首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   10篇
  完全免费   3篇
  评价与监测   13篇
  2018年   3篇
  2016年   1篇
  2015年   3篇
  2014年   1篇
  2012年   1篇
  2010年   1篇
  2009年   1篇
  2007年   1篇
  2002年   1篇
排序方式: 共有13条查询结果,搜索用时 52 毫秒
1.
基于BP神经网络的齐齐哈尔地区地下水水质评价   总被引:6,自引:0,他引:6       下载免费PDF全文
阐述了人工神经网络基本原理,介绍了BP网络的地下水水质评价模型.在传统的评价方法基础上,根据各评价因子对环境和人类影响程度不同,给水质监测指标分组,从实用角度对水质进行评价.与传统评价方法相比,该评价模型在某评价因子数值极大的情况下,也能准确反映地下水的污染情况,并且通过GIS技术利用评价结果得到地下水水质分布图,从空间反映地下水水质变化规律.  相似文献
2.
BP神经网络改进算法预测水质浓度的应用   总被引:2,自引:0,他引:2  
探讨了黄河兰州段地表水水质浓度预测的BP神经网络法,建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明,改进的BP算法在水质浓度预测中更能胜任,时间短、准确度高。  相似文献
3.
空气中PM10浓度的BP神经网络预报研究   总被引:1,自引:0,他引:1  
BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010-0.010mg/m3范围内,相对误差在-20%~20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。  相似文献
4.
基于BP神经网络的贵阳市空气质量指数预报模型   总被引:1,自引:0,他引:1       下载免费PDF全文
采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。  相似文献
5.
建立了大气污染物浓度与影响因子之间的BP神经网络,对城市中各监测点位的次日大气污染物浓度进行预测,采用GIS的插值分析进行污染物空间分布预测,其中BP神经网络的输入向量采用AGNES算法进行处理。以太原市区SO2、PM10浓度预测为例,选择气温、湿度、降水量、大气压强、风速和前5天的污染物浓度等10个参数训练BP神经网络,结果表明,BP神经网络的训练效果较好,预测结果与实际浓度显著相关,R2分别为0.988、0.976;结合太原市8个监测点位的污染物浓度预测值,运用GIS空间差值法绘出SO2、PM10的浓度分布预测图,该图与实际情况大体符合,并且与国控大气污染企业的分布显著相关,Pearson相关系数分别为0.969、0.949。  相似文献
6.
基于BP神经网络的藻类水华预测模型研究   总被引:1,自引:0,他引:1  
以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。  相似文献
7.
基于BP神经网络城市环境噪声预测及实证研究   总被引:1,自引:0,他引:1  
城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP(Back propagation,BP)神经网络对北京市1994~2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP神经网络能够有效地对城市环境噪声污染进行评价和预测。  相似文献
8.
采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。  相似文献
9.
设计了一种两阶段算法,引入水温作为中间桥梁,第一阶段利用多变异位自适应遗传算法解析气温与水温数学关系,第二阶段根据遗传算法改进的BP神经网络通过水温对水质进行预测,进而设计气温-水温-水质组成的水质预测算法GA-GABP,并将该算法应用于秦皇岛石河水库的水质监测模拟。结果表明,整个过程算法寻优速率快,网络学习时间短,其最终拟合、预测效果理想,能够对水质预警作出有效分析。  相似文献
10.
应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM10浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号