GSA法在水质模型参数估值中的应用

在传统遗传算法(Genetic Algorithms,GA)基础上引入模拟退火技术(simulated Annealing,SA),提出了遗传模拟退火算法(GSA)，并将其应用到水质模型参数估值中。计算结果表明，GSA法综合了2种优化方法各自的优点，克服了传统GA容易早熟的缺点，加强了算法的收敛速度，因而具有良好的优化性能。不同的参数估值方法比较，进一步验证了新方法的有效性。     

有限元仿真技术在板材成形中的应用

有限元仿真技术具有很强的经济性和柔性，已广泛应用于汽车钢铁工业领域。文中论述了板材成形有限元仿真分析的关键技术及其研究进展，并采用动力显式有限元软件LS-DYNA对轻型车侧围后外板零件冲压成形过程进行了仿真计算，分析了变形过程的金属流动规律。     

基于遥感与随机森林算法的陕西省土壤有机质空间预测

遥感数据作为反映土壤组成结构及植被生长状况的数据源,借助辅助环境因子的土壤属性预测在数字土壤制图中日益受到重视。论文运用随机森林（Random Forest,RF）算法,基于AWIFS（分辨率56 m）和MODIS（分辨率250 m）遥感数据及501个实测样点数据对陕西省土壤有机质空间分布状况进行预测,并对预测精度进行估算。结果表明陕西省土壤有机质含量以南部的秦岭山地区和大巴山区为最高,土壤有机质含量大于25 g·kg^-1,黄土高原南部处于中等水平,大部分在16~25 g·kg^-1之间,关中平原和汉中低山丘陵区含量偏低,大部分在13~25 g·kg^-1,而黄土高原北部和风沙滩区含量大部分低于10 g·kg^-1。基于AWIFS影像的预测效果要优于MODIS影像,成像日期对有机质预测的影响不大。基于RF模型的土壤有机质预测精度在设定的不同抽样百分比条件下,独立验证数据集的平均误差大部分不超过3 g·kg^-1,预测值与实测值的相关系数在0.7以上。高程是影响土壤有机质预测的最重要因子,当影像的分辨率降低时,样点分布的地理经纬度和坡度对土壤有机质预测的影响上升,植被因子的影响程度下降。     

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。     

板料成形数值模拟的逆算法研究

依据理想形变理论 ,研究开发了冲压成形过程模拟的有限元逆算法 ,并考虑了成形中的压边力 ,拉延筋等工艺条件 ,实现了计算机程序。通过实例的计算表明此方法能够快速分析成形工件中的变形情况 ,可用于设计前期阶段评价零件的成形性能     

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性，传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难，提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先，采用动态流转训练，将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项；其次，通过多项式预测趋势项、动态LSTM预测周期项，并由2项之和得到主预测变形速率；随后，通过对比实测速率与主预测变形速率，得到残差项，并建立动态流转训练的残差LSTM网络预测残差速率；然后，由主预测变形速率与残差预测变形速率之和得到最终预测速率，并进一步得到累计位移预测值；最后，以某突发型滑坡为例，验证该方法的科学性、有效性，以及预测精度和优势。结果表明：将变形速率序列作为预测对象并进一步得到累计位移预测值，比直接预测累计位移值具有更高的准确性；而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R²指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。     

基于ADPSO-FNN算法的催化再生烟气二氧化硫预测方法

为了解决催化裂化装置再生器出口烟气二氧化硫质量浓度难以实时预测的问题，提出一种基于自适应粒子群优化-模糊神经网络(Adaptive Particle Swarm Optimization-Fuzzy Neural Network, ADPSO-FNN)算法的催化再生烟气二氧化硫质量浓度智能预测方法。首先，针对数据来源多，且来自数据采集系统(Data Collection System, DCS)与实验室信息管理系统(Laboratory Information Management System, LIMS)中多维数据时间尺度不匹配的问题，利用基于自适应回归算法实现多时间尺度的数据清洗；其次，建立基于模糊神经网络算法的二氧化硫质量浓度预测模型，提取再生烟气产排过程中的动态特性；然后，提出基于动态惯性权重和学习因子机制的自适应粒子群算法，平衡全局探索能力及局部开发能力，实现再生烟气二氧化硫质量浓度的预测；最后，利用炼厂检修前、后的数据分别建立二氧化硫预测模型并进行测试。结果显示：该预测方法实现了催化再生器出口二氧化硫的准确预测，解决了现场多时间尺度数据难以建模的问题。     

危险天气下4D改航回归航迹规划方法

为解决航班因危险天气临时绕飞导致的航迹冲突问题，提出一种面向航迹运行(TBO)的4D改航回归航迹规划方法。首先，根据航空器性能限制，栅格化空域，使用蚁群算法与轮盘赌法，以改航路径最短为目标，生成三维空域内危险天气下的改航路径；然后，提出航迹回归概念，根据预计到达时间(ETA)计算改航速度，对齐时间得到4D改航航迹；最后，以我国中部某主要航段为运行场景，选取3个航迹回归点，采用“调速+等待”策略，计算避让危险天气的三维可行航迹，以燃油消耗与排放成本的计算结果与改航航迹产生的冲突为参考，评估各改航方案。结果表明：当选择最晚回归点时，改航方案3燃油消耗为5.9 t,温室气体排放量为26.3 t,是3种方案中消耗最少的，但需解脱冲突2次；选择最早回归点的改航方案1未与其他航班出现冲突，但燃油与排放相比方案3增加0.1%和0.2%。以上结果证实，该方案可实现危险天气下选取不同回归点时的4D改航回归航迹规划。     

交通环境及驾驶人属性对车辆横向控制水平的影响分析

为探究道路环境及驾驶人属性对车辆直道横向控制水平的影响，招募31名试验对象，设计白天-城市道路、夜晚-城市道路、白天-高速公路、夜晚-高速公路等4种情境下的实际道路驾驶试验，选取横向加速度均值和横向加速度标准差为二维向量，基于二分K-means算法对驾驶人在直道行驶的横向控制水平进行划分。结果表明：样本数据聚为3类时聚类效果最佳，驾驶人的直道横向控制水平被划分为良好、一般、较差；4种情境中，夜晚-城市道路环境下驾驶人的整体横向控制水平最差；所有驾驶人属性中，只有性别因素对驾驶人的横向控制水平存在显著影响，男性驾驶人的直道横向控制水平优于女性驾驶人，年龄、驾龄、婚姻状况、文化程度等5种因素不存在显著影响。