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     

基于BP神经网络的上市公司CEO报酬实证研究

近年来的研究表明,CEO报酬不仅受公司业绩的影响,还受到其他诸多因素的影响,而且,CEO报酬与其决定因素之间往往存在着非线性关系。本文以2003-2005年沪深股市的A股上市公司为样本,采用BP神经网络对CEO总报酬、CEO年薪、CEO持股价值及其决定因素分别进行训练和学习,结果表明：（1）网络训练输出值与实际值的拟合度分别达到91.09%、97.23%和78.44%;（2）网络的预测能力相对于传统的线性回归模型分别提高了92.72%、92.08%和53.89%。因此,本文认为在分析和确定CEO报酬水平时引入神经网络模型是可行的。     

路面径流水环境下交通承载力分析

为了对路面径流水容许污染总量控制下的交通承载力问题进行探讨,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,结合公路路面径流水质检测数据,提出了一种基于遗传神经网络进行公路交通环境承载力反计算的分析方法,应用该方法可根据路面径流水质污染数据反演出路段交通量大小,并可据此进行交通量与路而径流水质污染的关...     

密云水库流域2000-2005年植被覆盖度变化监测

植被是生态系统最重要的组成部分,而植被覆盖度是衡量地表植被状况的一个最重要的指标,是生态系统健康评价的前提和必要的基础。文章利用2000和2005年2个时相的Landsat 7 ETM+遥感影像为数据源,以BP神经网络法为植被覆盖度估算模型,计算了密云水库流域内不同时期的植被覆盖度,生成了该流域2个时相内的植被覆盖度图,以此分析密云水库流域植被覆盖度的时空变化。结果表明,从2000-2005年,密云水库流域内除无植被覆盖类型外(即水域部分),其余土地利用类型的植被覆盖度都呈增加趋势,其中以沙质地和耕地最为明显,分别增长了29.5%和27.3%,并且密云水库流域的平均植被覆盖度不高,尤其西部地区植被覆盖度较差,水土流失和土地沙化情况比较严重。     

机场环境下飞机LY12CZ结构腐蚀损伤预测方法研究

依据LY1 2CZ材料的EXCO溶液浸泡加速腐蚀试验数据、飞机LY 12CZ构件在机场环境下的真实腐蚀损伤数据以及腐蚀损伤等效原则和当量关系原理,获得了该材料在2种环境下腐蚀的当量因子均值(α) =0.023 6,构建了LY12CZ材料于EXCO溶液中浸泡腐蚀的神经网络腐蚀深度预测模型.在此基础上提出了利用所建的神经网...     

地下空间的安全使用

北京现有高层建筑5000多幢,每幢高层建筑都有地下室.对于地下室的利用,有用作停车库或物资库的,有用作超市的,有用作旅店的,有用作出租给外地民工居住的.这些地下室,大多是按原来的设计使用的.如近年新建的高层住宅楼,都设计有地下停车库,停车库都有较高的耐火等级,里面设有较完善的消防设施和良好的防火分隔.但有的高层住宅楼地下停车库是和楼上直接连通的,没有防火、防烟分隔.万一停车库发生火灾时,其火焰和毒气会很快窜到楼上各层,将会导致众多居者的伤亡.……     

基于BP神经网络的煤层自燃预测

在全面分析影响煤层自燃因素的基础上,建立了煤层自燃预测的人工神经网络模型.应用该模型对某煤田的多个煤层样本进行了训练和预测,网络经过10次训练后,误差达到设定的最小值,6次预测测试中最大误差仅为0.027 8,最小的为0.000 1.研究表明,该模型精度较高,可用于预测煤层自燃的实际应用.     

环氧化合物分子结构与致变活性的关系

由化学物质毒性效应登录(RTECS)1998年光盘系统检索获得86种环氧化合物对鼠沙门氏菌致变活性数据.应用主成分分析法从11种分子描述符中选择出5种对致变活性有明显影响的描述符:碳原子数,苯环数,氢原子数,烷基数和氧原子数.通过样本学习集训练并优化神经网络结构,建模分类预报:对于86个样本,低和高2类活性,正确分类率达到92%.结果表明:3～4个骈接苯环的环氧化物的特殊结构具有很强的致变活性.     

基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.