人工神经网络在大冶市湖泊水质评价中的应用

人工神经网络(ANN)是复杂非线性科学和人工智能科学的前沿,其在水质评价的应用研究在国内外尚处于初创阶段。目前得到普遍应用的是采用BP算法的多层前馈神经网络。文中运用人工神经网络的反向传播(BP)算法对大冶市两个湖泊水质进行了评价,与模糊数学等方法相比,评价精度较高,方法简单易行。     

径向基函数神经网络在水质评价中的应用

采用径向基函数 (RBF)来构造多层前馈BP神经网络 ,根据某流域水系的水质监测数据 ,建立一个对地表水质进行判别的多层前馈网络数学模型。以地表水质污染主要的七项指标为训练样本 ,利用该网络对水质进行评价 ,并将计算结果与其它方法进行比较分析。结果表明 ,该方法收敛速度较快 ,预测精度较高 ,效果好。     

人工神经网络改进BP算法优化水质监测点

运用人工神经网络理论对城市河涌水质监测布点进行优选，基于前馈多层BP型神经网络的改进算法，用广州市河涌水质分类标准和实测水质数据对神经网络模型进行训练和检验，结果表明，该方法具有客观、可靠、实用、容错性高的优点，是一种科学、新型的水质监测点优选方法。     

基于MATLAB的BP神经网络模型在漠阳江水质评价中的应用研究

为提高水质评价的准确性,基于MATLAB及人工神经网络理论,采用误差反向传播的BP算法建立漠阳江水质评价模型,充分利用神经网络的非线性映射特性,取7项常规地表水水质评价指标对漠阳江水质进行评价,并将BP神经网络评价结果与单因子评价法及综合指数法的评价结果进行比较,网络运行结果表明一致效果良好.同时较传统的水质评价方法,该网络具有较高的识别精度,提高了水质评价等级的准确性,使评价的结果更具有科学性.     

基于BP神经网络的道路交通环境影响综合评价模型

根据影响道路交通环境的各单项评价指标及其分级标准．利用随机分布理论生成足够多用于神经网络建模的样本数据。应用非线性模拟性很强的BP神经网络技术对道路交通环境质量进行综合评价，克服了物元分析等综合评价方法存在的不确定性和受人为因素影响等缺陷，提高了综合评价的客观性和合理性。评价实例表明：文中提出的生成训练样本和用BP神经网络建立道路交通环境质量的综合评价模型是合理的和可行的。     

自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。     

基于前向神经网络的广义环境系统评价普适模型

为了建立由水环境、空气环境、生态环境、水资源环境、灾害环境、遥感环境、社会经济环境等不同环境系统组成的广义环境系统评价都能普适、通用的神经网络模型,针对BP神经网络因收敛速度慢、易于陷入局部极值而使实用性受限的缺陷,提出以双极性sigmoid函数作为网络隐层节点(神经元)的激活函数,而网络输出为所有隐层节点输出的线性求和的前向神经网络的广义环境系统评价模型.在设置广义环境系统指标参照值和指标值规范变换式,并对指标值进行规范变换的基础上,分别构建了适用于广义环境系统评价的任意2个指标规范值的前向神经网模型(NV-FNN(2)结构)和任意3个指标规范值的前向神经网模型(NV-FNN(3)结构).而对于指标较多的广义环境系统评价,只要将多指标分解为以上2个指标和3个指标的两种简单结构的前向神经网络的广义环境系统评价模型的组合表示即可.理论分析和实例检验结果表明:该模型对任意广义环境系统的规范指标值皆普适、通用,因而使不同环境系统的评价变得简洁、统一.规范变换和优化算法相结合的建模思想和方法对简化广义环境系统评价的多元回归、投影寻踪回归、回归支持向量机和径向基神经网络建模亦有借鉴和启迪作用.     

基于粗糙集和支持向量机的标准农田地力等级评价

标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标准农田培肥和土壤改良有着重要意义。将粗糙集(Rough Set,RS)理论和支持向量机(Support Vector Machine,SVM)相结合,提出了基于RS和SVM的标准农田地力等级评价方法,同时,利用遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了GASA优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构建RS决策表,应用RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后用约简后的评价指标作为SVM的输入,运用GASA优化SVM参数算法对SVM进行训练,建立标准农田地力等级的RS-SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行评价,与未用RS约简的SVM模型和BP神经网络模型评价结果进行对比,SVM模型和BP神经网络模型的输入指标数均为15个,其评价正确率分别为100%和90%;RS-SVM模型的输入指标数为14个,其评价正确率分别为100%,结果表明,该方法通过RS约简评价指标后,SVM评价精度并没有降低,但降低了SVM输入向量维数和计算复杂度,提高了训练效率;SVM 用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。     

基于贝叶斯正则化BP神经网络的砂土地震液化研究

砂土地震液化的影响因素具有高度的非线性关系,而神经网络在处理非线性问题上具有其独特的优越性.本文在探讨输人层模式的选择以及砂土液化影响因素的基础上,采用改进的贝叶斯正则化方法和"提前停止"算法建立了砂土地震液化预测模型,通过实例计算和模型评价,表明本模型的计算结果与规范法、改进的Seed简化法以及基于传统BP网络算法的...     

