基于BP-Adaboost强预测器的瓦斯涌出量预测

为了提高传统BP神经网络瓦斯涌出量预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络和Adaboost算法相结合,提出了一种BP-Adaboost强预测器模型.将该模型用于实际瓦斯涌出量预测,并进行了40次仿真实验.结果表明:该模型预测精度高于传统的BP神经网络,且收敛速度快,具有较强的鲁棒性,预测精度能满足实际工程需要,为瓦斯涌出量预测提供了一种新的途径.     

基于图神经网络的社区户内燃气系统动态风险评估

目前对于社区户内燃气系统的风险评估大都为静态分析方法,且一般只对系统中单独组成部分进行建模,忽略了户内燃气系统风险复杂的耦合影响关系。针对现有风险评估方法的局限性,提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法。该方法首先通过梳理社区户内燃气事故、分析社区户内燃气系统的风险源和风险影响因素,构建了社区户内燃气系统动态风险评估指标体系;然后将知识图谱用于社区户内燃气系统的场景构建,基于社区户内燃气系统的构成和指标体系确定知识图谱中的实体类型和实体特征,并在所构建的社区户内燃气系统知识图谱的基础上,提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法;最后,以某一社区为例,对所提出的基于图神经网络的社区户内燃气系统动态风险评估方法进行验证。实例应用分析结果表明:该方法可以针对社区户内燃气系统风险复杂的耦合影响关系,实现社区户内燃气系统的安全动态风险评价,对社区燃气用户的安全管理具有一定的指导和参考意义。     

长三角对流层甲醛柱浓度时空变化及驱动因素

通过OMI卫星数据分析了2005~2016年长江三角洲对流层甲醛柱浓度的时空变化规律.同时结合2008年和2010年各部门VOCs人为源排放量,利用BP神经网络和RBFN神经网络模型对对流层甲醛柱浓度进行了县域尺度上的回归模拟和各部门排放量贡献度分析.结果表明：长三角城市群对流层甲醛柱浓度在2005~2010年存在着增加趋势,2011~2016年甲醛浓度有下降的趋势.高值区域分布在皖北苏北、上海及其附近,低值区域分布在浙西南一带.人为源排放使得经济发达地区的甲醛柱浓度显著增高.工业源在长三角的分布较为广泛,电力源分布稀疏且VOC排放量远小于工业源排放量,居民源的VOC排放量介于工业源和电力源之间,有明显的南北差异.交通源主要集中在苏南、浙北和上海附近,少部分沿交通线条状分布.机器学习算法可以较好地利用人为源排放数据对甲醛柱浓度进行模拟.神经网络的拟合精度可以达到0.6~0.8,比线性回归的拟合精度超出0.3~0.4.模型变量重要性计算显示各部门中居民源对甲醛柱浓度的贡献程度最高.研究对流层甲醛柱浓度的长期时空变化及其影响因素有利于深入研究臭氧污染,同时也为大气治理和政策制定提供了科学依据.     

煤矿安全宏观预测方法综述

对几种比较适用于预测煤矿安全宏观预测的方法(线性回归预测、非线性回归预测、灰色预测、马尔柯夫链预测、灰色马尔柯夫链预测、神经网络预测法)进行了介绍,并作了进一步评述和探讨.     

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。     

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...     

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。     

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.