基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于图神经网络的长江流域经济带PM2.5浓度预测

文章基于长江流域经济带沿线99个城市的PM2.5浓度监测数据,采用转移熵构建出了长江流域经济带大气污染空间交互影响网络,并从整体和局部2个角度分析了长江流域经济带污染物传导方向和传导强度。为了充分利用城市大气污染的空间关联信息,文章使用大气污染空间交互影响网络改进了T-GCN图卷积神经网络,并构建了基于T-GCNTE的预测模型,对长江流域经济带99个城市的污染物浓度进行预测。研究发现长江流域经济带各个城市的大气污染表现出很强的紧密性,整体网络的信息传递以地区间的信息传递为主。另外,T-GCNTE能够捕捉到大气污染的时空依赖性和影响方向,能获得更好的效果。基于上述研究结论,文章从建立大气污染多方联防联控机制、加强产业合作、完善生态补偿机制等方面对深入开展长江流域经济带大气污染协同治理提供了建议。     

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。     

硫酸盐还原过程中SRB的限制性生态因子的BP神经网络建模与仿真

利用BP神经网络对产酸脱硫反应器（专利设备，ZL：98240801.3）处理高浓度硫酸盐废水时硫酸盐还原菌（SRB）的限制性生态因子（COD/SO^2-4比、pH值、ALK、SO^2-4负荷率）进行建模与仿真，从而实现了多变量函数关系的映射与泛化，并从数学生态学角度定量表征了产酸脱硫微生物生态系统中SRB种群的代谢活性与实现生态位。     

基于机器学习的二氧化碳卫星反演方法

基于机器学习模型在分析数据并学习预测方面的优势,提出了一种基于机器学习的短波红外通道CO₂卫星遥感反演方法,以卫星观测辐亮度、气溶胶光学厚度、温度构建训练数据集,采用前馈神经网络与量化共轭梯度算法进行训练学习,构建了短波红外通道卫星CO₂反演模型,并利用GOSAT卫星观测光谱数据反演了CO₂浓度.反演结果与TCCON站点观测数据进行了比对,结果表明:卫星与地面观测的相关性优于0.86,平均误差小于2.5×10^-6,验证了反演方法的有效性.     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

基于混沌理论和模糊控制理论的深基坑变形预测研究

深基坑开挖引起的基坑侧移、基底隆起、坡顶沉降、相邻建筑物倾斜等的各种变形直接影响着建筑现场施工人员的生命财产安全,以及其周围建筑物、构筑物的安危.随着城市地下交通运输网和高层建筑物的大量兴建,使得城市建筑密集地区的大型深基坑工程越来越多,因此对其变形的监测与预报等相关课题的研究受到越来越多的重视.