基于人工神经网络的城市用水需求组合预测

城市用水需求预测是涉及到诸多要素的复杂系统预测问题。为了减少简单外推法预测所带来的误差,通过在训练BP神经网络时自动调整学习步长和添加动量项修正神经单元之间的权重,既提高了神经网络的收敛速度,又抑制了神经网络限于局部极小现象的发生;然后使用改进的BP神经网络寻找多元回归预测、径向基函数(RBF)神经网络和改进BP神经网络3个单项预测的最佳组合,来综合各项独立预测所包含的信息,并以条件假设按照参考、高、低3个方案预测分析某城市的用水需求情况,说明这种基于人工神经网络的组合预测方法在预测城市用水需求量时是一个准确高效的方法。     

神经网络法应用于酚类化合物对青海弧菌毒性的预测

青海弧菌对有毒酚类化合物具有强烈的敏感性,为建立酚类衍生物对青海弧菌毒性的定量结构-活性相关性(QSAR)模型,分析了16种酚类衍生物的分子结构与对青海弧菌毒性之间的相关关系,计算了酚类衍生物的分子连接性指数和分子形状指数,并优化筛选了分子连接性指数的1阶路径指数(~1χ)和分子形状指数的2阶特征指数(K_2)及1阶和2阶指数乘积值(K_4),用这3种指数与对青海弧菌的毒性进行多元回归分析,多元回归方程的决定系数R~2=0.971。为进一步提高预测精度,将这3种分子结构参数作为神经网络的输入变量,毒性值作为输出变量,采用3:2:1的网络结构,通过反向传播(BP)神经网络法获得满意的QSAR预测模型,总的相关系数r为0.996,计算得到的毒性预测值与实验值较为吻合,平均相对误差仅为1.98%,结果表明该模型具有良好的预测酚类衍生物毒性的能力,可以看出神经网络方法对酚类化合物发光菌毒性预测比多元线性回归方法的统计学意义更加明显。     

基于DFA的无定河径流长期变化趋势及持续性研究

河川径流量的变化对水资源的开发利用和国民经济的发展具有很大的影响。采用K0lmogorov—Smimov检验方法对无定河流域两个主要水文站赵石窑站和白家川站逐月径流量序列进行正态性检验,在此基础上运用DFA分析方法,估算两站时间序列的研示度指数,预测该流域径流量的未来变化趋势及其持续性,并采用随机重排法对估算结果进行了稳定性检验。分析结果显示：赵石窑和自家川两站径流时间序列的a标度指数分别为0．52和0．56,均大于0．5,径流时间序列表现为较强的长程依赖性,表明无定河流域在过去近50a内径流量的总体上呈下降趋势,在未来一段时间内,还将持续一段时间。对原时间序列随机重排后,两站月径流序列的6α标度指数都变小,分别为0．48和0．49,接近于0．5,进一步证明原序列确实存在着标度不变性。研究结果对流域的水资源规划、管理与合理利用有帮助。     

BP模型的改进及其在大气污染预报中的应用

针对传统BP模型存在着训练速度较慢、局部极值以及最佳网络结构无法准确确定的不足，进行了改进，应用于城市空气污染预报，建立大气污染浓度的神经网络预测模型。计算结果表明，应用改进的BP模型进行大气污染预报能够得到更好的预测结果，具有很强的实用性。     

应用于水文预报的优化BP神经网络研究

利用广东省滨江流域的水文观测资料，建立了以前期降水量为预报因子、以水位为输出的BP人工神经网络水文预报模型。首先采用了合理的方法进行样本组织，进而利用最优子集回归技术进行输入因子的确定，然后进行了不同隐层节点数、不同转移函数、不同训练算法的组合试验，确定了应用于水文预报中的优化BP神经网络：网络结构为8-9-1；转移函数的组合方式为tansig-线性函数；训练算法为采用evenberg-Marquardt(Lm)算法。为便于精度分析，还采用了最优子集回归模型作了研究。结果表明，优化BP网络模型无论在拟合精度还是在预测精度上都高于最优子集模型。总的来说BP网络是一种精度较高的水文预测模型。     

