基于BP神经网络预测北京市加油站周边土壤多环芳烃含量

随着我国城市化进程的迅速发展,城市中加油站数量越来越多,加油站油品的成分含量复杂多样,在石油逸散过程中会生成一系列污染物.加油站产生的多环芳烃(PAHs)会污染其附近土壤,同时对人体健康产生影响.收集了北京市117个加油站附近的土壤样品(0～20 cm),分析了7种PAHs的含量,基于BP神经网络模型,预测了2025年和2030年北京市加油站土壤PAHs含量.结果表明,7种ω(PAHs)范围在0.01～3.53 mg·kg^-1之间,与《土壤环境质量建设用地土壤污染风险管控标准(试行)》(GB 36600-2018)中土壤污染风险筛选值比较,PAHs含量低于该指标,同时上述7种PAHs的毒性当量(TEQ)均低于世界卫生组织(WHO)的标准值(1 mg·kg^-1),表明它们对人体健康有较低风险.预测结果显示,快速发展的城市化与土壤PAHs含量的增加具有正相关的关系,至2030年,北京市加油站土壤PAHs的含量将持续增长.2025年和2030年北京市加油站土壤中ω(PAHs)的范围分别为0.085～4.077 mg·kg^-1和...     

粤港澳大湾区大气PM2.5浓度的遥感估算模型

PM_2.5对大气环境和人类健康危害极大,及时准确地掌握高时空分辨率的PM_2.5浓度对空气污染防治起着重要作用.基于粤港澳大湾区2015～2020年多角度大气校正算法(MAIAC)1 km AOD产品、 ERA5气象资料和站点污染物浓度(CO、 O₃、 NO₂、 SO₂、PM₁₀和PM_2.5),分别建立了估算PM_2.5浓度的时空地理加权模型(GTWR)、 BP神经网络模型(BPNN)、支持向量机回归模型(SVR)和随机森林模型(RF).结果表明,RF模型的估算能力优于BPNN、 SVR和GTWR模型,BPNN、 SVR、 GTWR和RF模型的相关系数依次为0.922、 0.920、 0.934和0.981,均方根误差(RMSE)分别为7.192、 7.101、 6.385和3.670μg·m^-3,平均绝对误差(MAE)分别为5.482、 5.450、 4.849和2.323μg·m^-...     

基于ASD-KDE算法的超短期风电出力区间预测

为提高含风电场电网经济调度能力并降低电力系统规划决策的保守性,提出了基于原子稀疏分解-核密度( atom sparse decomposition-kernel density estimation, ASD-KDE)算法的超短期风电出力区间预测模型。该模型应用ASD计算出较为精确的点预测值,并采用粒子群优化正交匹配追踪算法提高原子分解过程的预测实时性。同时针对风电序列不同区域所具有的线性及非平稳特性,构建了衰减线性原子库及Gabor原子库,以期达到自适应分解的效果。再通过对原子分量和残余分量分别进行自预测和BP( back propagation) 神经网络预测,获得点预测值。在此基础上,通过对历史风电数据不同区间的划分,构建一维核密度估计模型,逐步滚动获取预测值的置信区间,从而降低了环境变化对预测结果的影响。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

飞机冲偏出跑道人为差错量化分析模型

为了分析飞机冲偏出跑道的人为差错,找到重点防控对象,提出了冲偏出跑道人为差错量化分析模型。首先应用STPA方法对飞机滑行、起飞及着陆程序进行建模,构建安全控制结构图,找出飞机冲偏出跑道的人为差错。然后将它作为BP神经网络的输入层节点,构建24-6-3的3层BP神经网络模型,从ASRS系统中抽取民航领域近5年的冲偏出跑道不安全事件报告作为数据源,根据发生阶段的不同将不安全事件报告分为滑行阶段、起飞阶段、着陆阶段3类,最后将数据源输入BP神经网络模型中进行训练,并利用测试数据检验模型的合理性,准确率为86. 7%。结果表明,特殊情况下机组人员操作不熟练、刹车系统/方向控制错误等是构成所有阶段冲偏出跑道的主要人为差错,飞机冲偏出跑道的发生阶段不同,影响因素的影响程度也不同。     

故障诊断中信号特征参数择取方法

针对故障诊断中数据量大的问题,提出一种故障信号特征参数择取方法,达到只需少量的特征参数来训练高精度故障识别神经网络的目的 .该方法通过对特征参数之间的相关性及每个特征参数的故障敏感性进行系统分析,从而择取满足故障识别要求的特征参数.以滚动轴承故障诊断为例,使用该方法择取4种特征参数的情况下实现了高精度、高效率和高鲁棒性...     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

矿区环境优化布点的人工神经网络模型

本文着重介绍一种新的优化布点的方法－人工神经网络算法和构造该算法的步骤。应用这 表明：人工神经网络算法用于环境监测优化布点是十分理想的。     

两种新型流域非点源污染负荷估算模型的比较

为探索简单快捷、实用性强的流域非点源估算模型,基于降雨量差值法的基本思想,应用径向基函数(RBF)神经网络和支持向量机(SVM)2种技术,以渭河流域历年降雨量资料为基础建立了相应的流域非点源污染负荷估算模型.并将2种模型估算结果与相关分析法估算结果进行了比较,综合分析渭河流域历年径流量与三者所推得的历年点源负荷的标准差.结果表明,支持向量机的估算结果最为合理,且计算简单,操作便捷,具有实用价值.     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。     

BP和Elman神经网络在砂土液化预测中的研究

基于砂土液化的影响因素具有非线性关系,而神经网络模型能够逼近任意非线性函数和适合于动态系统辨识的特性,分别建立输入层为4,隐含层神经元为2,输出层为1的三层BP神经网络和Elman网络,并且通过matlab软件运算,实例比较得出Elman模型比BP模型收敛速度快、精度高,在砂土液化的预测中效果更好。