基于RBF神经网络模型的砂土液化震陷预估法

以我国海城地震、唐山地震和日本新漏地震中建筑物地基的液化震陷实测资料为基础，地震动方面选取地震烈度，，上部结构特征方面选取基底压力P、基础类型r、宽深比BD。和建筑物的长高比L/H，地基土方面选取土的相对密度Dr、上覆非液化土层厚度Da、地下水位dw，共8个影响建筑物地基震陷的主要因素作为神经网络模型的输入参数，地基震陷量与液化土层的深度之比SD作为神经网络模型的输出，采用径向基函数神经网络模型建立建筑物地基的液化震陷预估模型，并利用该模型建立了因素影响趋势线，通过对该神经网络模型的建立、运行和检验，得到了各因素对砂土液化引起的地基震陷量大小的若干影响规律。     

基于BP模型对城市交通噪声的数据处理和预测

城市交通噪声的预测和评价技术是城市交通可持续发展的重要研究内容，直接为城市交通规划中环境容量分析和环境影响评价服务。本文通过实测的大量数据，运用神经网络中的BP模型及其算法建立车辆数、道路宽度和交通噪声之间的关系，对城市道路交通噪声数据进行处理和预测。     

建筑工程质量成本RBFNN预测模型

针对建筑工程质量成本的预测问题,应用径向基神经网络原理,选取预防成本比、鉴定成本比、内部成本比、建筑面积、PPI、建筑用途、工期、现场条件、管理水平、施工地点、利润率共11个指标分析了各指标与质量成本的联系,进而选取4个指标作为神经网络的输入指标。以20组工程数据作为学习样本进行训练,建立建筑工程质量成本的径向基神经网络预测模型并采用均方根误差进行检验,用5组工程数据作为检验样本进行测试。研究结果表明:预防成本比、建筑面积、PPI、工期、施工地点与质量成本存在一定的联系;用模型所得预测结果的最大相对误差为0.016862。RBFNN预测结果与实际情况较吻合,预测精度较高,可用于建筑工程质量成本预测。     

基于BP神经网络优化制备Cu-Ce/TiO_2及其光催化活性研究

采用Cu和Ce对TiO2进行改性,基于正交实验设计和BP神经网络研究了Cu-Ce/TiO2中Cu-Ce对TiO2的摩尔百分数、Cu-Ce/TiO2中CuCe摩尔比及Cu-Ce/TiO2烧结温度对Cu-Ce/TiO2光催化降解甲醛溶液性能的影响.同时,对Cu-Ce/TiO2制备方案进行了优化,并运用X射线衍射仪、扫描电子显微镜和紫外-可见分光光度计对最佳条件下制备的Cu-Ce/TiO2进行表征.结果表明,优化的制备条件为Cu-Ce/TiO2中Cu-Ce对TiO2的摩尔百分数为2.88%,Cu-Ce/TiO2中Cu-Ce的摩尔比为1∶1,Cu-Ce/TiO2的烧结温度为570℃.共掺杂Cu离子和Ce离子能有效避免掺杂TiO2晶格内部表层和近表层产生较多的位错,从而抑制晶格畸变增大;诱导TiO2中锐钛矿型晶体向金红石型晶体转变的能力增强,有效抑制电子-空穴对的复合,产生介电局域效应.     

基于神经网络的矿区环境预测模型

收集了我国多个矿区城市的空气检测数据,采用多元统计分析和神经网络算法对检测数据进行整理分析,建立了矿区环境预测模型。通过实践检验发现,该模型预测精度较高,可以应用在环境预测实践工作中。     

