湿地序列监测图像的地物目标分类方法

针对固定观测站采集的序列图像中光照变化和背景复杂的问题,将图像序列作为图像在时间维的拓展,提出一种结合颜色空间变换和神经网络的目标分类方法,以辽河口湿地为例开展实地观测试验。基于前期现场调查得到的地物分布信息,将序列图像转换至HSV空间,选择像素小区域作为样本训练多层神经网络,获得更高维度分类依据映射,并完成潮滩生态监测区域目标分类及重要湿地植物翅碱蓬的分布信息提取。对提取结果进行定量验证,该方法整体精确率稳定在90%左右。     

政府突发事件应急能力综合评价

应对突发事件的能力是体现政府执政水平的重要标志之一。提出应充分考虑评价对象的属性以及各评价方法的特点，可以采用层次分析法与模糊综合评价法相结合的方法对政府突发事件应急能力进行评价。运用层次分析法建立层次结构模型，确定指标权重，通过模糊综合评价法构建评价模糊矩阵，进行模糊运算，得出综合评定结果。     

基于RBF神经网络模型的砂土液化震陷预估法

以我国海城地震、唐山地震和日本新漏地震中建筑物地基的液化震陷实测资料为基础,地震动方面选取地震烈度,,上部结构特征方面选取基底压力P、基础类型r、宽深比BD。和建筑物的长高比L/H,地基土方面选取土的相对密度Dr、上覆非液化土层厚度Da、地下水位dw,共8个影响建筑物地基震陷的主要因素作为神经网络模型的输入参数,地基震陷量与液化土层的深度之比SD作为神经网络模型的输出,采用径向基函数神经网络模型建立建筑物地基的液化震陷预估模型,并利用该模型建立了因素影响趋势线,通过对该神经网络模型的建立、运行和检验,得到了各因素对砂土液化引起的地基震陷量大小的若干影响规律。     

深水平台施工过程自然风险定量评估

在分析现有风险理论的基础上,结合海洋施工实际,提出了一种对海洋施工自然风险进行定量评估的模型。根据目标系统各风险事件与影响因素之间存在高度非线性复杂映射的特点,提出了利用BP神经网络拟合方法,对主要风险事件发生概率进行量化的模型。针对传统的梯度下降优化算法收敛速度慢的特点,采用可避免计算Hesse矩阵的Levenberg-Marquardt算法来训练神经网络。这一模型可以模拟专家评价,并准确地按照专家的评定法则进行估算,具有一定的通用性。     

基于神经网络方法的城市空气质量日报技术

运用神经网络方法,将城市空气质量状况与大气污染物对空气质量的损害程度相关联,采用了"基于大气污染损害率的API法"评价概念,模拟发布长春市空气质量日报,同时公布次要污染物,并与API法进行同时段比对实验与综合分析。     

基于IRBFNN和PCA的电网预想故障安全运行评估方法研究

为了更快速直观地监视、分析和评估故障后电网的安全运行状态,提出了基于径向基函数(radical basis function,RBF)神经网络和主成分分析法(principal component analysis,PCA)的评估模型。利用带衰减因子的吸引力传播(affinity propagation,AP)聚类算法选择RBF神经网络中心和隐含层节点数,同时提出了扩展的电网运行状态安全评估指标,利用越限指标权重和指数阶数避免了安全评估的遮蔽现象,利用主成分分析选取RBF神经网络的输入矢量特征,最后通过IEEE-30节点仿真算例验证了所提模型的有效性。     

基于拓扑网络模型的高速列车转向架系统中薄弱部件辨识方法

我国高速铁路的迅速发展对高速列车运营安全保障能力提出了更高的要求.面对日渐复杂的运营环境,对高速列车动力系统中薄弱部件的辨识能够保障高速列车的运营安全.以高速列车转向架物理结构与工作原理为出发点,提出了一种面向高速列车转向架系统中薄弱部件的辨识方法.首先基于复杂网络理论对高速列车转向架系统拓扑结构进行建模;然后利用模糊...     

基于AHP-FCE模型的制药废水处理技术综合评价

制药废水由于具有水质复杂、COD高、有毒有害物浓度高、可生化性差、色度高等特点,处理十分困难.目前制药废水处理技术种类较多,且各项技术均具有各自的特点.为选择合适的制药废水处理技术,构建了制药废水处理技术评价指标体系,确定了评价标准,并采用层次分析法与模糊综合评价法相结合的评价方法(AHP-FCE)对国家水体污染控制与...     

基于SSA-CNN的长距离矿浆管道临界流速预测

针对长距离矿浆管道临界流速计算难度大、传统经验公式预测精度低且适用性差等问题,提出了一种基于麻雀搜索算法(SSA)-卷积神经网络(CNN)的矿浆管道临界流速预测模型。首先,分析矿浆管道临界流速的影响因素,选取4个主要影响因素作为模型特征;然后,利用SSA算法对CNN模型中的8个超参数进行迭代寻优,消除人为设置参数的不确定性;最后,将优化后的CNN模型用于临界流速的预测,以某一水平矿浆管道试验段为例进行实证研究。结果表明,SSA-CNN模型残差平方和为0.028 3,平均绝对百分误差为4.19%,平均绝对误差为0.054 0,与LSSVM、SSA-BP和CNN模型相比,该模型的预测精度更高,学习和泛化能力更强,为矿浆管道输送研究提供了一种新思路。