基于神经网络的碳排放预测及影响因素分析

基于新疆1995—2014年农业生产碳排放源,建立碳排放关系数据库。应用广义神经网络(generalized regression neural network,GRNN)构建了排放量预测模型,结合平均影响值(mean impact value,MIV)方法对碳排放影响因素进行量化。结果表明:1)GRNN模型预测碳排放的平均绝对百分误差和拟合优度分别为2.7860%和0.8720;2)新疆人口、人均GDP、农业贡献值、农机总动力和农户固定资产投资等因素对农业生产碳排放的影响程度分别为0.6210、0.2377、0.3698、0.8500和0.1000。该成果可为新疆碳排放总量分析和影响因素量化方面提供参考。     

基于遗传神经网络的除湿机故障诊断与寿命预测

目的识别除湿机的性能状态和预测吸附剂的剩余寿命。方法针对除湿机故障过程缓变的特点,提出一种基于数据驱动的遗传神经网络模型。首先,为解决设备失效程度划分模糊的问题,由5个热力参数组成反映吸附剂劣化程度的特征向量,关联分析得到除湿机的5类故障模式。其次,利用遗传神经网络建立状态参数和故障模式的映射关系。最后,对表征设备吸附能力的主参数进行外推预测。结果训练好的诊断网络可准确地识别出设备的劣化程度及其演变过程,预测网络的预测精度非常高。结论该方法可有效地实现对除湿机的故障诊断与预测。。     

电晕放电辐射信号的特征提取和模式识别方法研究

目的研究电晕放电辐射信号的特征提取和模式识别方法。方法在分析信号特征提取方法的基础上,对实测的电晕放电辐射信号特征提取,利用概率神经网络开展电晕放电辐射信号目标识别,检验特征提取的有效性。结果以奇异值作为输入特征量的PNN在整体上效果更优,稳定性好,对两类不同放电辐射信号的正确识别率均可达到80%以上,并且当输入特征量个数达到10个时,对实测样本的正确识别率均达到了最高值。电晕放电的正确识别率为96.7%,火花放电的正确识别率为93.3%。结论该方法能基本满足实际放电信号的识别应用。     

基于T-S模糊神经网络的大沽河水质变化特征分析研究

基于T-S模糊神经网络,利用大沽河2010年-2015年水质监测数据,选取溶解氧、化学需氧量、高锰酸盐指数、氨氮、总氮、总磷对水质具有重要影响的6项指标,建立适用的水质评价模型,对大沽河水质变化特征进行分析.结果显示:上游水质评价结果明显优于中游、下游水质评价结果,网络评价水质等级变化趋势同真实指标数据变化趋势一致.验证结果充分表明了T-S模糊神经网络用于水质变化特征分析是可行、有效的.     

罕见冬季降雨中人工增雨微物理过程分析研究

用Micaps实时资料、CPAS卫星反演分析资料、NCEP再分析资料、ECMWF再分析资料,多普勒雷达PUP产品资料,对2015年12月1日夜间至2日凌晨沈阳地区罕见冬季降雨过程,进行了天气学分析、及大气微物理人工增雨作业条件分析,并结合沈阳地区人工增雨作业指标,得出本次降雨过程在厄尔尼诺正在发生的背景下,为常见的高空槽转东北冷涡型,水汽、动力等微物理作业条件也适合于开展人工增雨作业,并给出了相应的作业指导参数,为沈阳地区今后在冬季降雨天气过程中开展人工增雨作业积累了宝贵经验.     

ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

基于不变矩理论的腐蚀等级评定方法研究

基于腐蚀图像包含大量腐蚀信息的客观现实,将数字图像技术和不变矩理论应用于腐蚀图像预处理和特征提取,用腐蚀图像的7个不变矩特征值来描述腐蚀形貌特征,利用概率神经网络模式识别技术,建立了以不变矩为特征参数的概率神经网络模式识别模型,实现了金属材料腐蚀等级的评定。以铝合金材料在EXCO溶液中加速腐蚀等级评定为例,分析表明,不变矩作为一种高度浓缩的图像特征,能够表示腐蚀形貌与腐蚀特征的映射关系,该方法简单易行,识别率可达到87.95%,满足工程应用要求。     

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.     

不同雨强条件下太湖流域典型蔬菜地土壤磷素的径流特征

以太湖流域典型区域无锡市近郊区鸿声镇的蔬菜地为研究对象,采用人工模拟降雨的方法,通过野外径流小区试验,研究了不同雨强对菜地土壤磷素径流流失的影响.结果表明,初始产流时间随雨强的增大呈幂函数减小(R²=0.99),径流量在雨强较小时,缓慢上升,但随着雨强的增大急剧上升,在雨强0.83、1.17和1.67 mm·min^-1时,总磷(TP)和颗粒态磷(PP)都表现为初始流失浓度较高,随降雨历时延长略有下降,最终趋于稳定,而在大雨强2.50 mm·min^-1时,TP和PP呈现波浪式起伏,没有明显的变化趋势;在整个降雨-径流过程中,溶解态磷(DP)变化比较平缓,占TP的比例为20%～32%,而PP占TP的比例为68%～80%,其变化规律与TP相一致,由此可见,PP是土壤磷素流失的主要形态;通过对比不同雨强下不同形态磷素的流失率,发现TP的流失率,大雨强2.50 mm·min^-1是小雨强0.83 mm·min^-1的20倍,而DP的流失率,却是33倍,这表明随着雨强的增加,加速土壤PP流失的同时,也大大促进了DP的流失,主要原因是降雨前表施磷肥,使得磷肥中大量的无机态磷溶解释放到水环境中,增加了DP的流失,从而会加重受纳水体富营养化的程度.     

Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission

Vehicle emission has been the major source of air pollution in urban areas in the past two decades. This article proposes an artificial neural network model for identifying the taxi gross emitters based on the remote sensing data. After carrying out the field test in Guangzhou and analyzing various factors from the emission data, the artificial neural network modeling was proved to be an advisable method of identifying the gross emitters. On the basis of the principal component analysis and the selection of algorithm and architecture, the Back-Propagation neural network model with 8-17-1 architecture was established as the optimal approach for this purpose. It gave a percentage of hits of 93%. Our previous research result and the result from aggression analysis were compared, and they provided respectively the percentage of hits of 81.63% and 75%. This comparison demonstrates the potentiality and validity of the proposed method in the identification of taxi gross emitters.