基于BP模型的南通市农田土壤重金属空间分布研究

利用采样点实测数据,借助BP神经网络模型并结合GIS技术对江苏省南通市农田土壤重金属的空间动态分布进行了详细地描述.结果表明,BP神经网络模型能够智能地学习各个采样点的空间位置与该点各重金属含量之间的映射关系,并能够稳健地对各个空问插值点处的土壤重金属含量进行预测.运用Arcgis进行的分析结果显示,在该地区Pb和As造成的污染最严重,其他重金属污染相对较轻.其中南通市区、海门市和启东市重金属富集最严重;南通大部、通州、如东大部分地区含量较少,含量最少的地区是如皋市和海安县.在运用神经网络模型进行空间插值了解重金属空间动态分布的基础上,可以根据污染的分布状况确定农产品的生产布局和规划.     

基于车速的交通事故贝叶斯预测

为了降低交通事故的发生率 ,提高道路交通安全水平 ,提出了基于车速的贝叶斯预测方法来检测和预测交通事故。首先对车速与交通事故之间的关系进行分析。在分析的基础上 ,以车速为衡量对象 ,提出贝叶斯预测方法。通过使用车速观测数据 ,应用 χ2 检验 ,确定是否为异常数据 ;并通过最小风险的贝叶斯预测 ,确定该异常是否会导致交通事故。最后 ,绘出利用该贝叶斯预测方法进行交通事故预测的流程图     

基于概率积分法油气管道矿山采空区变形预测

采空区地表变形,严重威胁油气管道安全运行,本文提出了采用概率积分法预测沉陷区地表变形,首先构造水平沉陷数学模型,然后简析水平地表和倾斜地表的差别,并给出相关简图加以说明,并在水平地表沉陷模型的基础之上,修正水平模型的部分参数.通过西气东输一个灾害点论证了该模型预测的精度,从而说明了该方法在油气管道采空塌陷的预测分析中具有一定的指导意义.     

水环境模拟参数随机场特异值及稳健变异函数的研究

根据变异函数不稳健性的产生机理,对原始监测数据进行正态变换并对特异值的识别及处理作初步研究.以廊坊市地下水采样中Cl-质量浓度为区域化变量,采用影响系数法(ICM)和估计邻域法(ENM)识别并处理其特异值;采用Cressie-Hawkins和中位调节法两种稳健统计学方法对采样数据进行系统处理和分析.结果表明,对空间变异性较大的变量(Cl-质量浓度),其特异值经ICM和ENM处理后的估计效果均优于未处理特异值的效果,其中ICM对特异值的处理效果略好于ENM.采用稳健变异函数计算方法时能得到结构特征较强的变异函数.且处理特异值后再进行稳健计算比单纯使用稳健公式的效果好.可见,获得稳健变异函数及其估计量对改善变异函数的结构性和理论模型的主要参数有明显效果.     

改进的灰色预测模型在火灾事故预测中的应用

简要说明了GM（1，1）模型预测事故的基本步骤，提出了模型的改进方法，用此方法对某火灾事故进行了预测，并用Matlab语言编程的方法对数据做了处理，结果表明用该方法预测得到的数据与实际数据非常接近。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

基于瓦斯抽采钻孔的煤层隐伏小构造预测

探明煤层的展布情况和隐伏的地质构造对煤矿的安全生产至关重要。基于大量的瓦斯抽采钻孔的数据,提出了利用瓦斯抽采钻孔预测煤层隐伏构造的方法。通过现场记录钻孔基础数据,运用全角全距法求出钻孔在煤层(顶)底板控制点三维坐标,并建立数据库;利用Surfer数据内插和图形处理功能,绘制煤层顶(底)板三维模型、等值线图和残差图,实现煤层的可视化;根据等值线的疏密异常变化圈出煤层中存在的隐伏构造位置,采用数学地质分析方法判断隐伏构造的类型。通过在古汉山矿1603工作面的试验,证明该方法预测煤层隐伏构造切实可行。     

基于北京市火灾统计数据的时间序列分析

采用Box-Jenkins法分析了城市火灾时间序列上的趋势性规律,通过数据预处理和模型的识别与诊断,最终建立了城市火灾预测模型。对北京市2000—2006年的火灾统计数据进行了平稳性处理,通过城市火灾预测模型的建模方法对北京市火灾发生次数的时间序列进行了ARIMA建模。根据得到的ARIMA(1,1,0)(1,1,1)12模型对北京市2007年的火灾发生次数进行了预测,并将该模型和BP神经网络模型的预测结果与实际情况进行对比分析。结果表明,ARIMA模型特别适用于随机性较大的火灾数据的趋势预测,并且方法简单,算法经济。     

基于向量自回归模型的水质异常检测研究

水质异常检测对保障用水安全具有重大意义。为了准确有效地判断水质异常,提出基于向量自回归(VAR)模型的多参数融合水质异常检测算法。VAR模型是自回归(AR)模型的一种扩展。通过AR模型和VAR模型跟踪和预测水质背景数据,计算预测残差,与设定阈值比较判断水质是否异常。结果表明,与基于AR模型的水质异常检测算法相比,基于多参数融合的VAR模型在水质背景数据跟踪上具有更好的准确性,能够实现较高的异常检出率和较低的异常误报率。     

改进欧拉法的GM(1,1)模型及其在非煤矿山事故预测中的应用

通过对GM(1,1)模型中的微分方程使用数值算法求解,提出一种改进欧拉算法GM(1,1)模型.将此模型应用于我国非煤矿山事故预测中,并且对改进模型的预测数据及结果与原始模型进行了比较,表明该预测模型提高了预测精度,验证了模型的可行性,并对我国非煤矿山事故发生趋势做出统计学的判断.该模型可以精确的预测近期的一些数据,而长远的预测则为一种趋势的反映.