化学-生物絮凝工艺类神经网络模型比较研究

在化学-生物絮凝工艺中试研究的基础上,分别建立了基于BP类神经网络的多输入多输出（MIMO）模型与多输入单输出（MISO）模型。应用化学生物絮凝工艺中试6个不同工况的实测数据对2个模型进行训练,均表现出很好的收敛性。通过另外2个中试工况的实测数据对模型预测性能进行测试,MISO模型对化学-生物絮凝反应器出水的COD、TP和SS的预测相对误差均低于MIMO模型,其预测相对误差均在9%以下。研究表明,MISO模型是一个很易使用的建模工具,能很好地预测化学-生物絮凝工艺出水水质。     

基于改进混合遗传-支持向量机的CMF产水预测研究

将模拟退火思想和加速遗传特性相结合,改进选择策略和遗传算子,建立加速遗传模拟退火算法（AGSA）;基于支持向量机（SVM）的非线性回归和改进混合遗传算法的因子筛选,构造了支持向量机模型参数的自适应优化算法,提出连续微滤系统（CMF）产水预测模型;通过实测中试规模连续微滤系统产水量变化对模型进行验证,结果表明：该模型较好...     

BP和RBF神经网络在边坡稳定性评价中的应用

基于BP网络和RBF网络理论,选取影响岩质边坡稳定性的一些主要因素,建立了边坡稳定性分析的神经网络模型,并用Matlab7.0神经网络工具箱对一些边坡样本进行训练仿真。对比了两种网络的逼近精度和预测结果,结果表明:两种网络均可以用于边坡的稳定性评价,RBF网络的性能要优于BP网络,网络最优参数的选择要通过反复实验获得。     

基于神经网络的土壤重金属预测及生态风险评价

采用单隐层RBF神经网络模型预测土壤重金属Cr、As、Ni、Pb、Zn 5种元素的含量,实测35组数据做为训练数据,另用6组做验证数据,该模型是以利用采样的10组数据预测其后的连续5组数据,输入层的神经元个数是10,输出层是5,隐含层的传递函数为径向基函数radbas,输出层的传递函数为线性函数Purelin,其结果表明:采用RBF神经网络模型预测有较高的精度。通过多元统计分析采样样品与预测样品,研究区域As、Ni、Zn的均值超过了上海市土壤环境背景值,As元素达到高度变异,Pb、Zn、Ni 3种元素达到中度变异。通过因子分析,前2个因子基本包含了全部元素变量的主要信息,第1因子中载荷最高是元素Ni(0.946),第2因子中则为元素As(0.930)。通过潜在生态风险指数评价,研究区域整体呈轻度生态风险水平。采用RBF神经网络模型可以降低采样分析成本,更好的评价区域土壤重金属的生态风险。     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

污泥厌氧消化的人工神经网络模型

基于污泥固体停留时间(SRT)为20 d的污泥中温厌氧消化实验,建立一个3层BP神经网络,以前1～20 d的进泥挥发性悬浮固体(VSS)、当天消化罐pH值和碱度共22个参数为输入,预测污泥消化系统日产气量,结果表明,网络具有良好的学习能力、泛化能力和辨识能力,能够较为准确地预测出系统日产气量.此外,根据进泥VSS不同,利用网络预测能力,调节pH值和碱度到合适的值,系统日产气量有明显提高,进一步证明了网络具有良好的预测能力和实用性.     

土地整治区典型林地土壤贮水量预测方法比较

在长期田间试验基础上,分别利用数值模拟方法（Numerical Simulation,NS）和人工神经网络（Artificial Neural Network,ANN）模型构建江南平原土地整治区典型林地的土壤水分运动模型,并对土壤贮水量进行预测。[JP2]NS模型校正结果表明,该模型虽能较好地预测林地土壤含水量动态变化,但是NS模型对训练期和验证期0~60 cm[JP]土层贮水量预测的均方根误差（Root Mean Square Error,RMSE）分别为1109和829 mm,而ANN预测的RMSE分别为417和408 mm,说明ANN的预测效果好于NS模型。最后,敏感性分析结果表明ANN预测精度对输入参数的敏感程度由高到低依次为：前期土壤贮水量>降水量>最高气温>最低气温     

一种基于卷积神经网络的源解析因子识别方法

为解决源解析因子识别过程中人为参与及判定过程复杂的问题,提高源解析因子识别工作的效率,提出基于卷积神经网络(CNN)的源解析因子识别方法.通过文献调研,构造可供CNN模型训练的因子识别数据集,对因子识别模型进行训练与调试,并以北京市南部采样点的PM_2.5组分观测数据对模型进行验证.同时,利用正定矩阵分解模型(PMF)解析得到不同因子数时的源谱矩阵,输入因子识别模型并与人工分析比对.结果表明,9个因子时模型的识别效果最佳,可以实现既无重复识别又无“无法判定”的情况,与源解析因子人工识别结果吻合,证明了所提出方法的合理性与可行性.该方法不仅对源解析中因子识别问题具有一定的实用价值,同时对减排策略的制定与动态调整也具有积极意义.     

BP神经网络在矿井本质安全程度评价中的应用

采用BP神经网络对矿井本质安全程度进行评价。介绍了矿井本质安全程度评价方法以及BP神经网络的结构及原理;按照BP神经网络训练的步骤,以matlab6．0为平台,利用其内嵌的神经网络工具箱,生成通用的神经网络评价模型;输入经过标准化后的矿井本质安全程度指标的评价分数,投入神经网络运算,就可以得出该矿井的本质安全程度。     

神经网络模型在环境监测机构编制管理中的应用研究

根据非线性化现代神经元理论 ,以湖北省三、四级环境监测站为例 ,建立了神经网络定量测算人员编制的模型。研究确立了反向传播 BP模型在测算人员编制中的应用方法及技术路线。采用所建模型对某部门、某单位人员编制测算具有操作方便灵活 ,准确可靠以及实用性、通用性和动态可操作性特点。不仅可指导环保系统机构实现科学化定编、定员 ,同时对其他事业单位编制的规范化管理亦有参考意义。