城市空气质量的BP和RBF人工神经网络建模及分类评价

根据MATLAB提供的人工神经网络模型,将其应用到城市空气质量评价,研究并对比分析BP和RBF两种人工神经网络的建模方法及评价结果。首先构建BP神经网络模型,确定输入层、隐含层和输出层的神经元数,选择Sigmoid型函数作为激励函数,应用内插扩展出的训练样本对BP网络进行学习,再用训练成熟的BP网络对待评价样本进行仿真;其次构建RBF神经网络模型,确定其输入层和输出层的神经元数,选择Gauss函数作为隐含层激励函数,再用同样的训练样本进行学习和仿真;最终进行归一化论证,验证归一化预处理在空气质量评价中的必要性。结果表明:应用BP和RBF人工神经网络可以得出较好的城市空气质量分类评价结果,其中RBF神经网络模型与改进的灰色聚类法评价结果一致,具有较高的准确率,是一种快捷、有效的综合评价方法。     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段.但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题.利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建...     

基于HJ-1影像和环境变量的叶绿素a浓度反演——以深圳海域为例

叶绿素a的浓度能够表征海域富营养化状况,是反映海洋环境状态的一个重要指标。本研究以深圳海域为研究区,基于环境一号卫星遥感影像和实测叶绿素a浓度数据,将陆源入海排污口的核密度、距港口航道的距离和距海水增养殖区的距离作为环境变量,在Matlab平台中分别构建了基于环境一号卫星四个波段反射率为输入参数的误差逆向传播神经网络模型,及在此基础上引入了环境变量的误差逆向传播神经网络模型,以检验环境变量的引入能否提高叶绿素a浓度的反演精度,并对其输入参数进行敏感性分析。结果表明:（1）环境变量的引入能较大地提高误差逆向传播神经网络模型的反演精度,且引入环境变量的误差逆向传播神经网络模型的训练均方误差和验证均方误差分别为4.71 μg/L和3.50 μg/L,均优于原始误差逆向传播模型的10.98 μg/L和12.61 μg/L;（2）引入环境变量的误差逆向传播模型的框架如下:输入层为7个变量,分别为蓝光波段反射率、绿光波段反射率、红光波段反射率和近红外波段反射率、陆源入海排污口的核密度、距港口航道的距离和距海水增养殖区的距离;隐含层节点数为5个;输出层为叶绿素a的浓度;（3）叶绿素a的浓度对陆源入海排污口的核密度的变化最敏感,其次分别是近红外波段反射率、红光波段反射率、距港口航道距离、蓝光波段反射率、绿光波段反射率和距海水增养殖区的距离。     

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。     

BP神经网络在再生水补给密云水库水质评价中的应用

基于环境质量基本模型,将补给的再生水视为点源污染,建立了再生水补给后的湖库污染物浓度变化模型.在得到补给后主要污染物稳定浓度的基础上,建立BP神经网络模型,使用随机数发生器生成随机数据作为模型的学习样本和检验样本以满足BP模型对样本数量的需求.使用BP模型对再生水补给后的水质进行评价,评价结果证明了再生水补给的可行性与相对安全性.     

一体化A_mO_n工艺BP神经网络数学模型研究

讨论基于BP神经网络一体化AmOn污水处理工艺数学模型的构建。在分析神经网络和一体化AmOn污水处理工艺各自特点的基础上,建立了具有11个输入层节点、5个输出层节点以及包含两层隐含层的BP神经网络,并确定了各隐含层的节点数、网络的权值和阈值。对模型的验证结果表明:BP神经网络模型基本反映了AmOn一体化工艺的主要特点,网络预测出水结果与实测结果相差不大,神经网络模型具有较好的泛化能力。     

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GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

基于BP神经网络的城市总生态足迹预测研究——以武汉市为例

鉴于BP网络在处理非线性复杂系统的优势,以武汉市为研究对象,构建一个10-4-1结构的BP神经网络预测模型,将1978-2002年和2003年的相关数据作为模型的训练和测试样本,以2004年的社会、经济、环境数据作为网络的预测输入,对该年的总生态足迹进行预测。结果表明,BP神经网络预测结果与实际足迹值的相对误差为0.69%,预测精度优于传统的多元回归统计模型。     

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.