基于不变矩理论的腐蚀等级评定方法研究

基于腐蚀图像包含大量腐蚀信息的客观现实,将数字图像技术和不变矩理论应用于腐蚀图像预处理和特征提取,用腐蚀图像的7个不变矩特征值来描述腐蚀形貌特征,利用概率神经网络模式识别技术,建立了以不变矩为特征参数的概率神经网络模式识别模型,实现了金属材料腐蚀等级的评定。以铝合金材料在EXCO溶液中加速腐蚀等级评定为例,分析表明,不变矩作为一种高度浓缩的图像特征,能够表示腐蚀形貌与腐蚀特征的映射关系,该方法简单易行,识别率可达到87.95%,满足工程应用要求。     

基于BP神经网络的煤层自燃预测

在全面分析影响煤层自燃因素的基础上,建立了煤层自燃预测的人工神经网络模型.应用该模型对某煤田的多个煤层样本进行了训练和预测,网络经过10次训练后,误差达到设定的最小值,6次预测测试中最大误差仅为0.027 8,最小的为0.000 1.研究表明,该模型精度较高,可用于预测煤层自燃的实际应用.     

基于BP神经网络的上市公司CEO报酬实证研究

近年来的研究表明,CEO报酬不仅受公司业绩的影响,还受到其他诸多因素的影响,而且,CEO报酬与其决定因素之间往往存在着非线性关系。本文以2003-2005年沪深股市的A股上市公司为样本,采用BP神经网络对CEO总报酬、CEO年薪、CEO持股价值及其决定因素分别进行训练和学习,结果表明：（1）网络训练输出值与实际值的拟合度分别达到91.09%、97.23%和78.44%;（2）网络的预测能力相对于传统的线性回归模型分别提高了92.72%、92.08%和53.89%。因此,本文认为在分析和确定CEO报酬水平时引入神经网络模型是可行的。     

路面径流水环境下交通承载力分析

为了对路面径流水容许污染总量控制下的交通承载力问题进行探讨,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,结合公路路面径流水质检测数据,提出了一种基于遗传神经网络进行公路交通环境承载力反计算的分析方法,应用该方法可根据路面径流水质污染数据反演出路段交通量大小,并可据此进行交通量与路而径流水质污染的关...     

密云水库流域2000-2005年植被覆盖度变化监测

植被是生态系统最重要的组成部分,而植被覆盖度是衡量地表植被状况的一个最重要的指标,是生态系统健康评价的前提和必要的基础。文章利用2000和2005年2个时相的Landsat 7 ETM+遥感影像为数据源,以BP神经网络法为植被覆盖度估算模型,计算了密云水库流域内不同时期的植被覆盖度,生成了该流域2个时相内的植被覆盖度图,以此分析密云水库流域植被覆盖度的时空变化。结果表明,从2000-2005年,密云水库流域内除无植被覆盖类型外(即水域部分),其余土地利用类型的植被覆盖度都呈增加趋势,其中以沙质地和耕地最为明显,分别增长了29.5%和27.3%,并且密云水库流域的平均植被覆盖度不高,尤其西部地区植被覆盖度较差,水土流失和土地沙化情况比较严重。     

基于神经网络的生化池能耗预测模型研究

我国城市污水处理的能耗处于较高水平,直接能耗中电耗占60%~90%。为了合理利用电能,以A/O工艺为基础,选取BP神经网络建立能耗预测模型,由入水信息对溶解氧进行预测,为污水处理过程中曝气量的及时调度、有效利用能量提供可靠的决策依据。     

基于MATLAB的BP神经网络模型在漠阳江水质评价中的应用研究

为提高水质评价的准确性,基于MATLAB及人工神经网络理论,采用误差反向传播的BP算法建立漠阳江水质评价模型,充分利用神经网络的非线性映射特性,取7项常规地表水水质评价指标对漠阳江水质进行评价,并将BP神经网络评价结果与单因子评价法及综合指数法的评价结果进行比较,网络运行结果表明一致效果良好.同时较传统的水质评价方法,该网络具有较高的识别精度,提高了水质评价等级的准确性,使评价的结果更具有科学性.     

安徽省PM2.5浓度反演方法对比及时空变化研究

为探讨安徽省PM_2.5时空分布特征,文章基于2015-2020年地基观测PM_2.5、AOD、植被覆盖产品以及气象要素数据等,对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度,并采用全连接神经网络模型反演了PM_2.5浓度,分析了PM_2.5浓度的时空变化特征,以及各因子对PM_2.5浓度的影响力。结果表明：3种模型中,全连接神经网络模型的精确度最高;2015-2020年PM_2.5浓度从平均51.29μg/m³递减至36.71μg/m³,季节尺度上,PM_2.5浓度冬季>春、秋季>夏季,受政策及疫情影响,2018年的秋冬季、2020年的春夏季PM_2.5浓度下降同比最快;空间上表现为皖北>皖中>皖南。10个影响因子两两交互,均比单一因子对PM_2.5浓度的影响大,其中AOD对PM_2.5的影响力最大,...     

基于神经网络的黄柏河东支流域水质遥感估算

水质安全是水环境中的关键因素,流域中复杂的空间差异一直是水质估算精度不高的主要原因。文章提出采用一阶微分算法提高遥感影像数据与实测水质参数之间的相关性,利用遥感影像数据与流域库区空间划分条件作为BP神经网络的输入模拟流域空间结构建立高精度水质反演模型。以黄柏河东支流域尚家河水库坝址以上流域为研究对象,基于Landsat-8遥感影像数据,选取主要水质参数：氨氮、总磷、高锰酸盐指数。经验证模型达到“优”精度等级,估算值与实测值最小决定系数为0.85、最小纳什效率系数为0.82、最小百分比偏差值为-9.51%、最大均方根误差与标准值比值为0.42。从水质参数估算结果空间分布图确定流域中玄庙观水库以氨氮浓度为代表污染最为严重。     

小波网络在大气污染物浓度预测中的应用

提出一种“分解-重构-预测”小波网络的大气污染物浓度的预测方法。通过小波分解,把浓度序列分解为不同频段的小波系数序列,再对各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成浓度序列的最终预测结果。经对二氧化硫浓度预测证明,该方法预测模型推广能力强,预测精度高。