BP神经网络和ARIMA模型对污水处理厂出水总氮浓度的模拟预测

污水处理厂出水总氮(TN)浓度是评价水处理效果的关键指标之一。建立BP神经网络模型对污水处理厂脱氮工艺进行模拟,引入自回归整合移动平均模型(ARIMA模型)对污水处理厂未来短期出水TN浓度进行预测。结果表明:BP神经网络模型在训练集和测试集模拟结果的平均相对误差分别为15.9%和16.5%,模型预测结果的平稳性较差;ARIMA模型对未来7 d出水TN浓度的时序预测平均误差为4.41%,预测精度较高;2个模型相结合有助于实现污水处理厂快捷和高效的在线检测。     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

支持向量回归方法在震级预测中的应用

本文阐述了支持向量回归(SVR)理论及其特性,提出了基于SVR的次年最大震级的预测方法,并对所选样本进行训练和预测,结果与实际值符合较好,理论分析和实例结果验证了基于SVR的震级预测方法比BP神经网络具有更高的预测精度和可靠性.     

因子分析-BP神经网络整合方法的沿海地区环境承载力预测

以沿海地区为研究对象,利用因子分析对环境承载力进行评价,综合众多指标的绝大部分信息,形成了环境承载力综合指数;并在此基础上,利用BP神经网络对环境承载力的发展趋势进行了有效预测.结果证明,2010年以后沿海地区环境承载力将呈下降趋势,环境对于经济和社会发展的制约作用初步显现.     

基于ARIMA模型的环渤海典型城市生活垃圾产量预测研究

随着环渤海地区社会经济的快速发展,人口大幅增加,生活垃圾产量逐年递增,其造成的污染对城市发展和环境以及市民生活产生重大影响,准确预测生活垃圾产量对其后续处理与处置至关重要。对2005—2019年环渤海10个典型城市（天津、大连、营口、盘锦、锦州、葫芦岛、滨州、潍坊、东营、烟台）生活垃圾产量现状进行分析,并通过MATLAB软件建立差分自回归移动平均（ARIMA）模型对2020—2024年城市生活垃圾产量进行预测。结果表明：2020—2024年,环渤海10个典型城市生活垃圾产量增长幅度和速度各不相同,但总体来看生活垃圾产量均呈增长趋势,与2005—2019年城市生活垃圾产量呈较为一致的增长趋势;2024年,天津、大连、营口、盘锦、锦州、葫芦岛、滨州、潍坊、东营、烟台10个典型城市生活垃圾产量分别为365.16万、278.65万、62.73万、30.34万、120.05万、49.81万、51.02万、81.41万、88.76万和137.68万t/a。

     

全球变暖的温度预测

德国研究人员表示,未来全球气温可能会远远高于一些科学家此前所做的预测,如果新的计算机模型关于气候变化所做的预测是正确的话。     

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。     

基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。     

基于修正组合模型的青海省城市需水量预测

根据城市用水量系统具有非线性和随机波动性的特点,为了充分发挥组合灰色神经网络预测模型能够综合单变量预测及非线性处理的优势,同时降低组合权系数计算方法的不确定性对模型预测效果的影响,论文提出了基于马尔科夫链修正的组合灰色神经网络预测模型。将其应用于1980—2009年青海省城市用水量序列的拟合分析,并预测其2010、2015以及2020年的城市需水量。结果表明:基于马尔科夫链修正的组合灰色神经网络预测模型预测结果的误差更小,精度更高。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

BP神经网络组合预测在城市生活垃圾产量预测中应用

文章分析了组合预测理论,在建立由二次指数平滑预测模型、灰色预测模型、BP神经网络预测模型组成的组合预测模型库的基础上,利用以上三种单一预测模型的组合构成BP神经网络组合预测模型。分别应用单一预测模型和组合预测模型对湖南省城市生活垃圾产生量进行预测,通过分析和比较预测结果,验证了该组合预测方法的有效性。     

飞机飞行振动预计技术研究

介绍了飞机飞行振动的主要来源和特征,分析了传统预计方法的不足,针对飞机飞行振动与高度、马赫数和攻角等飞行参数呈非线性关系的特点,提出了基于BP神经网络的飞行振动预计新技术,建立了预计模型,通过8组建模样本训练网络,确定了预计模型中的各个参数值。预计结果和实测飞机飞行振动信号比较分析表明,该方法预计精度高,验证了BP神经网络预计飞机飞行振动的可行性。     

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。     

基于BP神经网络的安全评价方法研究

阐述了BP神经网络的基本原理,利用机会约束的思想建立了综合安全评价模型．运用反向传播算法和遗传算法对神经元网络进行训练,在此分析基础上对系统综合安全评价模型进行求解,并对运用神经元网络进行综合安全评价的优点进行了分析。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

基于人工神经网络的工作面煤与瓦斯突出预测方法

在全面分析了煤与瓦斯突出影响因素的基础上，提出了煤与瓦斯突出预测的人工神经网络模型，介绍了突出特征指标的选取及表示方法与推理过程，实例分析表明，模型精度很高，可用于工作面煤与瓦斯突出预测。     

基于人工神经网络的Ni-ZrO2纳米镀层耐腐蚀性能预测

目的 对Ni-ZrO2纳米镀层的耐腐蚀性能进行预测,优化电镀工艺参数.方法 采用磁力搅拌辅助电沉积法,在钴镍基模型合金试样表面制备Ni-ZrO2纳米镀层,针对电镀工艺条件,设置正交实验,对每组实验镀层进行电化学测试,分析不同工艺条件下镀层的耐蚀性能.将ZrO2粒子浓度、电镀液温度和电镀电流密度作为神经网络的输入层,将自腐蚀电流密度作为输出层,运用GRNN神经网络和BP神经网络模型,对Ni-ZrO2纳米镀层进行耐腐蚀性能的预测研究.结果 当ZrO2粒子质量浓度为6 g/L、电镀液温度为60℃、电镀电流密度为5 A/dm2时,Ni-ZrO2纳米镀层的性能良好,表现出较小的自腐蚀电流密度.影响Ni-ZrO2镀层自腐蚀电流密度的因素满足ZrO2粒子浓度>电镀液温度>电镀电流密度.运用GRNN神经网络和BP神经网络对4组非正交实验预测的平均相对误差分别为5.30％与10.74％.结论 运用神经模型可以有效地预测不同工艺参数下镀层的耐腐蚀性能,从而优化工艺参数,提高实验效率.在训练样本较少的情况下,GRNN神经网络的预测性能更加精确.