小波网络在大气污染物浓度预测中的应用

提出一种“分解-重构-预测”小波网络的大气污染物浓度的预测方法。通过小波分解,把浓度序列分解为不同频段的小波系数序列,再对各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成浓度序列的最终预测结果。经对二氧化硫浓度预测证明,该方法预测模型推广能力强,预测精度高。     

小波分析在PM10浓度时间序列分析中的应用

以西安市PM10日平均浓度时间序列为例,根据小波分析的基本原理,应用小波分解和重构对PM10浓度时间序列的变化进行了分析,得到PM10的年变化趋势和突变特征。研究结果表明,用小波分析应用于大气污染物浓度时间序列的分析是可行的。     

微波法制备污泥吸附剂的研究

以西安北石桥污水净化中心剩余活性污泥为实验材料,以氯化锌作为活化剂,采用微波法制备污泥活性剂。通过单因素试验和正交实验的方法,得到制备污泥吸附剂的优化工艺条件为:按质量比1∶1.5添加浓度为30%的活化剂ZnCl2于处理过的干污泥中,在640W功率的微波辐射下,热解360s,即可制得性能良好的污泥吸附剂,其碘值达388.92 mg/g。     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

Fe0-CNTs-Cu活化O2降解水中2,4-二氯苯酚

为高效去除废水中长期残留、高毒性、难生物降解的氯苯酚类污染物,采用高能球磨-高温熔融-液相还原法制备能将氧气高效且选择性地还原为H₂O₂同时将原位产生的H₂O₂分解为·OH/O₂·^-的新型材料（Fe⁰-CNTs-Cu）,探讨了条件因素对2,4-二氯苯酚（2,4-DCP）降解效果的影响,初步分析了Fe⁰-CNTs-Cu/O₂体系的降解机理,并推测了2,4-DCP该体系下的降解途径.结果表明,Fe⁰-CNTs-Cu在优化条件下对2,4-DCP的降解率和TOC去除率分别为92.3%和54.2%.在Fe⁰-CNTs-Cu/O₂体系中形成腐蚀电池,促使O₂在CNTs表面选择性还原为H₂O₂,Cu⁰和Cu₂O、CNTs以及原位产生的Fe²⁺,将原位产生的H₂O₂催化分解为高氧化物质·OH/O₂·^-,高效氧化降解2,4-DCP.     

小波分析应用于大气污染物浓度的预报

在分析了国内外大气污染预报模式存在的不足的基础上,提出将小波分析应用于大气污染物时间序列的预报;利用小波分析可以将时间序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预报,最后再合成得到原时间序列的预报值。     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.