调引太湖水改善苏州市水动力条件研究

基于苏州地区独特的地理位置,简述引水改善该地区水环境的必要性,拟定了3种调水方案,利用感湖河网数学模型,对3种方案调水后主要河道的水动力条件进行预测,分析了各河道调水后的水动力变化趋势,提出了利用太湖水自流引水改善苏州市水环境的最佳方案.     

ISAPEC中知识自动获取的设计与实现

剖析了利用人工神经网络实现大气污染总量控制规划智能决策支持系统（ＩＳＡＰＥＣ）中知识自动获取的必要性，论述了ＩＳＡＰＥＣ中知识的自动获取的设计与实现过程，并用一实例进行了验证。结果表明用人工神经网络实现知识的自动获取与知识的人工获取相比既具有更高的时间效率，又能保证更高的质量。     

网络计划在液化气球罐内外部检验过程中的应用

在以工期考虑为重点的V-3002B液化气球罐内外部检验过程中，引用现代管理中网络计划技术关键路线法，为加快芳烃厂压力容器检验提供了科学的依据。本文总结和介绍了网络计划技术在芳烃厂贮运车间V-300亚球罐内外部检验过程应用情况。     

人工神经网络模型和公路复垦土地适宜性评价

提出了人工神经网络用于公路临时用地复垦土地适宜性评价，利用该模型对京大高速公路山西段复垦山西段复垦土地进行了适宜性评价，探讨了人工神经网络在土地复垦适宜性评价时的特点和注意问题。     

我国汽车报废回收利用体系框架初探

主要介绍了国内外废旧汽车回收处理现状,并从法制建设、回收网络构建、回收技术研究、宣传教育等方面提出了我国应对废旧汽车回收利用的对策建议。     

基于遗传算法的人工神经网络大气环境评价

人工神经网络模拟大脑的认知功能,通过改变连接点的权值和阈值来训练神经网络完成特定的功能。运用基于遗传算法的BP网络模型,以国家大气质量标准作为网络的输入样本对网络进行训练,对某地区大气质量进行评价,结果与综合指数法比较吻合。     

基于三层网络的SBR法深度脱氮智能控制系统的中试研究

以一座处理量为60m3·d-1的SBR法中试系统为研究对象,将三层网络智能控制技术引入SBR工艺中,并对该智能控制系统的深度脱氮效果和稳定性进行了中试研究.在SBR法硝化反硝化过程中,pH、DO、ORP曲线上会出现反映生物脱氮进程的特征点,以pH、DO、ORP为控制参数建立的智能控制策略可以准确判断反应的终点,避免了过度曝气,在保证深度脱氮的前提下节省了能耗.经过10个月的稳定运行,即使在温度较低的情况下,该SBR法智能控制中试系统出水的各项指标完全能够达到国家污水排放一级标准,并且达到了深度脱氮的效果,出水COD低于50 mg·L-1,总氮低于5 mg·L-1.     

青藏高原生态资产地域划分中的SOFM网络技术

针对目前地域划分中存在的问题,论文尝试以人工神经网络技术作为区划工作的理论支撑,构建了自组织特征映射SOFM网络,以青藏高原环境与生态系统资产作为待分客体,探索了新技术和方法在生态资产地域划分中的应用。结果表明,对于自然界中广泛存在的非线性问题,SOFM网络具有比聚类分析等线性分类器更强的适应性。应用SOFM网络在对待分客体生态资产进行类型划分的基础上,使用策略性循环尺度转换(SCS)范式对其进行了区域转换,最终完成了青藏高原范围内生态资产的地域划分。     

用神经网络辨识化学强化一级处理系统

运用实验室得到的数据为样本 ,选取了CODCr和絮凝剂投加量为指标 ,采用三层结构的神经网络 ,利用Matlab的神经网络工具箱中的批处理梯度下降法对CEPT系统经行辨识。辨识结果表明 :模型的预测值与实测值的平均误差在 3 .7%左右 ,具有较高的精度。同时 ,该模型还具有适应性强 ,使用方便 ,高效的特点 ,为CEPT系统的在线实时控制提供了一条有效的途径。     

Application of Bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-a prediction in Nanzui water area of Dongting Lake

Bayesian regularized BP neural network（BRBPNN） technique was applied in the chlorophyll-α prediction of Nanzui water area in Dongting Lake. Through BP network interpolation method, the input and output samples of the network were obtained. After the selection of input variables using stepwise/multiple linear regression method in SPSS i1.0 software, the BRBPNN model was established between chlorophyll-α and environmental parameters, biological parameters. The achieved optimal network structure was 3-11-1 with the correlation coefficients and the mean square errors for the training set and the test set as 0.999 and 0.000？8426, 0.981 and 0.0216 respectively. The sum of square weights between each input neuron and the hidden layer of optimal BRBPNN models of different structures indicated that the effect of individual input parameter on chlorophyll- α declined in the order of alga amount 〉 secchi disc depth（SD） 〉 electrical conductivity （EC）. Additionally, it also demonstrated that the contributions of these three factors were the maximal for the change of chlorophyll-α concentration, total phosphorus（TP） and total nitrogen（TN） were the minimal. All the results showed that BRBPNN model was capable of automated regularization parameter selection and thus it may ensure the excellent generation ability and robustness. Thus, this study laid the foundation for the application of BRBPNN model in the analysis of aquatic ecological data（chlorophyll-α prediction） and the explanation about the effective eutrophication treatment measures for Nanzui water area in Dongting Lake.