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     

B－P网络用于环境质量分类研究

用全国２５个湖泊的水质指标资料作为训练样本，应用人工神经网络Ｂ－Ｐ算法，分别建立了３参数和４参数的水质分类模型。并用所建立的模型对６个湖泊水质进行分类检验效果。结果表明Ｂ－Ｐ模型应用于环境质量分类是可行的。且由于Ｂ－Ｐ网络有自学习、自适应的能力，因而与其它的环境质量分类法相比具有优越性。     

综合环境质量的B－P网络二级评价

为了探索人工神经网络应用于环境质量评价的可行性和合理性,应用人工神经网络的B－P模型,构造了大气、水质和噪声的综合环境质量的B－P网络二级评价模型。并将该模型应用于实例作效果检验。结果表明B－P网络用于环境质量评价适应性强,方法可行,结果合理。      

改进的B—P网络在大气环境质量综合评价中的应用

本文引入人工神经网络理论，提出了大气环境质量综合评价的修正的Ｂ－Ｐ网络模型，与其它评价模型比较，表明该模型更具有优越性。     

B－P网络用于水质综合评价方法的研究

本文应用误差反向传播（Ｂ—Ｐ）算法的人工神经网络建立了水质综合评价模型。该模型应用于实例的水质评价结果表明Ｂ—Ｐ网络用于水质综合评价具有客观性和实用性。     

B－P网络用于水质综合评价方法的研究

本文应用误差反向传播（Ｂ—Ｐ）算法的人工神经网络建立了水质综合评价模型。该模型应用于实例的水质评价结果表明Ｂ—Ｐ网络用于水质综合评价具有客观性和实用性。     

B-P网络用于环境质量分类研究

用全国２５个湖泊的水质指标资料作为训练样本,应用人工神经Ｂ－Ｐ算法,分别建立了３参数和４参数的水质分类模型,并用所建立的模型对６个湖泊水质进行分类检验效果。结果表明Ｂ－Ｐ模型应用于环境质量分类是可行的,且由于Ｂ－Ｐ网络有学习,自适应的能力,因而与其它的环境质量分类法相比具有优越性。     

大气环境质量综合评价的B－P网络模型

选取大气环境质量的三级标准作为３个学习样本，以ＳＯ＿２，ＮＯ＿ｘ和ＴＳＰ三种污染物的三级标准浓度限值作为样本的输入特征值，建立了三参数的Ｂ－Ｐ网络大气环境质量综合评价模型，用该模型对３１个测点的大气环境质量进行评价，并与模糊数学和灰色系统法的评价结果比较，表明Ｂ－Ｐ网络用于大气环境质量评价具有优越性。     

大气环境质量综合评价的B—P网络模型

选取大气环境质量的三级标准作为３个学习样本，以ＳＯ２，ＮＯｘ和ＴＳＰ三种污染物的三级标准浓度限值作为样本的输入特征值，建立了三参数的Ｂ－Ｐ网络大气质量综合评价模型，用该模型对３１个测点的大气环境质量进行评价，并与模糊数学和灰色系统法的评价结果比较，表明Ｂ－Ｐ网络用于大气环境质量评价具有优越性。     

人工神经网络在科学中的应用研究

以Ｂ－Ｐ网络为例介绍了人工神经网络模型的诮原理，以开拓人工神经网络在环境科学中的应用范围为目的，综述了几种常用神经网络模型在环境预测与评价２方面的应用性能。结果表明：人与环境关系的科学量度是多方位、多因素的非线性模糊问题，而人工神经网络模型具有解决该类问题的独特优点。针对不同环境问题，优选模型，开拓人工神经网络方法在环境科学中的应用范围，为环境问题的解决提供新的技术手段。     

基于粗集、遗传神经网络的环境质量评价

基于粗集、遗传神经网络的环境质量评价方法利用粗集对属性的归约功能将数据库中的数据进行归约，并将归约后的数据作为训练数据提供给BP神经网络；再用遗传算法和BP算法相结合的混合算法来训练网络预测模型的结构（在得到最优网络结构的同时也得到网络的最优权值和阈值）。通过实例表明该方法是有效的，为环境质量评价提供了一种新的研究思路和分析方法。     

神经网络模型在环境现状评价中应用研究

人工神经网络技术具有很强的非线性映射能力和并行性、自适应、容错性及自学能力,已广泛应用于包括环境在内的多学科领域。文章将人工神经网络技术应用于环境影响评价中,通过案例研究用人工神经网络解决环境评价中的问题。以山西吕梁地区环境影响评价为案例,选择人工神经网络中的BP网络,径向基网络和自组织竞争网络等三种网络模型对其进行环境影响现状评价,并对评价结果作对比分析,通过网络设计、网络训练和模拟,结果说明BP神经网络模拟结果比其它两种方法更贴近环境质量现状。同时对不同参数选取得到的结果进行分析,并经过网络参数的不断调整提高评价结果的精度,总结出各种神经网络模型在环境评价应用过程中参数的选取方法。尝试用神经网络解决环境评价中的问题,使环境工作中的方法技术更科学。     

人工神经网络在环境科学中的应用研究

以B-P网络为例介绍了人工神经网络模型的应用原理。以开拓人工神经网络在环境科学中的应用范围为目的,综述了几种常用神经网络模型在环境预测与评价2方面的应用性能。结果表明:人与环境关系的科学量度是多方位、多因素的非线性模糊问题,而人工神经网络模型具有解决该类问题的独特优点。针对不同环境问题,优选模型,开拓人工神经网络方法在环境科学中的应用范围,为环境问题的解决提供新的技术手段。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

基于综合主成分及径向基网络的环境质量评价

运用综合主成分分析对监测数据进行处理,集成径向基函数人工神经网络(RBF-ANN),参考国家环境质量评价标准设定RBF的学习样本,从而构建区域环境质量综合评价模型,对安徽省合肥市新站综合开发试验区进行环境质量综合评价。实例分析结果表明,运用综合主成分法可以精准的统计出一个区域的环境综合数据,而且在matlab环境下运用RBF-ANN模型既可以准确,客观的评定环境质量的等级,又可以表现其环境污染的具体程度,能在同一评价等级内对不同环境质量的评价对象进行更加细微的污染程度的比较。结果表明,合肥市新站综合开发试验区环境综合质量介于轻度污染和中度污染的标准极限值之间,属于中度污染。     

大气环境质量的物元分析评价法

为了探索物元分析评价法用大气象环境质量评价的可行性和合理性,应用物元分析方法构建大气环境质量的综合评价模型,并将该方法用于实例分析。结果表明,物元分析方法用于大气环境质量评价是可行的。      

BP人工神经网络对长春市土壤质量评价

本文针对城市土壤重金属污染问题,以长春市为例运用人工神经网络理论及方法,建立土壤环境质量评价的BP人工神经网络模型,通过实例分析,并将评价结果与模糊综合评判结果进行了比较,说明运用该模型评价土壤环境质量不但能使评价结果精度大大提高,而且是切实可行的。