时延神经网络对宝兴树蛙异质种群鸣叫的聚类分析

对瓦屋山宝兴树蛙3个不同海拔分布(A:山下;B:山腰;C:山上)的异质种群鸣叫的时频参数进行分析,发现三地鸣叫各参数互相重叠,无明显界线.常规统计分析不能使三地的鸣叫聚类为各自的组.使用时延神经网络对三地宝兴树蛙鸣叫的时频参数进行有指导聚类,发现三种群鸣叫有地区性差异,并表现出由个体交流引起的山腰种群群体特征的不显著.推测差异可能是因为长期地理隔离所导致.基于神经网络的分析结果,对各种群间的个体交流情况进行了初步估计.图6表1参20     

污水处理中精确曝气控制的研究进展

针对污水处理环节的曝气能耗问题,概述了污水处理的精确曝气控制现状,并结合我国目前我国实际情况与国内外现有研究结果,介绍了精确控制的重要组成部分之一的控制器的原理,控制器主要包括模糊控制器、神经网络控制器、支持向量机等,总结了各控制器的优缺点及适用情况,旨在加强对精确曝气控制的认识、为现有污水处理中存在的复杂、多变、时滞等特性提供利用精确控制器解决问题的的思路。     

山区土壤重金属空间插值性能的改进

山区土壤重金属监测中,密集均匀的布点采样困难大,成本高。根据稀疏非均匀样本数据准确预测山区土壤重金属空间分布,对可视化描述检测元素的分布及趋势具有重要意义。基于云南省楚雄市南部山区表层土壤中重金属锰、钒的采样数据,对集成径向基函数神经网络(IRBFANNs)和传统插值方法:反距离(IDW)、普通克里格(OK)、径向基函数神经网络(RBFANNs),进行了不同等级采样密度下的插值性能比较。结果表明,样本点数量减少时,传统预测方法的插值精度都有所下降,而IRBFANNs算法在样本点较少情况下能够保持最好的插值精确度和稳定性,有效改进了空间插值性能。     

基于BP模型对城市交通噪声的数据处理和预测

城市交通噪声的预测和评价技术是城市交通可持续发展的重要研究内容,直接为城市交通规划中环境容量分析和环境影响评价服务。本文通过实测的大量数据,运用神经网络中的BP模型及其算法建立车辆数、道路宽度和交通噪声之间的关系,对城市道路交通噪声数据进行处理和预测。     

基于视频的雾天能见度实时监测方法研究

目前我国高速公路能见度监测主要依靠能见度观测仪,该方法覆盖区域有限且成本较高,而我国高速公路图像采集设备应用广泛,因此提出了一种基于监控视频图像测量雾天能见度的方法。该方法将图像进行分窗格处理,通过相关性分析筛选出最优兴趣窗格的亮度均方差特征矩阵,建立BP神经网络修正线性残差组合模型。结果表明:残差修正模型监测效果优于单一线性回归模型,残差修正模型的决定系数R2为0.977;在光线充足的情况下,残差修正模型的相对误差在10%以下,模型精度相对稳定;最后应用此方法监测高速公路雾天能见度,模型的正确率在80.48%以上。验证了用该方法测量雾天能见度具有可行性和有效性。     

走滑断层作用下X80管道设计应变规律和神经网络预测

走滑断层是埋地管道常见的地质灾害威胁,断层作用下管道会发生较大的拉压应变而失效。为得到X80管道的设计应变,基于有限元方法建立了走滑断层作用下管道的应变响应数值计算模型,模型使用壳单元模拟管道,非线性弹簧单元模拟土壤约束,采用西二线实际工程的管道应变影响参数范围,计算了管道的设计应变;为预测管道的设计应变值,基于以上参数化分析得到的4 817组设计应变结果,采用人工神经网络建立了管道设计应变预测模型。结果表明:该神经网络模型预测结果的最大相对误差小于10%,预测准确性良好,且该方法具有较高的计算效率,可以为断层作用下埋地管道的应变设计与评估提供参考。     

PSO-RBF耦合神经网络在水质评价中的应用

径向基函数神经网络(RBF)中,连接输出单元的权重是影响径向基函数神经网络学习精度的主要参数,采用粒子群算法(PSO)对模型参数(权值)进行优化,建立了PSO-RBF耦合神经网络模型,避免权重的人为设定,具有客观性。并在Matlab环境下编程计算,构建了用于地下水环境质量评价和海水富营养化评价的径向基函数网络评价模型。将模型应用于黑龙洞泉域5个地下水监测点和某海水富营养化评价。评价结果和其他方法的评价结果一致,与实际情况符合,评级结果是合理的。评价结果表明,RBF网络简便有效,收敛速度快,有较强的分辨能力,优化确定模型参数后,便可对评价样本进行评价,具有较好的实用性和通用性。     

上海市夏季高架道路边颗粒物垂直分布研究

为研究夏季高架路边颗粒物浓度的垂直分布规律,以上海市南北高架交叉处路边垂直区域为研究对象,通过Fluke 985粒子计数器采集颗粒物数量浓度数据。分析了6种直径范围颗粒物(0.3~0.49μm、0.5~0.99μm、1~1.99μm、2~4.99μm、5~9.99μm、≥10μm)在高架路垂直区域的分布规律,并结合微观尺度下的交通、气象、高度等数据建立了逐步回归和SVM神经网络预测模型。结果表明:在高架路边的垂直方向上,随高度增加,6种颗粒物浓度整体呈现下降的趋势;0.3~0.49μm、0.5~0.99μm、1~1.99μm三种颗粒物浓度受高架桥带来的"盖子效应"影响,在距离地面约21 m高的7楼达到最大值;总体上早高峰颗粒物浓度大于晚高峰,工作日颗粒物浓度高于非工作日;SVM神经网络模型比线性逐步回归模型能更好地预测高架路边颗粒物的垂直分布规律,可作为上海市夏季非降水天气高架桥面附近颗粒物浓度预测的方法。     

基于神经网络的碳排放预测及影响因素分析

基于新疆1995—2014年农业生产碳排放源,建立碳排放关系数据库。应用广义神经网络(generalized regression neural network,GRNN)构建了排放量预测模型,结合平均影响值(mean impact value,MIV)方法对碳排放影响因素进行量化。结果表明:1)GRNN模型预测碳排放的平均绝对百分误差和拟合优度分别为2.7860%和0.8720;2)新疆人口、人均GDP、农业贡献值、农机总动力和农户固定资产投资等因素对农业生产碳排放的影响程度分别为0.6210、0.2377、0.3698、0.8500和0.1000。该成果可为新疆碳排放总量分析和影响因素量化方面提供参考。     

基于Matlab的BP神经网络在大气污染物浓度预测中的应用

为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明：采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。