基于前向神经网络的广义环境系统评价普适模型

为了建立由水环境、空气环境、生态环境、水资源环境、灾害环境、遥感环境、社会经济环境等不同环境系统组成的广义环境系统评价都能普适、通用的神经网络模型,针对BP神经网络因收敛速度慢、易于陷入局部极值而使实用性受限的缺陷,提出以双极性sigmoid函数作为网络隐层节点(神经元)的激活函数,而网络输出为所有隐层节点输出的线性求和的前向神经网络的广义环境系统评价模型.在设置广义环境系统指标参照值和指标值规范变换式,并对指标值进行规范变换的基础上,分别构建了适用于广义环境系统评价的任意2个指标规范值的前向神经网模型(NV-FNN(2)结构)和任意3个指标规范值的前向神经网模型(NV-FNN(3)结构).而对于指标较多的广义环境系统评价,只要将多指标分解为以上2个指标和3个指标的两种简单结构的前向神经网络的广义环境系统评价模型的组合表示即可.理论分析和实例检验结果表明:该模型对任意广义环境系统的规范指标值皆普适、通用,因而使不同环境系统的评价变得简洁、统一.规范变换和优化算法相结合的建模思想和方法对简化广义环境系统评价的多元回归、投影寻踪回归、回归支持向量机和径向基神经网络建模亦有借鉴和启迪作用.     

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。     

基于BP神经网络的鄱阳湖水位模拟

考虑到鄱阳湖水位受流域五河与长江来水等多因素的共同作用而表现出高度非线性响应,采用典型的三层BPNN神经网络模型来模拟鄱阳湖水位与其主控因子之间的响应关系。分别将湖口、星子、都昌、棠荫和康山水位作为目标变量进行BPNN模型构建和适用性评估。结果显示：综合考虑流域五河及长江来水（汉口或九江）的BPNN水位模型,空间站点水位模拟精度（R2和Ens）可达090以上,各站点的均方根误差（RMSE）变化范围约050～10 m,若忽略长江来水的影响作用,仅将流域五河来水作为湖泊水位的主控影响因子,模型训练期与测试期的纳希效率系数（Ens）和确定性系数（R2）显著降低,且低于050,均方根误差（RMSE）也明显增大（124～288 m）,意味着综合考虑流域五河与长江来水是获取结构合理、精度保证的鄱阳湖水位模型的重要前提。同时建议针对鄱阳湖湖盆变化对水位的影响,尽可能选择一致性较好的长序列数据集来训练和测试BPNN模型。所构建的BPNN神经网络模型可进一步结合流域水文模型,用来预测气候变化与人类活动下流域径流变化对湖泊水位的潜在影响,也可作为一种有效的模型工具来回答当前鄱阳湖一些备受关注的热点问题,如定量区分流域五河与长江来水对湖泊洪枯水位的贡献分量,为湖泊洪涝灾害的防治和对策制定提供科学依据     

冬季高速公路逐时路表温度LSTM预测模型

为提高冬季路表温度的预测精度,提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型,以小时路表温度为模型输出,综合考虑多维气象因素的累积影响和路表温度的周期性,采用滑动窗口构造输入特征矩阵;构建路表温度LSTM逐时预测模型,通过深度学习高效逼近具有复杂非线性和不确定性的路表温度,并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证。结果表明：与随机森林(RF)模型和BP神经网络相比,LSTM路表温度逐时预测模型的准确率得到显著提高,在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于[0, 1)℃之间的占比为93%和89%。LSTM模型能准确捕捉路表温度的周期性和不确定性,在阴雨天和晴朗天的预测值与实测值基本一致,模型鲁棒性较好。     

暴雨致灾机理分析及预测模型构建

台阶边坡、路堑边坡等地常选用乔木作为护坡植物,而降雨易影响乔木的稳定性,进而影响其护坡效果。提前预测降雨对乔木稳定性的影响,则可及时预判边坡失稳、泥石流等灾害的发生。以非饱和土体力学特征和乔木根系固土机理为基本理论依据,分析失稳原因并建立相应理论模型;基于多种降雨方案,利用数值模拟得到不同降雨情况对乔木稳定性影响的相关数据;然后以模拟结果作为训练样本,利用BP神经网络构建预测模型,并制定相应的分类预警评判指标。研究表明：此预测模型不仅精度高,相比于数值模拟计算速度可提高数万倍,此成果可为灾害防治及预警工作提供参考。