基于BP-Adaboost强预测器的瓦斯涌出量预测

为了提高传统BP神经网络瓦斯涌出量预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络和Adaboost算法相结合,提出了一种BP-Adaboost强预测器模型.将该模型用于实际瓦斯涌出量预测,并进行了40次仿真实验.结果表明:该模型预测精度高于传统的BP神经网络,且收敛速度快,具有较强的鲁棒性,预测精度能满足实际工程需要,为瓦斯涌出量预测提供了一种新的途径.     

修正的BP神经网络森林火灾成灾面积预测研究

以1997-2012年《中国林业统计年鉴》的全国森林火灾成灾面积为依据,应用BP神经网络模型对成灾面积进行了预测,对预测方法进行了检验.在此基础上,利用残差提出了修正的BP神经网络模型,并对预测方法进行了改进.研究结果表明,修正的BP神经网络预测精度高于BP神经网络,预测相对误差平均为7.2％,可应用于森林火灾成灾面积的预测.     

基于多元回归分析的我国能源消费量预测研究

针对目前我国能源消费量预测中变量选取单一、预测误差较大等问题,结合我国能源消费实际情况,引入GDP、人口、煤炭消费量、通货膨胀率建立了我国能源消费量预测的多元回归模型.利用该模型对1985-2010年能源消费量进行拟合,拟合效果较好;利用该模型对2011-2013年能源消费量进行实际预测,最大误差为1.708％,平均误差为1.3269％,最小误差仅为0.6748％,预测精度较高,为我国能源消费量预测提供一种新的途径.     

组合优化的能源消费量预测模型

针对非等间距灰色系统预测中存在误差较大的问题,结合序列本身的特点,利用世界能源消费的历史数据,采用3种灰色预测模型与神经网络进行组合优化,建立了灰色神经网络的能源消费量组合预测模型.实证分析结果表明,提高了模型的拟合和预测精度,拓宽了应用范围.模型中对能源的消费趋势进行预测,为科学地分析能源结构提供了依据.     

神经网络在空气污染预报中的应用研究

空气污染预报是一项复杂的系统工程,是当今环境科学研究的热点,国内外已有将神经网络法应用于大气污染预报的研究。本论文以PM2．5为例,采用伦敦市PM2．5的小时平均浓度数据,使用传统的BP神经网络建立预报模型,定量预测伦敦市PM2.5的小时平均浓度,探讨了大气污染预报网络的建模过程中,扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响。最后得出结论,适当的选择样本集、气象变量,有利于提高所建立网络模型的预测精度。     

组合优化的能源消费量预测模型

针对非等间距灰色系统预测中存在误差较大的问题，结合序列本身的特点，利用世界能源消费的历史数据，采用3种灰色预测模型与神经网络进行组合优化，建立了灰色神经网络的能源消费量组合预测模型。实证分析结果表明，提高了模型的拟合和预测精度，拓宽了应用范围。该模型可对能源的消费趋势进行预测，为科学分析能源结构提供依据。     

基于BP神经网络模型在珊溪水库水华预测中的应用

在珊溪水库藻类暴发期间应急监测数据的基础上,建立pH值、高锰酸盐指数、总氮、总磷、叶绿素a数据矩阵。运用MATLAB R2015b GUI可视化界面模块,将应急监测数据样本空间分为训练样本、验证样本、测试样本,建立珊溪水库BP神经网络模型,预测了珊溪水库藻类暴发期间叶绿素a浓度。BP神经网络建模结果显示:输出数据与实测数据相关系数0.978,平均相对误差-0.19%,标准方差18.54%,模型稳定性较好,叶绿素a预测结果符合预期。BP神经网络预测模型为珊溪水库饮用水水源地环境保护提供了科学依据。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。     

