城市可持续发展评价的分指数及综合指数公式

在指标按特征分类的基础上，提出了城市可持续发展评价分类指标的分指数公式和多类别组合的综合指数公式。应用遗传算法对公式中的参数进行优化，得到简单而适用的城市可持续发展评价模型。模型应用于全国“七五”，“八五”可持续发展评价结果与实际分析结果一致。该模型具有可比性强，通用性好和简单，实用的特点。     

BP网络应用于大气颗粒物的源解析

应用BP网络对大气颗粒物进行源解析,将大气采集样本中的元素含量和大气颗粒物源成分谱构成训练样本集,用BP网络进行训练,由训练好的网络的权值可以计算出大气颗粒物的污染排放源的权重贡献率.将BP源解析法的计算结果与其它源解析法得到的结果比较,表明BP网络应用于大气颗粒物的源解析是可行的.     

污染物浓度预测的PPR模型

采用投影寻踪回归技术的审视数据－模拟－预测新思路,对环境监测数据进行探索性分析,建立了污染物浓度预测的ＰＰＲ模型,该模型用于水污染物ＢＯＤ和ＤＯ浓度预测结果,共建模样本拟合格率为１００％,预测检验样本预测合格率达８３．３％。     

密切值法用于环境质量的比较

本文将密切值法应用于多个环境单元或区域环境质量优劣的比较。实例分析表明该方法直观性强,结构合理,计算简便。排序结果与实际环境质量状况相符合。      

大气质量污染损失率评价模型参数的GA优化

设定各项污染物在大气环境质量污染损失率评价模型中有相同参数值,采用具有全局优化的遗传算法(GA)对模型中的参数进行优化,得出了对各种大气污染物均适用的大气环境质量污染损失率计算公式及大气环境质量综合评价模型。该模型与其他多种评价模型用于大气环境实例进行评价比较,结果表明:该评价方法不仅原理直观,评价结果准确,而且计算简便,实用性强。      

基于集对分析的降水酸度及水质相似预测模型研究

应用集对分析法刻画历史样本之间的相似性,用多个最相似的历史样本的加权平均值作为当前样本预测值,建立了基于集对分析的降水酸度及水质相似预测模型(SFM-SPA),并运用该模型进行了降水酸度及水质预测的实例验证。结果表明,在主要影响因子选择适当、历史样本的代表性和相似性较好等限定条件下,利用模型进行环境预测是可行的,它较直观、计算简便,为环境污染预测提供了新的途径。     

模糊数运算法用于湖泊营养类别评判

本文提出了应用模糊数运算判别湖泊营养状态的类型。将单参数对营养类别的分布用一个模糊数表示,并运用模糊数运算法,给出全部参数对所有营养类别分布加以表示。最后选用一个适当阈值λ寸分布进行截取,就可作出湖泊属于某一营养类别的评判。本方法应用于16个湖泊的营养类别评判,结果与用评分法评判基本一致。     

富营养化评价的幂函数加和型普适指数公式

提出了一个用幂函数加和型表示湖泊富营养化评价的综合指数公式,并采用粒子群算法优化公式中的参数,得出优化后适用于多指标的富营养化综合评价的普适指数公式,该公式的特例也可作为单项指标的富营养化评价指数公式.将优化好的湖泊富营养化评价公式用于我国不同地域和不同类型的65个湖泊的实例评价.其评价结果与用修正卡森指数公式TSI.和我国营养状态指数公式TSI,及其它方法的评价结果基本一致,并与实况相符,从而为水体富营养化评价提供了一种新的有效途径.     

湖泊富营养化评价的S型曲线通用表示式

在适当设定富营养化指标的“本底”值情况下 ,当指标值用对应于“本底”值的相对值表示时 ,可采用 S型曲线描述湖泊富营养化发展程度 ,从而公式中的参数可视为与指标特性无关 ,采用遗传算法对公式中的参数优化 ,得到对多项指标通用的富营养化程度的指数计算公式 ,并用广义对比因子赋权新方法计算富营养化综合指数。该评价方法物理意义明确 ,计算简单 ,使用方便 ,具有可比性和通用性     

规范变换降维与误差修正结合的环境系统的一元线性回归预测

针对高维、非线性环境系统的传统预测模型存在结构复杂、收敛速度慢、求解精度低的局限,提出对环境系统预测量及其影响因子进行幂函数与对数函数相结合的规范变换.此规范变换能使变换后的各影响因子皆等效于一个线性化的规范因子,从而将多因子、非线性的预测建模简化为简单的一个"等效"规范因子的一元线性回归建模;并对预测样本的模型输出进行误差修正,以提高样本的预测精度.在规范变换的基础上,由有m个规范因子的每个建模样本生成一个规范因子的m个"等效"训练样本,n个建模样本共生成N=m×n个训练样本.应用最小二乘法,建立基于规范变换的一元线性回归预测模型.将基于规范变换的一元线性回归预测模型与相似样本误差修正法相结合,分别用于某市5个点位的SO_2浓度预测和南昌市城市降水酸度pH值预测及某河段COD_(Mn)预测,并与多种传统预测模型和方法及基于规范变换与误差修正的3种智能预测模型的预测结果进行了比较.结果表明:该预测模型用于3个实例预测的相对误差绝对值的平均值分别为1.14%、0.49%和1.45%;最大相对误差绝对值分别为2.22%、0.87%和1.85%,与基于规范变换与误差修正的3种智能预测模型的相应误差几乎没有差异,甚至还要小;均远小于多种传统预测模型和方法的相应误差,其预测精度甚至提高了一个数量级以上.基于规范变换与误差修正的一元线性回归预测模型简单、预测精度高、稳定性好,不存在"维数灾难",因而可广泛用于任意系统的预测建模.