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。     

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。