暴雨致灾机理分析及预测模型构建

台阶边坡、路堑边坡等地常选用乔木作为护坡植物,而降雨易影响乔木的稳定性,进而影响其护坡效果。提前预测降雨对乔木稳定性的影响,则可及时预判边坡失稳、泥石流等灾害的发生。以非饱和土体力学特征和乔木根系固土机理为基本理论依据,分析失稳原因并建立相应理论模型;基于多种降雨方案,利用数值模拟得到不同降雨情况对乔木稳定性影响的相关数据;然后以模拟结果作为训练样本,利用BP神经网络构建预测模型,并制定相应的分类预警评判指标。研究表明：此预测模型不仅精度高,相比于数值模拟计算速度可提高数万倍,此成果可为灾害防治及预警工作提供参考。     

基于BP神经网络的矿车运行时矿井摩擦阻力的预测*

为了快速有效地确定矿车等运输设备在巷道内运行时矿井摩擦阻力的变化情况,克服模拟软件计算量和现场实测工作量大的问题,以巷道风流速度、矿车运行速度、阻塞比、矿车长度4个矿车运行时巷道摩擦阻力的影响因素作为切入点,采用动网格技术模拟得到矿车在巷道内运行时有关矿井摩擦阻力的数据,以此为样本构建基于BP神经网络的矿井摩擦阻力预测模型,运用MATLAB软件进行网络训练,并将BP神经网络预测值与FLUENT模拟值进行对比。研究结果表明:BP神经网络结构比较简单,能以较快速度收敛,预测值与模拟值最大误差在7%以内,该神经网络模型用于求解矿车等运输设备在巷道内运行时摩擦阻力的变化情况是可行的。     

贫困退出背景下返贫脆弱性评价——融合区域与个体的新视角

精准识别返贫脆弱性,预防和化解返贫风险是“后扶贫时代”的工作重点。基于区域与个体尺度融合的新视角,运用BP神经网络法、熵值法和偏相关分析法对六盘山、秦巴山和大别山三大集中连片特困区进行返贫脆弱性评价与影响因素分析。研究发现：（1）三大集中连片特困区返贫脆弱度大致呈现由西向东递减的空间格局;（2）三个典型县区域和个体返贫脆弱性评价结果均显示古浪县>新县>栾川县;（3）高返贫风险县域中,高生态暴露度特征最为显著,而高返贫风险家庭中,生计动力不足特征最为明显;（4）区域返贫脆弱性主导因子为自然环境禀赋和经济发展水平,个体返贫脆弱性主导因子则为家庭劳动力综合素质、家庭收入、生计来源多样性、家庭成员健康状况和婚姻成本等。     

基于时差相关分析和模糊神经网络的白洋淀流域水环境承载力评价预警

为实现水环境承载力评价和预警,运用耦合DPSR模型和时差分析方法构建了白洋淀流域水环境承载力监测预警指标体系,并结合神经网络与模糊数学构建了T-S模糊神经网络模型,根据控制图法确定了监测预警指标阈值,解决了水环境系统的随机性和模糊性问题,最终实现了白洋淀流域水环境承载力的有效评价和预警。结果表明:1)白洋淀流域水环境承载力在2012-2015年处于较弱承载状态,在2016,2017年处于中等承载状态,现状评价等级由Ⅳ级(橙色警灯)转变为Ⅲ级(黄色警灯);2)在现状发展趋势下,2018-2035年白洋淀流域水环境承载力整体呈先上升后下降趋势,自2026年以后流域水环境整体呈恶化状态,水环境承载力逐渐从中等承载(黄色警灯)向较弱承载(橙色警灯)和弱承载状态(红色警灯)转变;3)未来区域人口的增长和雄安新区的快速发展会给白洋淀流域水环境带来巨大压力,因此可加大区域水环境保护力度,实施基于空间单元的精细化环境管控方案,推动区域经济绿色转型,促进区域水环境质量全面改善和良性发展,以提高区域可持续发展水平。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。     

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.