基于因子分析的BP神经网络对成都市需水量的预测

在对四川省成都市的水资源进行综合规划与评价的过程中,通过主成分因子分析可知人口、GDP、给排水管道长度等因素对需水量预测有较大影响,如何建立这些因素与需水量之间的数学关系是预测工作的重点。本文将介绍通过MATLAB数学分析软件建立BP神经网络预测模型,并对模型的预测结果进行评价。     

基于BP神经网络的空调性能预测研究

针对空调系统传统设计所需的匹配试验量大,严重浪费公司水电以及人力资源的问题,本文提出BP神经网络对空调系统的性能进行预测的方法,以设计参数压缩机冷量、冷凝器和蒸发器面积和实验参数室内外环境温度、负荷量等为输入,以空调的能力和能效比为输出,对BP网络进行训练、测试。结果表明:BP神经网络算法的均方误差为0.005 8,预测结果的总相关系数为0.974 47,可用于空调系统的设计选型,减少实验成本。     

基于BP神经网络的重要水库水源地风险预测

水库是饮用水源的重要载体。近年来,社会经济急剧发展,大量污染物的排放严重威胁了水库饮用水源的健康。为保障人民群众饮水安全,准确识别水库型饮用水源地健康风险程度,基于模糊综合评价和BP神经网络建立了水库型饮用水源健康风险预测模型,构建了一个具有多层次多指标特性的饮用水源健康评价指标体系,并结合珊溪(赵山渡)库区的实例,对该库区饮用水源进行了健康风险预测。结果表明:该库区的水源健康等级为健康,与实际调研情况相符。神经网络模型可以用于对饮用水源健康风险预警,对水源地相关管理部门的水源健康评价工作具有一定的参考意义。     

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.     

前馈神经网络在环境评价和预测中的应用进展

本文针对水环境中复杂的不确定性及非线性关系,在水环境不确定性分析的基础上,详细阐述了以BP网络和RBF网络为代表的前馈神经网络法的基本原理,分析了两种方法的优点。同时,本文对两种方法在水环境影响评价工作中的应用现状进行总结,分析了两种方法的研究发展趋势。     

基于Matlab的神经网络在绵阳空气质量预测中的应用

以绵阳市2014~2016年空气污染指数(API)以及SO 2、NO 2、PM 10等污染物为研究对象,探讨了绵阳市空气污染的变化规律,并分析它们与常规观测的地面气象资料之间的关系。尝试采用多元线性回归方法及BP神经网络方法建立污染预报模型,并检验分析两种模型的可行性。结果表明基于BP神经网络的预报模型在污染预报中可行,并建立基于BP神经网络进行空气质量预测的预测模型,利用历史资料进行验证。     

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。     

基于Adaboost集成BP网络原煤生产成本预测研究

为了提高传统BP神经网络预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络与Ada-boost算法相结合,提出了一种Adaboost集成BP神经网络模型.结合磁县观台煤矿原煤生产成本相关数据,建立了原煤生产成本预测的Adaboost集成BP神经网络模型,将该模型用于实际的原煤成本预测.结果表明：该模型预测精度高于传统的BP神经网络,收敛速度快,具有较强的鲁棒性,预测精度能满足实际预测需要,为原煤生产成本预测提供了一种新的途径,也为原煤生产成本控制提供了重要依据.     

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。     

基于BP神经网络的垃圾堆放场稳定化程度的综合判别

分析和判别垃圾堆放场的稳定化程度直接关系到是否需要采取加快稳定化进程，缩短垃圾堆放场的稳定化周期以及是否需要采取措施减少它们对环境的不利影响。本文根据我国垃圾堆放场的具体情况，提出稳定化程度的判别评价指标体系，并且确定稳定化程度的判别标准，运用BP神经网络建立垃圾堆放场稳定化程度的综合判别模型。以三峡库区的一个小型垃圾堆放场为例，采用本文所提出的综合评价模型确定它的稳定化程度，演示模型的运行过程，并为三峡库区的环境保护提供帮助。     

Time Series Forecasting of Cyanobacteria Blooms in the Crestuma Reservoir (Douro River, Portugal) Using Artificial Neural Networks

In this work, time series neural networks were used to predict the occurrence of toxic cyanobacterial blooms in Crestuma Reservoir, which is an important potable water supply for the Porto region, located in the north of Portugal. These models can potentially be used to provide water treatment plant operators with an early warning for developing cyanobacteria blooms. Physical, chemical, and biological parameters were collected at Crestuma Reservoir from 1999 to 2002. The data set was then divided into three independent time series, each with a fortnightly periodicity. One training series was used to “teach” the neural networks to predict results. Another series was used to verify the results, and to avoid over-fitting of the data. An additional independently collected data series was then used to test the efficacy of the model for predicting the abundance of cyanobacteria. All of the models tested in this study incorporated a prediction time (look-ahead parameter) equal to the sampling interval (two weeks). Various lag periods, from 2 to 52 weeks, were also investigated. The best model produced in this study provided the following correlations between the target and forecast values in the training, verification, and validation series: 1.000 (P = 0.000), 0.802 (P = 0.000), and 0.773 (P = 0.001), respectively. By applying this model to the three-year data set, we were able to predict fluctuations in cyanobacteria abundance in the Crestuma Reservoir, with a high level of precision. By incorporating a lag-period of eight weeks, we were able to detect secondary fluctuations in cyanobacterial abundance over the annual cycle.     

基于BP神经网络模型的城市自然生态型河流景观方案质量评价

城市自然生态型河流的景观设计方案质量评价受多种因素的影响,这些因素之间存在着复杂的非线性关系,有些甚至是随机的、模糊的,利用传统的方法难以表达它们之间的内在关系.研究建立三层次BP神经网络模型,以30份河流景观设计方案为样本,分别根据水质、水量、水空间、植被、经济、设施、交通等7项指标对景观方案的质量进行评价.结果表明,BP神经网络模型具有极强的非线性逼近能力,能真实反映景观质量与影响因素之间的非线性关系,预测结果与实测值之间误差小,相对误差小于5%.该方法操作性强,结果可靠.     

BP神经网络预警在旅游安全预警信息系统中的应用

将BP神经网络预警技术应用于旅游安全预警信息系统的开发实践，研究建立了一个基于BP神经网络的旅游安全预警模型。该模型有4个子系统构成，即预警知识提取子系统、预警信息库、报警系统和人机互动设备，分析总结了包含旅游地灾害频度、出游设施安全度和旅游地区域安全度三大类10个子因子为内容的旅游安全预警影响因素。在旅游安全预警的影响因素和安全预警的报警判别模式的基础上，进行了旅游安全预警应用的实验设计。实验结果显示，该模型应用效果良好。     

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。