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。     

模糊神经网络在危险化学品道路运输风险评价中的应用

正随着城乡公路的建设、高速公路的增多、汽车运输业的大力发展,道路运输因其机动灵活、快速及时、方便经济等特点,成为当前我国危险化学品运输的一种主要途径。然而,危险化学品在道路运输过程中,由于设备缺陷、撞击、挤压等原因,盛装易燃、易爆、有毒危险品的容器及相关辅助设施有可     

基于证据理论的煤矿瓦斯涌出组合预测

为提高煤矿瓦斯涌出量预测的准确度,引入证据理论组合预测方法。根据瓦斯涌出量及其主要影响因素间的实验数据,采用3个不同的粒子群神经网络模型对涌出量进行初步预测。并由BP、RBF网络对预测误差及预测点的影响因素进行分析建模,以获取每个模型的可信度。再利用证据理论对其进行合成,确定组合模型的权值,最终实现对瓦斯涌出量的组合预测。实例结果表明,该组合预测方法的平均绝对误差、均方误差分别为18.5%、5.8%,均小于神经网络组合法及等权平均法的相应预测误差,适用于煤矿瓦斯涌出量预测。     

基于主成分分析法的危险货物运输企业安全评价

为更准确地评估危险货物运输企业安全等级以降低其运输风险,提出基于主成分分析法(PCA)的危险货物运输企业BP神经网络安全评价模型;在从人-机-物-环境-管理角度构建危险货物运输企业安全评价指标的基础上,分别利用该模型和其他3种模型对3家实例企业进行仿真评价和对比分析。结果表明,该模型的评价结果与期望值间的相对误差约为0.5%～1.2%,计算精度优于其他模型,且具有计算量小等特点。     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。