基于BP和RBF神经网络的外加碳源量模型研究

碳源作为反硝化过程的电子供体,是影响生物脱氮过程的重要因素,低碳氮比污水需外加碳源以保证反硝化反应的顺利进行.为了优化控制碳源投加量,对实验室搭建的CAST工艺污水处理装置的进水条件和外加碳源量的非线性关系分别进行了基于BP和RBF神经网络的模型研究,并对外加碳源量进行了预测.结果表明,两种网络模型均能有效预测外加碳源量,RBF神经网络模型在训练速度和逼近能力方面优于BP神经网络模型,但在预测性能方面BP神经网络模型则有更高的预测精度.     

遗传神经网络对肼类化合物的定量构效研究

应用遗传算法和反向传播（BP）神经网络相结合的方法,研究了胼类化合物的定量构效（QSAR）关系,构建了遗传神经网络QSAR模型。对30种肼类化合物的6个量子化学参数进行相关性和主成分分析,利用遗传神经网络QSAR模型对肼类化合物的毒性参数进行预测。结果表明,与常规BP神经网络建立的模型相比较,遗传神经网络QSAR模型有效解决了常规BP神经网络模型存在的过训练和过拟合问题,并且具有很好的预测效果。     

基于人工神经网络的半连续式混合厌氧消化产气量预测

研究采用BP神经网络和模糊神经网络(FNN)模型对逐步提高有机负荷的半连续式餐厨垃圾和猪粪混合厌氧消化试验进行日产气量预测。结果表明,BP神经网络模型的预测准确率为77.63%,FNN模型为82.33%,2种模型均可用于产气预测,但FNN模型在传统神经网络模型基础上加入了模糊控制,可提高其准确率,更适用于混合厌氧消化产气量预测。     

基于IGA-BP网络的水质预测方法

针对水质预测中传统BP神经网络模型收敛速度慢,对隐层结点选取缺乏有效的手段等问题,引入了遗传算法优化BP网络的结构和隐层神经元阈值和连接权值,通过设计灵活的实数编码方案和新型交叉算子等,对实数编码遗传算法进行改进,在此基础上,提出了一种基于改进的实数编码遗传算法优化BP神经网络(IGA-BP)的水质预测新模型,并以安徽蚌埠蚌埠闸逐周水质监测的PH值数据为例,进行水质预测,通过与传统的GA-BP神经网络以及BP神经网络的水质预测模型对比,结果表明,这种预测方法训练的BP神经网络收敛速度快,样本逼近精度高且泛化能力强。     

基于大数据方法的垃圾焚烧发电厂环境执法监管数据预测模型探究

在垃圾焚烧发电厂运行系统负荷特性统计指标和污染源监督性监测数据积累的大数据背景下,有效提取数据之间的关联特征对于垃圾焚烧系统规划运行和执法监管具有重大意义。首先,通过Pearson关联分析获得运行负荷特性指标和排放特征指标任意2因素之间的相关性特征;然后利用SPSS及Python软件,构建用以预测烟气污染因子排放量的多元线性回归模型及BP神经网络模型。对模型预测结果进行了比较,结果表明,多元线性回归模型和BP神经网络模型都能应用于烟气污染因子排放量的预测,进一步得出的BP神经网络模型的预测效果优于多元线性回归模型。本研究对于探究工业污染源环境执法建模和定量分析污染源排放水平具有参考价值。     

多元回归和BP人工神经网络在预测混合厌氧消化产气量过程中的应用比较

对脂肪类单基质和城市污水厂剩余污泥混合厌氧消化过程的产气阶段进行基于多元回归和BP人工神经网络的产气量预测模型比较研究。实验数据分别取自反应过程的第1～16天和第17～70天。结果表明: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2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。     