PCA-ANN在典型航空材料铝合金腐蚀数据预测中的应用

针对航空装备在热带海洋大气环境下服役时对金属材料大气腐蚀预测的需求,提出了主成分分析法（PCA）优化的BP神经网络（BPNN）和广义回归神经网络（GRNN）模拟热带海洋大气腐蚀预测模型。研究结果表明,PCA可以很好地对原始数据的进行特征提取,降低样本集的维度。PCA-BPNN和PCA-GRNN模型的拟合优度与预测精度没有明显的相关关系。与PCA-BPNN相比,PCA-GRNN的预测精度高、稳定性更好,这为模拟热带海洋大气腐蚀研究提供了新思路,具有较好的借鉴意义。     

基于不同的神经网络模型PM_(2.5)浓度预测对比

近年来,以PM_(2.5)为主要污染物的重霾污染事件频频发生,给国民经济及居民健康造成了严重威胁。本文采用BP、RBF及Elman神经网络分别建立预测模型,并以青海省某工业园区某监测站监测的数据为实例对预测模型进行了具体的应用。结果表明:BP神经网络、RBF神经网络及Elman神经网络都可以有效预测PM_(2.5)浓度,但是BP神经网络预测模型预测误差要小于RBF神经网络模型及Elman神经网络模型,具有更高的稳定性和准确定。     

多元回归和BP人工神经网络模型对混合厌氧消化产气量的预测研究

在中温且控制pH值条件下,对脂肪类单基质和城市污水厂剩余污泥进行混合厌氧消化试验。基于多元回归原理和BP人工神经网络原理,对其建立产气量预测模型。由实验数据计算得出:两个阶段多元回归模型的预测平均准确率分别为75.69%和79.29%;BP神经网络模型的预测平均准确率为79.05%。通过对比两种模型的预测结果可知,两种模型都有较高的预测准确率,但BP模型的预测准确率更高,更适用于混合厌氧消化产气量预测。     

基于人工神经网络模型预测2017~2018年成都市危险废物增量研究

危险废物对环境或者人体健康会造成有害影响,有效地预测其产量是优化管理和合理处置的重要依据。以2008~2016年成都市危险废物产生量为基础,通过数据带入和整合及综合各参数因子的影响,利用人工神经网络模型预测方法客观反映并预测成都市危废产量的变化趋势。结果表明该模型预测2017~2018年成都市危险废物年产量分别达到24.46万t和26.88万t,模拟精度偏差低。因此,人工神经网络模型可以作为一种预测危险废物产生量的工具,其预测结果可以为职能部门提供决策参考。     

A hybrid model based on smooth transition periodic autoregressive and Elman artificial neural network for wind speed forecasting of the Hebei region in China

Wind energy, one of the most promising renewable and clean energy sources, is becoming increasingly significant for sustainable energy development and environmental protection. Given the relationship between wind power and wind speed, precise prediction of wind speed for wind energy estimation and wind power generation is important. For proper and efficient evaluation of wind speed, a smooth transition periodic autoregressive (STPAR) model is developed to predict the six-hourly wind speeds. In addition, the Elman artificial neural network (EANN)-based error correction technique has also been integrated into the new STPAR model to improve model performance. To verify the developed approach, the six-hourly wind speed series during the period of 2000–2009 in the Hebei region of China is used for model construction and model testing. The proposed EANN-STPAR hybrid model has demonstrated its powerful forecasting capacity for wind speed series with complicated characteristics of linearity, seasonality and nonlinearity, which indicates that the proposed hybrid model is notably efficient and practical for wind speed forecasting, especially for the Hebei wind farms of China.     

