改进SSA-LSSVM模型在埋地管道点蚀深度预测中的应用

埋地管道点蚀深度受土壤环境、运输物质、管道材质等多种因素的影响,因此腐蚀数据存在不稳定性,会导致精确预测其点蚀深度存在较大难度,故提出RS结合MSSA-LSSVM预测模型。首先利用RS对腐蚀影响因素实现降维,提取关键影响因素;其次融合三步改进策略解决麻雀搜索算法已陷入局部最优等问题,利用时间复杂度分析对算法改进后性能进行验证;然后利用MSSA求解出LSSVM中核函数参数σ²和惩罚因子C的最优解,同时选取RBF核函数,使其预测性能达到最优,最终构建RS-MSSA-LSSVM的埋地管道点蚀深度预测模型。结果表明：优化后模型精度得到了极大的提升,且均优于其他模型,证明该模型鲁棒性较好。     

基于SSA-BP与SSA的地下水污染源反演识别

应用基于SSA-BP神经网络替代模型的模拟-优化方法和SSA研究了地下水污染源位置及释放历史的反演识别问题。并在建立地下水水流模型时,应用Cholesky分解方法建立含水层渗透系数连续场,该方法相比于普通的参数分区方法更好地描述了水文地质参数的非均质性。结果表明:SSA-BP神经网络替代模型对模拟模型具有较高的逼近精度,其平均相对误差仅有3.21%。应用SSA求解优化模型,能够快速准确地识别出点污染源的位置及释放历史。SSA对污染源位置的反演识别相对误差在10%左右,对污染源源强的反演识别相对误差不超过4%。因此,本文所提出的方法是一种有效的地下水污染源识别方法,可为污染责任认定及污染修复方案的优化提供参考。     

牡丹江市工业区麻雀体内重金属残留分析

2006年8月至9月,捕捉并测定了牡丹江市工业区与绿化区(对照区)麻雀(Passermontanus)羽毛、肝脏、胸肌和心脏中镉(Cd)、铅(Pb)、铜(Cu)3种重金属残留量.分析结果表明,工业区麻雀组织中重金属残留量高于绿化区.麻雀胸肌、心脏和肝脏中Cd与Pb残留量均呈极显著相关(P＜0.01);羽毛中Cu与Pb残留量显著相关(P＜0.05);胸肌中Cd与Cu残留量显著相关(P＜0.05).3种重金属元素在麻雀体内各组织中积累量不同,其总残留量依次为Cu＞Pb＞Cd.心脏对Cu和Cd、羽毛对Pb均具有较高的富集作用.     

麻雀

在我的童年里,“百鸟图”留下了不可磨灭的印象。对今天的孩子来说,“百鸟图”就是一个真实的童话世界。那时候,世界到处都是鸟。房上、墙上、树上、地上、电线上和窑洞上,时不时地落满了鸟。它们有的刚从前线“歼敌”回来,疲惫不堪地眯缝着眼睛,喘息着;有的静静地沉思着,像个伟大的哲学家;有的啁啁啾啾;有的飞来飞去,跳来跳去。那抖动着翅膀的百灵鸟,似乎定在了空中,唱着醉人的歌;画眉、杜鹃和相思鸟,更是鸟中的歌后,假若人鸟同台比赛,毛阿敏宋祖英也可能甘拜下风,望尘莫及;在万里长空中,耀眼的燕子,时高时低;搏击长空的苍鹰,像侦察机似的,…     

基于优化的深度极限学习机的柴油车NOx排放预测

用麻雀搜索算法优化的深度极限学习机（SSA-DELM）构建柴油车NOx排放预测模型,对柴油车低速、中速和高速状态下的NOx排放进行预测,并将此模型性能与深度极限学习机（DELM）模型性能进行对比分析。结果表明：SSA-DELM模型的预测效果较好,在低速、中速、高速状态下该模型平均绝对百分比误差MAPE分别为0.061 0、0.044 9、0.039 1;在低速、中速、高速状态下SSA-DELM模型的性能评价指标比DELM模型性能评价指标分别优约23%、44%、11%。     

麻雀的风景

早晨,慵懒地立在北窗前,目光习惯地飘向楼下小区花园的草木。迎春花早开过了,丁香花也谢幕了。无花的时节,这个长方形的花园中间,几棵高大的枫树开始神气地扭动着枝条。我正凝神间,忽然看见有几片叶子从一丛丁香树上恍惚飘落。奇怪,离秋风扫落叶的时节还大老远呢,何来落叶飘零？我拿过眼镜戴上,细看。呵,原来是一群麻雀正从树上飞落,而我误以为落叶。     

麻雀与“长江三条鱼”

历史有时是何其相似150年前,坚持真理的科学家们,冒着“触犯龙颜”、被打成右派的危险,为麻雀请命;50年后的今天,又有一些科学家和环保人士,为保护“长江三条鱼”而心急如焚、奔走呼喊。     

排长队吃老鹰

民以食为天。吃,本无可厚非。可读罢一则新闻,笔者却深感有话要说,如鲠在喉,不吐不快。据《天府早报》5月8日报道,据读者举报,四川双流县和简阳县交界处的丹景山上藏有3家野味馆,专门烹饪野生獐、斑鸠、麻雀、老鹰等野生动物,“野鸡40元一份,麻雀3元一只,老鹰汤60元一份……”今年“五一”,光是从成都赶去尝鲜的车,就在野味馆门前排起了几十米的长龙。     

丰收时刻(组图)

夏天到了,田野里的麦子熟了,丰收的时刻来到了。阳光下的麦田是金色的海洋,风过时,会鼓荡起一排排麦浪,缓缓地起伏着,一波一波地涌向远方。一棵棵麦子被雨雪滋养过,被阳光照耀过,从麦秆到麦穗都是金灿灿的。它们肩并肩紧挨着,笔直地挺立着,仿佛大地的哨兵。布谷鸟在麦田上追逐嬉戏,在早春时,它们布谷布谷地催促农人播种。麦子黄时,又一声声欢叫着黄了黄了,提醒农人们快来收割。吵吵闹闹的麻雀,让喷香的麦粒撑圆了肚子,惬意地停在稻草人的头顶或肩膀上。三五成群的蝴蝶、蜜蜂在尖尖的麦芒上跳舞。而稻花香里说丰年,听取蛙声一片的     

基于SSO的铀尾矿库无线传感器网络定位算法

为提高铀尾矿库无线传感器网络(WSN)定位算法的定位精度和收敛速度,利用优化的麻雀搜索算法(SSA)改进基于信号强度指示(RSSI)的定位算法。首先,引入混沌映射和精英方向学习初始化麻雀种群,丰富种群多样性,提高算法的全局寻优能力;其次,采用莱维飞行策略改进搜索者的位置更新方式,避免陷入局部最优;然后,采用优化的SSA代替最小二乘法来定位未知节点,并将定位算法应用于铀尾矿库放射性核素污染监测定位;最后,在不同的锚节点数、通信半径以及噪声标准差条件下,对比麻雀搜索优化定位算法(SSOLA)与加权质心定位算法(WCLA)、接收信号强度指示差定位算法(RSSID)、麻雀搜索定位算法(SSA)、粒子群定位算法(PSO)以及樽海鞘群定位算法(SAP)的性能。结果表明：SSOLA与其余5种算法相比定位误差平均下降41.9%、45.2%、26.8%、39.9%和36.9%,定位精度更高,收敛速度更快。