酚类化合物臭氧氧化速率的神经网络研究

酚类化合物(BP)是重要的工业原料或中间体,但工业废水含有的酚类化合物会对环境造成污染。为建立酚类化合物臭氧氧化速率的QSPR(quantitative structure-property relationship)预测模型,分析了23种酚的分子结构与臭氧氧化速率之间的相关关系,计算了这些酚的分子连接性指数和分子形状指数,优化筛选了连接性指数的1χ和2χ、分子形状指数的K1和K2共4种参数,将其作为BP神经网络的输入层变量,臭氧氧化速率作为输出层变量,采用4:2:1的网络结构,获得了令人满意的QSPR神经网络预测模型,模型总相关系数r为0.976,计算得到的臭氧氧化速率的预测值与实验值较为吻合,平均残差仅为0.05;为检验结构参数建立模型的普适性,同样方法建立对酚类化合物的辛醇-水分配系数的预测模型,模型总相关系数r达到0.993,辛醇-水分配系数的预测值与实验值吻合度较为理想,结果表明,本法建构的神经网络模型具有良好的稳健性和预测能力。     

时间序列分析在大气环境中的应用

以西安市2004—2008年PM10月平均浓度时间序列为例,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,得到了PM10的年变化趋势和突变特征。将时间序列平稳化预处理后,根据时间序列的自相关和偏自相关图进行判断,得到合适的时间序列模型ARIMA(1,1,1)(2,0,0)S,然后进行参数估计得到模型的各个参数。利用得到的模型对2009—2010年西安市PM10浓度值进行预测,研究结果表明,将小波分析和ARIMA(1,1,1)(2,0,0)S应用于大气污染物浓度时间序列的分析是可行的。     

神经网络模型森林生物量遥感估测方法的研究

森林生物量的估测是全球变化研究的基础,而遥感宏观、综合、动态、快速的特点决定了基于遥感的生物量模型为森林生物量估测的发展方向,目前的遥感生物量估测方法大多基于回归分析,需要预先假设、事后检验,仅为经验性的统计模型。神经网络的分布并行处理、非线性映射、自适应学习和容错等特性,使其具有独特的信息处理和计算能力,在机制尚不清楚的高维非线性系统体现出强大优势,可以用于遥感生物量估测。文章在野外调查的基础上,尝试应用BP网络和RBF网络技术,建立广州TM遥感影像数据与森林样方生物量实测数据之间的神经网络模型,通过训练和仿真,与生物量实测数据进行比较。结果表明,在独立样地估测中,人工神经网络估测的相对误差均小于15.18%,获得了满意的效果。而RBF网络与BP网络相比,在识别精度上、稳定性、速度上,均优于BP网络,其最大相对误差不超过10.12%,平均相对误差为4.76%。可见应用神经网络方法的“黑箱”操作虽然难以归纳出指导性规律,但可以获得很高的精度。尤其RBF网络,在训练完成后,可以应用该模型进行大区域生物量估算,对于森林的规划及管理具有深远意义。     

取代芳烃的生物降解性与结构相关性研究

采用量子化学MOPAC－AM1法计算了42种取代芳烃的生成热Hf、分子最高占有轨道能EHOMO、分子量MW、分子总表面积TSA及偶极矩μ。分别采用线性回归分析法和人工神经网络法对所研究化合物的生物降解性参数BOD进行QSBR研究。对训练组而言，线性方法和神经网络法的平均预测误差分别为15．9％和11．4％；而测试组化合物的平均百分误差分别为14．5％和13．0％。无论对于测试组还是训练组，神经网络法的预测都更精确。     

基于响应曲面模型的多元复合体系中沉积物吸附阿特拉津的规律

文章建立了阿特拉津（AT）、铜（Cu）、镉（Cd）和马拉硫磷（Ma）四元复合体系中沉积物吸附阿特拉津的BP神经网络模型,模型训练集、验证集、预测集的均方差分别为0.070 3、0.336 0、和0.195 0,模型输入数据与其模拟值相关系数r2=0.841 6。利用所建立的BP神经网络模型构建多元复合体系中沉积物吸附AT的中心复合实验设计并绘制响应曲面模型,结果显示,响应曲面模型可以直观反映多元复合体系中各因素间影响AT吸附的交互作用,AT×Ma的交互作用最大,而除Cu×Cd外,其他两两因素之间的交互作用均呈显著效应,其中,AT×Ma、AT×Cd和Cu×Ma对阿特拉津的吸附产生协同作用,而AT×Cu和Cd×Ma则产生拮抗作用,交互作用占AT吸附量的60.28%,对阿特拉津在沉积物上的吸附影响不可忽略。     

Pesticide prediction in ground water in North Carolina domestic wells using artificial neural networks

