农村突发公共卫生事件应急医疗设施选址研究

为提高农村突发公共卫生事件应急医疗设施选址决策的科学性,基于新冠肺炎(COVID-19)疫情传播迅速,危害性强的突发公共卫生事件特征,依据应急医疗设施设计标准并兼顾农村医疗预算少、应急道路崎岖的特点,首先,选取设施备选地工程地质条件、单位成本、传染率、抵达时间、场所规模以及服务覆盖区域6项影响因素,将熵值法(EVM)和层次分析法(AHP)有效结合确定影响因素权重;其次,建立考虑患者到应急医疗设施的距离之和最小以及所选择应急医疗设施的综合评价值最优的多目标选址模型;然后,设计改进的粒子群优化(IPSO)算法求解模型,得到选址决策;最后,选取天门市部分村庄进行实证分析,以验证模型算法的有效性。结果表明：传染率和单位成本是建设应急医疗设施主要影响因素,IPSO算法选取3个应急医疗设施,能够满足8个村庄患者的治疗需求,并保证患者在4～7 min内就医,为高效开展疫情防控活动提供保障。     

基于IPSO-LSTM的新能源汽车锂电池健康状态监测

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH。首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型。结果表明：IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15%以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性。     

对称可识别模型的建立研究

通过三个定理的证明,提出了对称可识别模型,为以后进一步研究和应用对称可识别模型提供理论基础。     

声明

正本刊已被《中国核心期刊(遴选)数据库》,《万方数据-数字化期刊群》,《中国学术期刊网络出版总库》及CNKI系列数据库,《中文科技期刊数据库》(维普)全文收录,作者的网络及电子版著作权使用费已与本刊稿酬一次性给付,特此声明。如作者不同意将文稿编入以上数据库,请在来稿时向本刊声明,本刊将做适当处理,否则视作同意。     

短花针茅荒漠草原不同组织尺度地上生物量北大核心CSCD

以内蒙古短花针茅荒漠草地生物量为研究对象,比较分析个体、种群、功能群、群落尺度地上生物量的关联与变异.结果显示:(1)个体尺度上,高产草地的兴安胡枝子生物量最大,为(22.96±7.31)g/株,羊草生物量最小,为(0.16±0.69)g/株;种群尺度上,兴安胡枝子生物量较小,羊草的生物量较大;在功能群尺度上,兴安胡枝子生物量在灌木、半灌木该功能群的权重值为0.144,羊草的生物量在多年生禾草的权重值为0.303.(2)种群尺度上短花针茅在低产草地生物量最高(80.33 g/m2±5.15 g/m2),在个体尺度生物量同样最高(6.99 g/株±0.68 g/株);蒙古葱在种群尺度下生物量最低(0.12 g/m2±0.10 g/m2),在个体尺度下也最低(0.01 g/株±0.05 g/株).(3)高产草地的变异系数均值几乎都大于低产草地的变异系数均值,且随个体、种群、功能群、群落尺度的递进呈现下降趋势.本研究表明,从植物不同组织尺度研究短花针茅荒漠草原地上生物量,能够更好地揭示群落生物量置配过程和资源利用,这对于不同地区物种潜在规律的比较以及科学地实施区域生态系统保护具有重要意义.     

定期检验中硫化罐铸钢件的检验与评定

快开门式硫化罐广泛用于橡胶行业。罐口、齿环选用铸钢材料的硫化罐在定检中常发现裂纹，在首次检验中甚至发现缩孔等缺陷。由此，硫化罐定检中对铸钢件的检验至关重要。     

我国生态港口群的建设现状与问题分析

在环境保护的推动之下,我国港口群生态建设已经取得了一些成就;但要建设成为生态港口群,还有很多问题值得关注。本文通过对我国生态港口群的建设现状进行分析,找出目前所存在的相关问题,旨在为生态港口群的建设对策提供参考。     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于证据理论的煤矿瓦斯涌出组合预测

为提高煤矿瓦斯涌出量预测的准确度,引入证据理论组合预测方法。根据瓦斯涌出量及其主要影响因素间的实验数据,采用3个不同的粒子群神经网络模型对涌出量进行初步预测。并由BP、RBF网络对预测误差及预测点的影响因素进行分析建模,以获取每个模型的可信度。再利用证据理论对其进行合成,确定组合模型的权值,最终实现对瓦斯涌出量的组合预测。实例结果表明,该组合预测方法的平均绝对误差、均方误差分别为18.5%、5.8%,均小于神经网络组合法及等权平均法的相应预测误差,适用于煤矿瓦斯涌出量预测。