共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
3.
4.
为了指导脱硫系统故障检修和运行优化,以石灰石-石膏湿法脱硫系统为对象,探讨了浆液循环泵常见故障模式及故障原因,运用模糊理论建立了浆液循环泵的故障诊断模型和石灰石-石膏湿法脱硫效率的优化模型,并对某70MW机组石灰石-石膏湿法脱硫装置进行了验证。结果表明:故障诊断模型能准确诊断出故障问题;效率预测模型的数值和实际监测值其相对误差较小(在±1%范围内),预测值与实际监测值的均方根误差RMSE为0.0021,曲线趋势基本一致。这说明本研究成功地将模糊理论运用于湿法脱硫系统的故障诊断和优化运行。 相似文献
5.
湖泊水质富营养化评价的模糊神经网络方法 总被引:40,自引:0,他引:40
为了探索人工神经网络用于湖泊营养化评价的可能性,提出了基于多准则学习的模糊神经网络湖泊水质营养化评价模型。该模型应用于我国五大主要湖泊水质营养化的评价结果表明,模糊神经网络用于湖泊水质营养化评价,具有简便、实用、客观性和广泛的通用性。 相似文献
6.
研究了基于多准则学习的模糊神经网络评价环境大气质量的模型,并以此对某矿区的环境大气质量进行了评价,结果表明该方法简便、实用、客观。 相似文献
7.
8.
基于模糊神经网络的水稻农田重金属污染水平高光谱预测模型 总被引:4,自引:1,他引:4
以吉林省长春一汽厂附近3块不同重金属污染状况的水稻实验样地为例,通过地面实测获取了水稻的光谱反射率、叶片叶绿素含量、叶片及土壤重金属含量等数据.同时,在分析重金属对水稻叶片叶绿素含量影响的基础上,通过多元逐步回归分析选出对水稻叶片叶绿素含量微小变化指示灵敏的光谱参数作为模型输入层,并将水稻叶片叶绿素含量值作为输出层来表征农田重金属污染胁迫水平,最终建立了用于预测水稻农田重金属污染水平的模糊神经网络模型.结果表明,该模糊神经网络模型预测的水稻重金属污染胁迫水平与实测结果吻合度较高,预测的叶绿素含量值与实测值的拟合度较好(R2=0.985).表明在受重金属污染胁迫的情况下,水稻叶片叶绿素含量微小而复杂的变化可以通过构建模糊神经网络模型很好地模拟出来,从而确定出农田的重金属污染水平. 相似文献
9.
基于模糊聚类与神经网络的风蚀危险性评估研究——以内蒙古自治区为例 总被引:1,自引:0,他引:1
土地沙化和沙尘暴是中国北方农牧交错带严重的生态环境问题。在地理信息系统的支持下,论文建立风蚀自然因子栅格数据库;选取二连浩特-张家口为典型样带,综合运用模糊聚类技术、 专家知识以及神经网络技术,构建区域风蚀危险度评估模型,分析内蒙古自治区风蚀危险性空间分布格局。结果显示:综合应用模糊聚类以及神经网络技术可以有效地对风蚀危险度进行评价,内蒙古自治区风蚀危险性呈现"西高东低、 中间过渡"的总体趋势,这与该区域的自然、 气候与土地利用背景较吻合,其中,风蚀极险型区域主要分布在阿拉善高原的西北部,面积6.9×104 km2;强险型土壤风蚀地区主要位于阴山山脉周围、 穿越巴丹吉林沙漠、 浑善达克沙地与锡林郭勒盟高原西北部,面积4.3×104 km2;危险型风蚀区域大致位于极险和强险之间,面积是1.5×105 km2;轻险型土壤风蚀区域主要位于内蒙古的中部,面积为7.5×105 km2;风蚀无险型区域主要位于大兴安岭周围,面积1.4×105 km2。 相似文献
10.
基于T-S模糊神经网络,利用大沽河2010年-2015年水质监测数据,选取溶解氧、化学需氧量、高锰酸盐指数、氨氮、总氮、总磷对水质具有重要影响的6项指标,建立适用的水质评价模型,对大沽河水质变化特征进行分析.结果显示:上游水质评价结果明显优于中游、下游水质评价结果,网络评价水质等级变化趋势同真实指标数据变化趋势一致.验证结果充分表明了T-S模糊神经网络用于水质变化特征分析是可行、有效的. 相似文献
11.
12.
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。 相似文献
13.
曾春焱 《安全.健康和环境》2012,12(2):25-28
提出了根据日常HSE过程考核指标,构建基于BP神经网络的评价模型,利用神经网络较强的自培训学习、模糊推理、非线性逼近及容错能力,探索日常HSE过程考核指标与HSE绩效评估之间的函数关系,获得较为满意的绩效评估结果。经过对评估模型的评价及检验,该方法具有较好的操作性和较高的准确性。 相似文献
14.
15.
基于BP神经网络的空气污染指数预测模型研究 总被引:1,自引:0,他引:1
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。 相似文献
16.
17.
18.
文章总结分析了影响城市生活垃圾产生量的因素,并根据相关性分析结果确定了主要影响因素,然后建立了上海市生活垃圾产生量的BP神经网络预测模型,并将预测值与实际值进行比较,表明该模型具有较好的适用性和准确性,最后对上海市未来几年的生活垃圾产量进行了预测. 相似文献