Optimization of thermal performance of the parabolic trough solar collector systems based on GA-BP neural network model

The aim of this paper is to optimize the thermal performance (system output energy, thermal efficiency, and heat loss of cavity absorber) of parabolic trough solar collector (PTC) systems in order to improve its thermal performance, based on the genetic algorithm-back propagation (GA-BP) neural network model. There are a number of undefined problems, fuzzy or incomplete information and a complex thermal performance of the PTC systems. Therefore, the thermal performance prediction of the PTC systems based on GA-BP neural network model was developed. Subsequently, the metrics performances have been adopted to comprehensively understand the algorithm and evaluate the prediction accuracy. Results revealed that the GA-BP neural network model can be successfully used to predict the complex nonlinear relationship between the input variables and thermal performance of the PTC systems. The cosine effect has a great influence on the thermal performance; thereby the geometrical structure of the PTC systems was optimized. It was found that the optimized geometrical structure was beneficial to improve the thermal performance of the PTC system. In conclusion, the GA-BP neural network model has higher prediction accuracy than the other algorithm and it can be feasible and reliable.     

Predicting Carbon Monoxide Concentrations in the Air of Pardis City,Iran, Using an Artificial Neural Network

To date, several methods have been proposed to explain the complex process of air pollution prediction. One of these methods uses neural networks. Artificial neural networks (ANN) are a branch of artificial intelligence, and because of their nonlinear mathematical structures and ability to provide acceptable forecasts, they have gained popularity among researchers. The goal of our study as documented in this article was to compare the abilities of two different ANNs, the multilayer perceptron (MLP) and radial basis function (RBF) neural networks, to predict carbon monoxide (CO) concentrations in the air of Pardis City, Iran. For the study, we used data collected hourly on temperature, wind speed, and humidity as inputs to train the networks. The MLP neural network had two hidden layers that contained 13 neurons in the first layer and 25 neurons in the second layer and reached a mean bias error (MBE) of 0.06. The coefficient of determination (R²), index of agreement (IA), and the Nash–Scutcliffe efficiency (E) between the observed and predicted data using the MLP neural network were 0.96, 0.9057, and 0.957, respectively. The RBF neural network with a hidden layer containing 130 neurons reached an MBE of 0.04. The R², IA, and E between the observed and predicted data using the RBF neural network were 0.981, 0.954, and 0.979, respectively. The results provided by the RBF neural network had greater acceptable accuracy than was the case with the MLP neural network. Finally, the results of a sensitivity analysis using the MLP neural network indicated that temperature is the primary factor in the prediction of CO concentrations and that wind speed and humidity are factors of second and third importance when forecasting CO levels.     

模糊神经网络模型在拟建项目环境质量评价中的应用

由于评价因子与环境质量标准之间的模糊关系,导致传统的评价模型结果的不确定性。本文将模糊理论和神经网络模型相结合,利用模糊理论的隶属度反映各因子的质量相对状态,从而更精确地识别模糊性。通过模糊神经网络模型对环境质量标准样本的学习和测试,得出评价等级,并与模糊综合评价方法进行对比,实验结果表明,模糊神经网络模型用于环境质量评价是可行的,且比模糊综合评价方法更为客观、合理。     

BAF处理系统的BP神经网络模型

本文以某污水处理厂曝气生物滤池（Biologlcal aerated filter,BAF）的实际运行数据为基础,采用人工神经网络（Artificial neural network,ANN）方法,建立起BAF处理系统的BP神经网络预测模型。模型运算结果表明,预测值和实测值能较好地吻合,起到了模拟预测的效果,同时能优化运行状态。该模型的建立为BAF处理系统的预测及运行管理供了一条简便实用的途径,具有良好的研究和工程实用价值。     

滇池水污染物浓度预测的人工神经网络模型

本文针对滇池日益严重的水污染现状,根据云南昆明西苑隧道断面2004年-2010年的监测资料,建立了基于BP神经网络的主要污染指标预测模型,并对其进行训练检验,研究结果表明：独立样本中pH、溶解氧、氨氮、高锰酸盐浓度的预测值与监测值的线性相关系数分别为0．952、0．967、0．945、0．936。结果证明该模型预测精度满足要求,通过准确地预测湖泊水污染物可以为治理湖泊营养化和综合利用水资源、规划管理、决策提供重要的科学依据。