This paper illustrates the application of artificial neural networks (ANN) for prediction of pesticide occurrence in rural domestic wells from the available limited information. Among the three ANN models (a feed-forward back propagation [BP], a radial basis function [RBF] and an adaptive neural network-based fuzzy inference system [ANFIS]) employed for this investigation, the BP neural network was found to be superior to RBF and ANFIS type networks for the detection of pesticide occurrences in wells. For improved model prediction efficiency, optimization of network structure (e.g., number of hidden layers and number of nodes in each hidden layer) and spread (the width of the radial basis function) are important for BP and RBF type of network, respectively. A four layer BP network with a 3:2 neurons ratio of the first hidden layer to the second hidden layer produced better prediction performance efficiencies in terms of the pesticide detection efficiency (E_f), the root mean square error (RMSE), and the correlation coefficient (R) and the overall E_f of the BP neural network was found greater than 85%. Sensitivity analysis was performed to measure the relative importance of one input parameter over the other in pesticide occurrence in wells. It was shown in terms of the prediction efficiencies (E_f, RMSE, and R) of a four-layer BP neural network that the time of sample collection (TSC; month of the year), the depths of wells, and pesticide travel times (PTT) were more important parameters in the prediction of the pesticide occurrences in rural domestic wells. This means that the wells having shallow ground water table are more vulnerable to pesticide occurrence.     

太阳黑子与杉木生长关系

根据多层误差板传网络结构模型和三次设计发展了一种太阳黑子人工神经网络预报方法,以杉木胸径生长的年轮指数和太阳黑子自相关因子输入变量,应用改进的人工神经网络方法建立了太阳黑子相对数年平均值的预测模型,模型的模拟回归优度为93．3％,预测精度达到95．74％,并对网络模型中变量进行灵敏度分析,分析表明,杉木胸径生长的年轮指数对太阳黑子对相对数年平均值影响较平坦,而太阳黑子自相关因子Yt-4和Yt-2对太阳子相对数年平均值影响较灵敏,3个因子对太阳黑子相对数年平均值均在一定的影响。图2表5参19     

城市给水管网余氯的预测模型

选择余氯为研究对象,以南方某市给水管网水质监测的数据为基础,使用线性回归和非线性神经网络(ANN)方法建立模型,找到了一种利用在线监测数据和人工监测数据实时预测管网余氯的方法。通过建立给水管网水质模型,可以由监测系统动态回传的数据来实时的预测下一天人工点的水质。模拟的结果显示ANN模型比线性回归模型有更好的预测能力,预测的平均相对误差:ANN模型为14.9%,线性回归模型为25.8%。使用ANN模型可以实现实时预测。     

Short-term prediction of the influent quantity time series of wastewater treatment plant based on a chaos neural network model

By predicting influent quantity, a wastewater treatment plant (WWTP) can be well controlled. The nonlinear dynamic characteristic of WWTP influent quantity time series was analyzed, with the assumption that the series was predictable. Based on this, a short-term forecasting chaos neural network model of WWTP influent quantity was built by phase space reconstruction. Reasonable forecasting results were achieved using this method.     

基于人工神经网络方法的河北省近海沉积物重金属污染综合评价

利用误差反相传播神经（BP）网络对河北省近海沉积物中的铅、镉、锌、汞、砷5种重金属元素的污染水平进行分析,利用自组织特征映射（SOFM）网络对上述重金属元素分布特征进行分类,通过分类与污染水平量化值的结合,进行综合评价。SOFM把52个沉积物样品分别划分为3、4、6类和9类。对比各种分类,分为3类的物理意义较明确。每个类别分别对应高中低不同的污染物浓度水平,差异显著、分类方式比较合理。通过此种分类可以判断河北省近海的沉积物重金属污染在不同海域存在一定的差别,整体上是离海岸越远,沉积物的重金属污染水平越高,距海岸较近的海域内,沉积物的重金属污染水平较低,但渤海湾内的重金属污染水平高于其他海域。     

基于人工神经网络方法的河北省近海沉积物重金属污染综合评价

利用误差反相传播神经(BP)网络对河北省近海沉积物中的铅、镉、锌、汞、砷5种重金属元素的污染水平进行分析,利用自组织特征映射(SOFM)网络对上述重金属元素分布特征进行分类,通过分类与污染水平量化值的结合,进行综合评价。SOFM把52个沉积物样品分别划分为3、4、6类和9类。对比各种分类,分为3类的物理意义较明确,每个类别分别对应高中低不同的污染物浓度水平,差异显著、分类方式比较合理。通过此种分类可以判断河北省近海的沉积物重金属污染在不同海域存在一定的差别,整体上是离海岸越远,沉积物的重金属污染水平越高,距海岸较近的海域内,沉积物的重金属污染水平较低,但渤海湾内的重金属污染水平高于其他海域。