应用模式识别法进行水质综合分析评价的探讨

采用模式识别法，选择了水持分析中的１０个指标，建立多维模式空间，以国标（ＧＢ）为标准，通过计算模式空间的距离，可综合分析各水厂水质的优良情况，得到了令人满意的结果。     

鄱阳湖地区洪水灾害模式分析

在对多年水文数据进行分析的基础上，利用Kohonen自组织映射对鄱阳湖地区降水时序变化、长江来水和湖水水位变化进行模式识别。之后，将所得的模式作为解释变量，用CART方法对样本年份进行分类，建立了鄱阳湖区灾害模式判别树。借此揭示了鄱阳湖地区降水和长江来水对鄱阳湖洪涝灾害的影响。     

海面溢油油种激光遥感ANN探测方法的研究

目前激光荧光遥感是探测海面溢油最有效的工具。作者将神经网络(ANN)的自组织特征映射SOM模型引入激光遥感的荧光光谱鉴别领域。本文主要进行的是理论建模和分析工作，而且用计算机软件方法实现了神经网络的模式识别和分类功能，对推广能力进行了实验分析。经过改进神经网络已具有比较理想的推广能力，并认为SOM应作为溢油识别的较理想方法。     

人工神经网络技术在林火重灾年预测中的应用前景

通过对人工神经网络技术先进性的论述，说明了神经网络模式识别方法存在着传统模式识别方法所不个备的优越条件，应用它对林火重灾年进行中长期预测是完全可行的，而且应用前景十分美好。     

基于模糊模式识别的矿井动力灾害预测

随着煤矿采掘强度和深度的不断加大,煤与瓦斯突出、冲击地压等矿井动力灾害愈发严重。对矿井动力灾害的准确预测,有针对性地采取防治措施,可以保证矿井安全生产和人身安全。基于地质动力区划方法,确定了矿井动力灾害的各影响因素,采用模糊数学方法将样本进行聚类分析,结合各样本的危险性确定合理的分类并形成标准模式库,对预测样本进行模式识别,建立了矿井动力灾害的危险性预测模型;以煤与瓦斯突出为实例对该模型进行了检验,初步证明了该方法的可靠性和科学性。     

大河三角洲环境脆弱性评价方法与应用

大河三角洲区域是我国重要的经济区域和人口密集区域,经济的快速发展与人口的大量集聚严重影响着大河三角洲的生态环境。为保证社会经济与生态环境的和谐发展,首先构建了包含人类活动和自然因素的大河三角洲环境脆弱性评价指标体系,设计了评价指标量化方法;然后对比分析了模式识别方法与层次分析法在黄河三角洲环境脆弱性评价的应用效果,确定了以层次分析法作为大河三角洲环境脆弱性评价模型;最后基于RS技术与GIS软件平台实现了大河三角洲环境脆弱性评价与空间分布格局分析。结果表明:黄河三角洲环境脆弱性各等级类型的分布面积差别不大,其环境脆弱性等级空间分布呈现自东北沿海向西南陆地逐渐减弱的趋势,环境脆弱性等级主要受自然因素的影响与制约;长江三角洲环境脆弱性主要表现为轻度脆弱(39.46%)和极度脆弱(26.46%),环境脆弱性等级空间分布呈现自长江沿岸向两侧逐渐减弱的趋势,环境脆弱性等级主要受人类活动的影响与制约;珠江三角洲环境脆弱性主要表现为重度脆弱(38.98%)和极度脆弱(30.89%),环境脆弱性等级空间分布呈现自珠江沿岸向两侧逐渐减弱的趋势,环境脆弱性等级主要受人类活动和植被的影响与制约;统一等级分级标准后发现长江三角洲环境脆弱性最严重,黄河三角洲环境脆弱性最低,珠江三角洲环境脆弱性居中,故大河三角洲环境脆弱性主要受人类活动和植被的影响和制约。     

祁连山自然保护区生态承载力分析与评价

以层次分析法和模糊模式识别为基础,建立生态承载力综合评价模型,重点分析祁连山自然保护区森林、草地和农田3种受人类活动干扰最强烈的生态系统的生态承载力和生态荷载,在此基础上进一步分析整个保护区的总体生态承载力和生态荷载。结果显示,祁连山区域生态系统已经受到人类活动的强烈干扰,生态荷载总体处于严重超载状态。但区域生态系统内部各子系统之间以及生态荷载的空间分布存在差异。其中,森林子系统和草地子系统属于严重超载,农田子系统属于中度超载;在总体生态荷载的空间分布上,西北部地区比东南部地区超载更为严重;就各子系统的生态荷载状况而言,森林子系统和草地子系统的超载程度均表现为东南部地区略低于西北部地区,但农田子系统东南部地区超载程度高于西北部地区。     

基于模糊识别和遗传神经网络的渤海湾叶绿素a预测研究

由于海洋生态系统的高度复杂性和非线性,利用新兴的水信息学技术,包括模糊模式识别、遗传算法、人工神经网络等构建渤海湾叶绿素a预测模型.以渤海湾实测水质数据为依据,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,从而避免陷入局部最优解,构建GANN叶绿素a预测模型.模型预测的均方根误差为3.81 μg/L,仿真...     

基于机器学习的天然气钢质管道缺陷检测方法研究

针对天然气钢制管道缺陷超声检测模式识别问题中，传统方法对信号进行分解并提取分解后本征模态函数的特征时，直接忽略残差信号这一问题，提出首先对检测回波信号进行经验模态分解(Empirical Mode Decomposition, EMD),并对比时域残差信号，直接对残差信号进行统计特征提取。其次，用天牛须搜索算法(Beetle Antennae Search algorithm, BAS)优化的最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)进行分类试验。试验结果表明，基于EMD-BAS-LSSVM的天然气钢质管道缺陷检测方法针对人造缺陷的识别准确率为75.71%,针对天然气站场和抢险维修中心现场的管道缺陷检测准确率为65.78%,有效识别了天然气钢质管道腐蚀缺陷。