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     

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     

基于SOM和多元分析的滇池沉积物污染特征空间模式研究

联合运用层次聚类分析(HCA)、判别分析(DA)和自组织映射神经网络(SOM)3种数值方法,对滇池2008—2010年17个底泥监测点位(10个常规点位及7个新增点位)9种污染物进行空间差异性和相似性分析,并评价各指标在空间的分布特征及监测点代表性.结果表明:滇池沉积物整体污染程度为草海>外海中部及南部>外海北部.As、Hg、Pb、Cd、Cu和Zn污染最严重的点位是断桥;草海中心的凯氏氮污染最严重,其他指标污染水平仅次于断桥;Cr和TP污染最严重的点位是新增点位盘龙江2;海埂是全局污染最轻的点位.现有的常规监测点位对整体污染特征的代表性较弱,建议取消异质性最低的白鱼口、观音山西、观音山东和罗家营站点;考虑污染特征和监测点位空间分布的均匀性,建议将盘龙江2、海埂和马料河设为常规监测点位.     

智能化有害有毒气体污染源监测仪的研究

为了快速寻找有害有毒气体污染源,利用8个红外激光气体传感器,分别安装步进电机驱动旋转的圆盘圆周上在不同的方向上对污染气体进行数据采集。同时与二维热差式风速风向传感器采集到的风速风向数据,一并送入MSC1210单片机进行数据处理和运用智能人工神经网络进行模式训练与模式识别,从而识别出污染源的位置、浓度和种类。通过GPS全球卫星定位系统和GPRS无线传输网络,把监测到的信息发送给相关部门早做处理,并报警,避免污染进一步扩散。实验表明,该智能化追索气体污染源监测仪具有良好的可靠性、安全性和实用性。     

基于数据分解的AQI的CEEMD-Elman神经网络预测研究

针对Elman神经网络在预测空气质量指数（AQI）时易受到数据非平稳性的影响导致预测趋势良好但准确度较低的问题,提出以互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）为基础的CEEMD-Elman模型.应用CEEMD对AQI序列分解成不同时间尺度上的本征模态函数分量和剩余分量,进而首次将对非平稳的AQI序列的预测研究转化为对多个平稳的本征模态函数分量的研究.分别与Elman单一模型、EMD-Elman模型、BP单一模型及CEEMD-BP模型进行实验对比.结果表明：应用该方法建立的模型的均方误差、平均绝对误差和平均绝对百分比误差分别为4.80、0.71、1.84%,均小于其他模型结果;对应空气质量等级预报正确天数的频率为94.12%.该模型能有效的降低非平稳性对实验预测结果的影响,实现对空气质量等级的准确预报;该研究为进一步预测AQI的走向提供了有效依据,也为政府决策和管理部门制定空气污染控制提供了更充分的参考.     

基于BP神经网络的儿童卧室内灰尘PAEs浓度预测

在实测数据的基础上,以邻苯二甲酸酯(PAEs)的各类影响因素为自变量,PAEs浓度为因变量,采用Back-propagation(BP)神经网络建立儿童卧室内PAEs浓度预测模型.结果表明,该模型的预测效果较理想,其中,STD比值均＞0.5,NMB均接近0,EMR均＜19％.以室内环境与儿童健康(CCHH)课题组天津地...     

条带开采下沉系数计算与优化设计的神经网络模型

在综合分析条带开采地表下沉系数影响因素的基础上,采用神经网络方法建立了条带开采地表下沉系数的计算模型。模型以国内外成功的条带开采实例为学习训练样本和测试样本,对模型的计算结果与实测值进行了对比分析,分析结果表明,该模型的计算值更接近于实测值。在上述研究的基础上,在给定条带开采采出率的条件下,以条带开采的地表下沉系数最小为原则,运用该模型实现了对条带开采尺寸的优化设计。该研究的成果,为条带开采地表下沉系数的理论计算及条带开采尺寸的优化设计探索出了一种新的方法。     

基于BP神经网络不同输入变量的爆破振速预测

以某隧道爆破开挖为实例,利用BP神经网络解决复杂非线性函数逼近问题的能力,以最大段药量、爆心距、爆破分段数、泊松比、岩石基本质量指标作为影响爆破振动速度的主要因素,选取不同维数的输入变量建立BP神经网络模型来预测爆破振动速度。对比分析各组预测值与实测值之间的相对误差,选取合理维数的输入变量建立了爆破振动危害预测的BP神经网络模型。