机场环境下飞机LY12CZ结构腐蚀损伤预测方法研究

依据LY1 2CZ材料的EXCO溶液浸泡加速腐蚀试验数据、飞机LY 12CZ构件在机场环境下的真实腐蚀损伤数据以及腐蚀损伤等效原则和当量关系原理,获得了该材料在2种环境下腐蚀的当量因子均值(α) =0.023 6,构建了LY12CZ材料于EXCO溶液中浸泡腐蚀的神经网络腐蚀深度预测模型.在此基础上提出了利用所建的神经网...     

大气污染总量控制规划智能决策支持系统的开发与研究

对大气污染总量控制规划智能决策支持系统的开发步骤和总体结构做了介绍。并描述了该系统中的知识库系统、模型库系统、数据库系统和图形库系统的设计思想,特别是对知识库的构造进行了较详细的叙述。还介绍了神经网络技术在该系统中的应用。指出大气污染总量控制规划智能决策支持系统将为大气污染总量控制提供更科学、更合理、更有效的规划方案。     

湖泊水质富营养化评价的模糊神经网络方法

为了探索人工神经网络用于湖泊营养化评价的可能性,提出了基于多准则学习的模糊神经网络湖泊水质营养化评价模型。该模型应用于我国五大主要湖泊水质营养化的评价结果表明,模糊神经网络用于湖泊水质营养化评价,具有简便、实用、客观性和广泛的通用性。      

多条回归曲线合并的简单方法探讨

回归曲线在化验分析工作中的应用颇为广泛。在实际运用中,回归曲线的合并问题是我们经常遇到的。两条回归曲线的合并方法已非常成熟,至于三条以上回归曲线的合并方法,据现有资料报道,采用的都是逐条曲线合并的方法,不仅计算过程非常复杂,而且用何种合并顺序尚无定论。本文用一种新思路,提出一种与合并顺序无关的多条回归曲线合并的简单方法,供同仁参考。1合并的思路与方法鉴于逐条合并的种种缺点,我们从两条曲线合并公式中得到启迪,寻找一个简单易懂又可将多条曲线同时合并的方法。两条回归曲线合并公式[1]如下：从以上公式中可以…     

“两尘四气”空气污染数据的校准模型

通过Excel软件对监测点收集的空气质量数据进行拆分及构造函数的方法,拟合了“两尘四气”的六个方程,这些方程可用于对自建点数据进行校准。在对所收集的数据标准化后,利用SPSS软件对“两尘四气”数据误差产生的原因进行回归分析,建立了多元线性回归方程。方程显示：压强、温度和风速更容易导致自建点数据误差,可使用对上述三种因素不敏感的材质制造检测仪的传感器。以上使用Excel和SPSS软件对大数据进行比对处理及建模的方法可用于环境监测、农业生产等领域促进高质量生态文明建设。     

PSO-SVM模型在化工事故风险预测中的应用研究

为了减少化工事故的发生,提高化工生产过程中事故风险预测的准确性,研究了粒子群优化算法与支持向量机(PSO-SVM)模型在事故风险预测中的应用.首先,统计分析近5年化工生产安全事故致因因素,得出化工事故风险因素统计特征,结合层次分析法,建立化工事故风险预测指标体系并确定各指标因素的权重值;然后,基于MATLAB计算生成的...     

京杭运河上游河段磷污染时空分布特征及污染源解析

为揭示京杭运河上游桐乡段总磷浓度不能稳定达到GB 3838—2002《地表水环境质量标准》Ⅲ类标准的原因,在桐乡段干流布设24个采样点,入河支流布设18个采样点,开展水质加密监测,研究磷污染发生的时空变化规律;基于水质常规指标的主成分分析,以及各主成分因子中强载荷指标与三维荧光组分的相关性分析,对重点河段磷的主要污染源进行解析;并基于绝对主成分—多元线性回归模型,定量评价主要磷污染源的贡献率。结果表明：1）京杭运河上游桐乡段干流入境水总磷浓度为0.14～0.20 mg/L,沿程监测点5～7、9和21～24有明显变差趋势,最高浓度达0.40 mg/L;部分入河支流水质较差,总磷浓度达到0.44 mg/L。2）主成分分析得到3个主因子,因子1以氨氮、溶解态磷为主要载荷,与类蛋白质组分显著相关,代表生产生活污染;因子2以高锰酸盐指数、溶解态磷、颗粒态氮为主要载荷,与类腐殖质组分显著相关,代表农业源;因子3以颗粒态磷、颗粒态氮为主要载荷,与浊度显著相关,代表码头污染与底泥源。3）运河上游河段的磷污染主要发生在干流监测点5～7和9,主要为码头污染与底泥源,其在丰水期和平水期的贡献率分别为65.9...     

非线性回归法计算曝气设备清水氧传递系数

分析对比作图法、线性回归法和非线性回归法计算曝气设备清水氧传递系数(KLa)各自的优缺点。指出在实际测定曝气设备性能中,使用非线性回归法计算KLa更加可靠．而且可以使测试过程更加容易控制。所以在实际测试过程中,推荐使用非线性回归法计算KLa。     

基于BPNN的一江两河流域水体中重金属浓度预测

本文将反向传播神经网络(BPNN)应用于青藏高原一江两河流域(雅鲁藏布江山南段、拉萨河、年楚河)水体中重金属浓度预测,探讨了输入变量、预测因子、隐藏层节点数和模型结构的影响.模型以溶解氧(DO)、pH、电导率(EC)、总磷(TP)、铁(Fe)作为网络的输入层,重金属砷(As)、锑(Sb)、钼(Mo)、锰(Mn)的含量作为网络的输出层,使用Levenberg-Marquardt (LM)算法进行训练.其中,BPNN隐藏层的传递函数为tansig,隐藏层节点数为9,输出层的传递函数为purelin,输出层节点数为4.结果表明：(1)以单个元素作为预测因子时,As、Sb、Mo、Mn预测值和实测值的决定系数(R²)分别为0.98、 0.933、 0.894、 0.928;均方根误差(RMSE)分别为：9.7168×10^-4、 1.2508×10^-4、 3.3159×10^-4、1.9188×10^-3.(2)以4个元素作为预测因子时,预测值和实测值的决定系数(R²)为...