基于BP神经网络的矿车运行时矿井摩擦阻力的预测*

为了快速有效地确定矿车等运输设备在巷道内运行时矿井摩擦阻力的变化情况,克服模拟软件计算量和现场实测工作量大的问题,以巷道风流速度、矿车运行速度、阻塞比、矿车长度4个矿车运行时巷道摩擦阻力的影响因素作为切入点,采用动网格技术模拟得到矿车在巷道内运行时有关矿井摩擦阻力的数据,以此为样本构建基于BP神经网络的矿井摩擦阻力预测模型,运用MATLAB软件进行网络训练,并将BP神经网络预测值与FLUENT模拟值进行对比。研究结果表明:BP神经网络结构比较简单,能以较快速度收敛,预测值与模拟值最大误差在7%以内,该神经网络模型用于求解矿车等运输设备在巷道内运行时摩擦阻力的变化情况是可行的。     

贫困退出背景下返贫脆弱性评价——融合区域与个体的新视角

精准识别返贫脆弱性,预防和化解返贫风险是“后扶贫时代”的工作重点。基于区域与个体尺度融合的新视角,运用BP神经网络法、熵值法和偏相关分析法对六盘山、秦巴山和大别山三大集中连片特困区进行返贫脆弱性评价与影响因素分析。研究发现：（1）三大集中连片特困区返贫脆弱度大致呈现由西向东递减的空间格局;（2）三个典型县区域和个体返贫脆弱性评价结果均显示古浪县>新县>栾川县;（3）高返贫风险县域中,高生态暴露度特征最为显著,而高返贫风险家庭中,生计动力不足特征最为明显;（4）区域返贫脆弱性主导因子为自然环境禀赋和经济发展水平,个体返贫脆弱性主导因子则为家庭劳动力综合素质、家庭收入、生计来源多样性、家庭成员健康状况和婚姻成本等。     

基于时差相关分析和模糊神经网络的白洋淀流域水环境承载力评价预警

为实现水环境承载力评价和预警,运用耦合DPSR模型和时差分析方法构建了白洋淀流域水环境承载力监测预警指标体系,并结合神经网络与模糊数学构建了T-S模糊神经网络模型,根据控制图法确定了监测预警指标阈值,解决了水环境系统的随机性和模糊性问题,最终实现了白洋淀流域水环境承载力的有效评价和预警。结果表明:1)白洋淀流域水环境承载力在2012-2015年处于较弱承载状态,在2016,2017年处于中等承载状态,现状评价等级由Ⅳ级(橙色警灯)转变为Ⅲ级(黄色警灯);2)在现状发展趋势下,2018-2035年白洋淀流域水环境承载力整体呈先上升后下降趋势,自2026年以后流域水环境整体呈恶化状态,水环境承载力逐渐从中等承载(黄色警灯)向较弱承载(橙色警灯)和弱承载状态(红色警灯)转变;3)未来区域人口的增长和雄安新区的快速发展会给白洋淀流域水环境带来巨大压力,因此可加大区域水环境保护力度,实施基于空间单元的精细化环境管控方案,推动区域经济绿色转型,促进区域水环境质量全面改善和良性发展,以提高区域可持续发展水平。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。     

大坝下游定点区域溶解氧饱和度预测

大坝通过坝身泄流时，巨大的洪水卷吸空气中的大量气体直泻到下游河床，造成下游河道特别是近坝区域气体含量过饱和，给下游水生生物带来不利影响，其中鱼类气泡病就是水体气体过饱和造成的典型病症。为探明大坝泄流对坝下河道溶解氧饱和度的影响，以三峡 葛洲坝区域坝下近坝区定点区域的溶解氧实测资料为基础，建立溶解氧饱和度的BP网络预测模型，对大坝不同运行工况进行下游溶解氧饱和度的预测仿真计算，并将仿真预测值与实测及数值模拟结果进行比较分析。结果得出BP网络模型能很好地逼近坝下近坝区指定区域的溶解氧饱和度，可根据大坝运行工况对下游水体溶解氧饱和度进行快速预测，为有效控制坝下水体溶解氧饱和度提供借鉴     

兰州市SO2排放总量预测的BP人工神经网络模型

依据兰州市大气污染复杂的特点，首次将BP人工神经网络用于兰州市SO2排放总量的预测，结果表明，BP人工神经网络能较好地用于污染物排放总量的预测，且具有预测精度高，对数据数量和精度要求不高和客观性较强等优点。     

大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。     

基于ARIMA和BP神经网络组合模型的我国碳排放强度预测

预测我国碳排放强度的长期变动趋势, 对国家进行宏观经济管理和节能减排工作具有重要的参考价值。运用深入分析自回归移动平均模型和神经网络的特性，并在此基础上建立ARIMA模型和BP神经网络组合模型，将碳排放强度的时间序列的数据结构分解为线性和非线性残差部分，对我国碳排放强度的变化趋势进行了综合分析与预测。结果显示:今后10 a我国碳排放强度总体是逐步下降的，但到2020年我国碳排放强度仅比2005年下降34%，比我国政府提出碳排放强度下降40%~45%的目标还有一定的差距。因此，要在2020年实现我国碳排放强度目标，必须要调整宏观经济政策，采取各种政策措施以实现目标     

人工神经网络在化学和环境科学中应用的若干问题

讨论了人工神经网络中最常用的多层前馈网络 ( BP网络 )及误差反向传播算法应用于化学和环境科学时要考虑的几个问题 :网络的输入与数据的归一化 ;隐含层数、隐含层节数和学习速率 ;训练集与监控集 ;网络误差 ;初始权重     

人工神经网络方法在拟建小区域环境质量评价中的应用

人工神经网络的评价方法用于小区域环境质量评价中,根据本地区特点因地制宜地选择环境质量参数,代入模型中进行环境质量评价及预测,对用于环境质量评价的BP人工神经网络模型进行了改进,即对网络模型的训练样本进行了扩充,从而提高了模型的抗干扰能力和准确性.将改进了的BP人工神经网络模型应用于四川省资阳市沱江二桥拟建项目小区域的大气、地表水环境质量评价中, 对该市小区域大气、地表水环境质量状况进行评价,评价结果表明,BP人工神经网络模型用于环境质量评价是可行的,且评价结论客观,评价模型普遍适用.