BP神经网络对蚯蚓滤池处理COD的模拟预测

基于蚯蚓滤池处理去除污染物的非线性特点,利用BP神经网络建立了蚯蚓滤池处理COD的基本模型结构。同时对实验数据进行了验证和预测,通过权值贡献率分析确定了各种输入因素对COD出水浓度的影响。结果表明:COD的出水模型预测值与实际值平均误差较小,模型稳定,预测效果好。输入神经元为4,隐含神经元为8,输出神经元为1,学习速率为0.1,动量为0.1,训练次数为10 000的BP神经网络模型,预测的COD出水值最接近真实值。COD进水浓度对COD出水影响最大,符合理论研究结果。BP神经网络模型建立的成功为后续生活污水智能化控制的研究提供了相应的理论基础。     

基于人工神经网络的居民生活垃圾可燃成分热值预测

研究采用BP、RBF和自适应神经模糊推理系统(ANFIS)对生活垃圾可燃成分的热值进行预测。结果表明,BP神经网络模型的预测准确率为93.36%,RBF模型为96.87%,ANFIS模型为91.06%,3种模型均可用于可燃成分热值预测,但RBF模型的预测准确率相对较高,更适用于可燃垃圾的热值预测。     

基于灰色模型和模糊神经网络的综合水质预测模型研究

水质状态变化趋势预测研究对水资源管理和维护具有重要的现实意义。提出了一种将灰色模型和模糊神经网络相结合的水质预测模型。首先基于改进的灰色模型预测出水体中各理化因子在未来一段时间内的指标变化,然后采用T-S模糊神经网络对各单因子的预测值进行数据融合,构建水质变化综合趋势预测模型,预测出下一时间段的水质整体状态指标。实验表明,这种方式用来预测湖泊水质变化趋势具有可行性;与BP网络模型相比,基于T-S模糊神经网络系统的模型具有预测精度高、模型系统稳定等优越性。     

改进的QGA-BP模型在弥苴河总氮量预测中的应用

水质预测对水环境规划、评价和管理十分重要。构建一种改进的量子遗传算法（QGA）优化BP神经网络的模型,即在量子遗传算法中引入了旋转角的动态改进策略和遗传算法的交叉变异操作,并以改进的QGA作为进化操作准则优化BP模型的权值和阈值。以弥苴河复杂水环境水质预测为实例,选取一组历史观测数据作为训练样本,对其进行分析。将结果与BP模型、QGA-BP模型仿真结果进行了对比,改进后的QGA-BP模型在进化代数、收敛速度和预测结果的准确率有较大提高。对弥苴河水质的预测结果表明,将改进QGA-BP模型用于水质预测是可行、有效的预测方法。     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

三效催化转化器智能故障诊断系统知识库设计

在分析三效催化转化器故障诊断知识特点的基础上,采用一些措施构建知识库,如采用神经网络方法对转化器工作状态参数进行处理,采用多层前馈神经网络模型和自组织神经网络模型获取知识,采用产生式规则形式和二元化产生式规则形式表达知识,设计量化模块和知识库模块转化知识,并采用多个神经网络来记忆知识。应用效果表明,三效催化转化器神经网络故障诊断专家系统的预报准确率较高,具有较大的实用性。     

空气中PM_(10)浓度的BP神经网络预报研究

建立了某市PM10浓度预报的分段BP神经网络模型,经验证,所建立的BP预报模型,预测精度比较高,PM10日平均浓度误差大多在-0．010～0．010mg／m^3范围内,相对误差在-20％～20％,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

变权组合模型在景观水体水质模拟中的应用

针对景观水体的水质模拟与预测问题,在BP神经网络和支持向量机模型的基础上,建立了权重随输入量变化的变权组合模型。该模型既能充分利用各个单一模型的优点,又能避免固定权重分配的弊端。经实例验证,与单一的BP神经网络和支持向量机模型相比,变权组合模型拟合精度更高,预测结果更为准确。     

基于人工蜂群算法与BP神经网络的水质评价模型

针对BP网络水质评价模型的不足,引入人工蜂群(ABC)算法,将求解BP神经网络各层权值、阀值的过程转化为蜜蜂寻找最佳蜜源的过程,提出了一种新的结合人工蜂群算法的BP网络水质评价方法(ABC-BP)。并以2000—2006年渭河监测断面的10组实测数据作为测试样本对其水质进行了评价,实验结果表明该方法得到的水质评价结果准确,并具有很强的稳定性和鲁棒性。