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   6篇
  完全免费   3篇
  评价与监测   9篇
  2018年   1篇
  2015年   3篇
  2012年   1篇
  2009年   1篇
  2007年   1篇
  2005年   1篇
  1995年   1篇
排序方式: 共有9条查询结果,搜索用时 125 毫秒
1
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网络应用于大气颗粒物的源解析   总被引:3,自引:0,他引:3  
应用BP网络对大气颗粒物进行源解析,将大气采集样本中的元素含量和大气颗粒物源成分谱构成训练样本集,用BP网络进行训练,由训练好的网络的权值可以计算出大气颗粒物的污染排放源的权重贡献率.将BP源解析法的计算结果与其它源解析法得到的结果比较,表明BP网络应用于大气颗粒物的源解析是可行的.  相似文献
3.
BP网络在环境评价中的应用   总被引:1,自引:0,他引:1  
介绍BP网络算法,给出了在珲春河水质评价中的应用实例,并与其它方法作了对照。由结果可以看到,该方法科学合理。  相似文献
4.
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
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
7.
根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度,建立基于t分布受控遗传算法的BP神经网络模型( BPM?TCG),对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型( BP?GA)进行对比分析。3种模型预测结果表明:BPM?TCG模型预测精度最高,泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。  相似文献
8.
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
9.
采用BP神经网络、内梅罗指数和综合营养状态指数评价了太湖金墅港、渔洋山饮用水源地水质及综合营养状态。结果表明,2012年金墅港和渔洋山的水质基本达到国家Ⅱ类水要求,其水质均处于中营养状态(31.43~47.66),不同水期对水源地营养状态影响较大,丰水期水质综合营养状态指数最低,且变化较小。渔洋山的年均富营养化状况(42.08)比金墅港(40.62)略重。  相似文献
1
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