具有更好的预测精度及稳定性。     

一种战车主减速器温度预测方法研究

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。     

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。     

基于数据驱动的汽车部件温度预测模型研究

目的基于某汽车在中国吐鲁番地区自然暴露的部件温度变化试验数据,预测该车在美国凤凰城地区气象环境下的汽车部件温度变化。方法把汽车部件的温度作为输出变量,提取影响汽车部件温度变化的关键特征(试验时间、大气温度、太阳辐照)作为输入变量,同时运用公式对不同纬度地区部件受到的太阳辐照进行修正,以消除地理位置的影响。利用Python等软件构建机器学习模型,用吐鲁番试验数据训练模型,然后预测该车部件在美国凤凰城地区的温度变化。结果梯度提升机模型具有良好的泛化能力和预测精度,其预测值与实际值的平均绝对误差均在3.3°以内,拟合优度R^(2)均大于0.90。BP神经网络和随机森林算法模型也具有较好的预测精度。结论利用汽车在我国试验站点进行的自然暴露试验数据,可以预测该汽车部件在国外相似地区气象条件下的温度变化。该研究对于依据汽车部件在我国的自然暴露试验结果预测其他国家相似地区自然环境下汽车部件的温度变化具有一定的指导意义。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.