筛查全/多氟烷基化合物(PFASs)生物活性的卷积神经网络模型

全/多氟烷基化合物(PFASs)是一类备受关注的化学品,已在多种环境介质中检出。然而,目前PFASs的生物活性数据缺乏,限制了其危害性评价和管理,有必要构建PFASs生物活性的高通量筛查模型。本研究基于卷积神经网络(CNN)算法,采用分子灰度图像作为输入,构建了PFASs的23种活性终点的筛查模型(简称Image-CNN模型)。与使用分子指纹和分子描述符作为输入,采用随机森林和支持向量分类器算法构建的基准测试模型相比,Image-CNN模型预测效果更好,平均的受试者工作特征曲线下面积达0.96。与此前模型相比,模型性能更优。基于分子指纹相似性,表征了模型的应用域。筛查了已知最大的PFASs名录,其中3种PFASs在所有建模的活性终点中都被预测为有活性。     

上海市夏季高架道路边颗粒物垂直分布研究

为研究夏季高架路边颗粒物浓度的垂直分布规律,以上海市南北高架交叉处路边垂直区域为研究对象,通过Fluke 985粒子计数器采集颗粒物数量浓度数据。分析了6种直径范围颗粒物(0.3~0.49μm、0.5~0.99μm、1~1.99μm、2~4.99μm、5~9.99μm、≥10μm)在高架路垂直区域的分布规律,并结合微观尺度下的交通、气象、高度等数据建立了逐步回归和SVM神经网络预测模型。结果表明:在高架路边的垂直方向上,随高度增加,6种颗粒物浓度整体呈现下降的趋势;0.3~0.49μm、0.5~0.99μm、1~1.99μm三种颗粒物浓度受高架桥带来的"盖子效应"影响,在距离地面约21 m高的7楼达到最大值;总体上早高峰颗粒物浓度大于晚高峰,工作日颗粒物浓度高于非工作日;SVM神经网络模型比线性逐步回归模型能更好地预测高架路边颗粒物的垂直分布规律,可作为上海市夏季非降水天气高架桥面附近颗粒物浓度预测的方法。     

基于视频的雾天能见度实时监测方法研究

目前我国高速公路能见度监测主要依靠能见度观测仪,该方法覆盖区域有限且成本较高,而我国高速公路图像采集设备应用广泛,因此提出了一种基于监控视频图像测量雾天能见度的方法。该方法将图像进行分窗格处理,通过相关性分析筛选出最优兴趣窗格的亮度均方差特征矩阵,建立BP神经网络修正线性残差组合模型。结果表明:残差修正模型监测效果优于单一线性回归模型,残差修正模型的决定系数R2为0.977;在光线充足的情况下,残差修正模型的相对误差在10%以下,模型精度相对稳定;最后应用此方法监测高速公路雾天能见度,模型的正确率在80.48%以上。验证了用该方法测量雾天能见度具有可行性和有效性。     

走滑断层作用下X80管道设计应变规律和神经网络预测

走滑断层是埋地管道常见的地质灾害威胁,断层作用下管道会发生较大的拉压应变而失效。为得到X80管道的设计应变,基于有限元方法建立了走滑断层作用下管道的应变响应数值计算模型,模型使用壳单元模拟管道,非线性弹簧单元模拟土壤约束,采用西二线实际工程的管道应变影响参数范围,计算了管道的设计应变;为预测管道的设计应变值,基于以上参数化分析得到的4 817组设计应变结果,采用人工神经网络建立了管道设计应变预测模型。结果表明:该神经网络模型预测结果的最大相对误差小于10%,预测准确性良好,且该方法具有较高的计算效率,可以为断层作用下埋地管道的应变设计与评估提供参考。     

基于GF-1号遥感影像的武汉市及周边湖泊综合营养状态指数反演

湖泊水体富营养化的监测评价是湖泊水资源管理和水环境保护的基础性工作。基于GF-1号WFV遥感影像和综合营养状态指数法,通过82个站点实测数据建立多元线性回归和RBF神经网络模型,对武汉市及其周边地区主要湖泊综合营养状态指数进行了反演。反演的结果显示,武汉市及周边大部分湖泊水域处于轻度富营养和中营养状态,局部湖区为中度富营养状态。验证结果表明:GF-1号WFV多光谱数据用于监测大面积湖群水质变化是可行的;两种模型都可以建立实测数据与遥感信息的函数关系,根据函数可以反演湖泊水质综合营养状态指数,进而实现大面积湖泊水质动态监测;而RBF神经网络模型预测的R2为0.742 3,均方根误差为3.72,其反演精度更高,更适合于监测内陆湖泊水质变化。     

神经网络方法在地表高程预测中的应用研究

从地表高程预测的研究现状出发,基于Matlab神经网络工具箱构建了广义回归神经网络(GRNN),建立了能够预测地表高程的神经网络预测模型,并与反距离加权法(IDW)的预测结果进行了比较分析。结果表明,GRNN方法计算简单,在相同的样本数据条件下,GRNN的预测精度较高,表明神经网络方法在地表高程预测中的应用是可行的。     

基于BP神经网络的多壁碳纳米管复合CdS-TiO_2光催化剂优化合成研究

基于CdS-TiO2/多壁碳纳米管(MWCNTs)光催化剂降解甲苯的正交实验数据,采用反向传播(BP)神经网络训练并建立了光催化剂合成条件设计的神经网络模型。以正交实验确定的4个主要影响因素作为输入层参数,以甲苯降解率作为输出层参数,将全部实验数据分为训练样本集和预测样本集。运行网络,系统误差为0.000 724,网络预测值与实验数据值相关系数达到0.989,说明该网络具有较好的训练精度及泛化能力。并利用训练好的神经网络预测得到CdS-TiO2/MWCNTs光催化剂的最佳合成条件:焙烧温度为460℃,MWCNTs复合量为1.5%(质量分数),活性组元摩尔比(TiO2/CdS)=80∶1,水加入量为12%(体积分数)。     

基于智能优化算法的河流水质模型参数的优化简

为探索河流水质模型参数新的求解方法,根据有限的实测数据,分别应用免疫进化优化算法和免疫进化优选的捕食搜索算法,对河流水质模型计算公式中的多参数进行优化。将优化得到的计算公式用于国内外若干河流的河段中DO浓度值的拟合,并与实测结果进行了比较。结果表明,将免疫进化优化算法或免疫进化优选的捕食搜索算法优化得到的水质模型参数精度不仅较高,而且相对稳定,从而为河流水质模型参数的优化提供了一种新方法。     

基于主成分和粒子群优化支持向量机的水质评价模型

水质的评价是治理水污染必不可少的工作。为了准确、快速地对水质进行评价,利用主成分分析法从水质监测常见的多个物化指标提取出主成分,然后将主成分作为支持向量分类机的输入,利用历史数据进行水质评价训练并用粒子群算法优化参数,构造出水质评价模型,将从物化指标中得出的主成分代入此模型即可得到水质类别。最后,选取水质监测点实测数据进行试验,结果表明,模型的水质评价结果准确且稳定。     

基于支持向量机的地下水质量综合评价

提出基于支持向量机(SVM)机器学习算法的地下水质量评价模型。首先给出了训练样本生成和数据规范化处理的具体方法,然后采用支持向量机的多分类算法构建模型,并使用k折交叉核实方法对参数进行验证优化。最后通过实证分析,并与单因子指数法、模糊综合评价法和BP神经网络法的评价结果对比分析可知,该方法简便易行,评价结果客观且准确度较高,具有很强的实用性。