船舶溢油事故等级评估方法比较

船舶溢油事故等级评估是船舶溢油应急计划研究的重要内容,它受到溢油量、事故发生位置等多种因素的影响,是复杂的多属性分类问题.利用熵值法、关联度法和BP神经网络法3种目前常用的事故等级评估方法,对上海港1984─2003年发生的12起船舶溢油事故进行了危害等级判定,以期探索溢油事故等级合理量化评估技术方法.对比了3种方法在结果一致性、误差精度上的优劣性及实际适用性.结果表明:BP神经网络和关联度法适用性较好,熵值法必须结合专家打分才能得到较好的判定结果;同时BP神经网络法的评估结果一致性比率较高,误差率较低,但存在建模成本高和对噪声较敏感的缺点.      

典型下垫面径流系数预测的神经网络方法研究

根据5种典型下垫面的径流系数的实测数据,运用LM(Levenberg-Marquardt)BP算法的神经网络模型,建立了径流系数与影响因素关系间的S型/S型数学模型。用该方法对不同降雨条件下每种下垫面的径流系数进行了预测,并与传统方法进行了比较。结果表明,该模型的预测精度更高。     

基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测

为提升含腐蚀缺陷管道失效压力预测精度,准确把控管道状态,建立基于DE-BPNN的含腐蚀缺陷管道失效压力预测模型,有效避免BPNN模型陷入局部最优问题,提升预测精度.基于61组管道爆破实验数据,分别用DE-BPNN与BPNN模型进行仿真计算.结果表明:DE-BPNN预测结果平均相对误差为3.26％,R2为0.98585,...     

基于贝叶斯网络的消防协同治理影响因素研究

为有效提升消防安全协同治理的效能,在识别和量化政府部门、企业和公民社会消防协同治理的影响因素的基础上,分别构建政府部门、企业和公民社会影响因素的贝叶斯网络模型,辨识影响实现高效消防协同治理的关键因素。研究结果表明：部门的权力与利益、有效领导和组织激励3个因素对政府消防协同治理影响最为显著;交流沟通和参与渠道分别是影响企业和公民社会的关键因素,并且基于全局贝叶斯网络模型的敏感性分析可知,政府部门是整体消防协同治理的核心,调节相关部门的权力与利益和具备有效领导的能力能有效提高政府消防协同治理水平,明显改善整体消防协同治理效能。     

虚拟仪器在机械振动试验台检测中的应用

本文介绍了基于LabVIEW虚拟仪器的机械式振动试验台检测系统的构成,工作流程和LabVIEW在其中的应用,以此展示虚拟仪器技术使得现代检测系统变得更加简单、方便、有效。     

运用神经网络分析电流测定堆肥系统中的对苯二酚

针对生物传感器检测堆肥系统中对苯二酚时存在的检测范围较小和检测精度不高等问题,在分析漆酶生物传感器检测电流信号的基础上,以传感器响应电流为输入变量,以对苯二酚浓度为输出变量,建立了神经网络(ANN)模型,对网络进行了优化,确定了最佳的网络参数(最佳隐含层神经元数为7,最佳输入层神经元数为5,最优的传递函数组合为Tansig-Logsig,最优的算法为Levenberg-Marquardt算法),并将模型预测性能同非线性回归(NR)模型进行了比较.NR的RMSE(均方根误差)为14.441 9 ìmol/L,预测值与实测浓度之间的相关系数为0.994 4;与之相比,ANN的RMSE达到4.444 2ìmol/L,预测值与实测浓度的相关系数为0.9996,预测性能明显优于NR.对苯二酚的检测范围达到0.015～450ìmol/L,在现有水平上进一步扩大了检测范围同时提高了检测精度.     

多水源用水网络优化模型研究

为了解决含有多类供水水源的用水网络优化设计问题,研究了过程工业用水特点,将各用水单元看成水阱,各单元的排水看成潜在水源,从而将供水问题转化为水阱和水源的匹配问题,建立用于多水源用水网络优化的配水模型,并详细阐述该模型应用步骤及其特点。     

虚拟生态工业园信息系统设计

文章提出了虚拟园区信息系统建设的要求,列出了虚拟园区信息系统设计应遵循的5种原则,重点介绍了由数据采集管理子系统、基础地图和基础属性数据子系统、电子数据交换(EDI)子系统、方法库子系统、应用模型子系统、环境信息管理子系统、行政管理信息子系统七个部分组成的信息系统。     

污水处理中人工神经网络应用研究的探讨

针对污水处理系统的时变性、非线性、复杂性和不确定性的特点,提出应用人工神经网络技术对其控制,实现污水处理系统自动控制。简述了目前广泛应用于废水处理的神经网络以及建模原理。结合国内外研究动态,分析了人工神经网络在污水处理领域取得的成果,结果表明:在污水处理中引入神经网络智能控制是一种提高处理效率、降低运行成本的有效方法,国内在污水处理的神经网络智能控制的研究与国外有较大的差距,国内的研究及应用还处在发展阶段,应当加强。并对神经网络待解决的问题和发展趋势作了讨论。     

基于高阶递归神经网络的AUV鲁棒控制方法

目的 提出一种基于高阶递归神经网络的AUV鲁棒控制方法。方法 利用结构简单但逼近效果优越的高阶递归神经网络,对建模不确定性和外部未知干扰进行估计,并将其补偿到输入控制律中,以提高控制性能。之后,基于HJI理论和Lyapunov稳定性分析导出神经网络权重自适应更新律和AUV自适应控制律,设计反步滑模方法作为对比方法,并进行仿真实验。结果 设计的基于高阶递归神经网络的AUV鲁棒控制方法的跟踪误差、调节时间等控制指标均优于反步滑模方法。设计的鲁棒控制方法可以控制AUV精确跟踪目标轨迹,同时具有优秀的控制性能和鲁棒性。结论 这一研究为AUV轨迹跟踪控制领域提供了一种高效且有效的方法,有望在复杂、不确定的水下环境中得到应用。