产毒微囊藻基因型及胞内外毒素含量的SVM预测

根据2021年5-8月淡水养殖池塘3个平行位点逐月实测数据,文章构建了基于支持向量机（SVM）的产毒微囊藻SNP/InDel基因型及胞内外毒素含量的预测模型。分析了各水化指标与产毒微囊藻6种基因型及胞内外毒素含量的相关系数,对原始数据归一化,以径向基函数为核函数,通过5折交叉验证确定模型最优参数,建立了用水化指标预测产毒微囊藻6种基因型的6个模型,以及用水化指标、6种基因型预测胞内外毒素含量的2个模型。结果表明：每项水化指标都至少与1种产毒微囊藻基因型或1项毒素含量的相关系数大于0.3。在8个预测模型中,对训练集预测的均方误差均小于0.07,对训练集预测的决定系数均大于0.9,平均的测试集均方误差为0.054。可见,利用SVM预测养殖池塘中产毒微囊藻SNP/InDel基因型及胞内外毒素含量是可行的,且精度较高。     

基于BP神经网络的煤层底板突水量等级预测

为了减少水灾损失并提高煤矿底板突水量预测精度,基于肥城矿区相关矿井水文地质资料,选取水压、底板裂隙发育程度、断层落差、岩溶发育程度、含水层厚度、隔水层厚度等6项指标,建立了肥城矿区底板突水量等级预测模型,采用平均影响值(MIV)方法评价了神经网络模型中各自变量对突水量等级预测的影响程度。结果表明：该模型具有较高的预测精度;肥城矿区内的小型突水主要由含水层及隔水层的属性决定;大型及特大型突水的发生与断裂构造、岩溶和底板裂隙发育程度等因素密切相关。     

基于PCA-ELM的矿井突水水源识别方法研究

为提高矿井突水水源识别精度,基于PCA-ELM模型提出了一种的矿井突水水源判别方法。通过降维获得基本控制变量,将主成分分析(PCA)应用于ELM模型的训练集、验证集和测试集,使用数据样本验证模型。结果表明：通过模拟PCA-ELM模型在10 s内进行分类,PCA-ELM模拟练习准确率达到100%;BP神经网络模拟准确率仅为83.3%,远低于PCA-ELM模型的准确性。     

基于不同指标无量纲化方法的岩爆预测模型优选

为研究不同指标无量纲化方法对岩爆等级预测模型精度的影响,提高岩爆预测准确率,选取应力系数、脆性系数和弹性能量指数作为预测指标。基于104组岩爆实例大样本数据,采用统一极差处理法、差异化极差处理法、平均化处理法和归一化处理法4种指标无量钢化方法,对预测指标的原始数据进行处理,建立不同的岩爆预测距离判别模型并进行工程实例应用。研究结果表明:基于平均化处理法的岩爆预测模型的回判准确率高达97.1%;对不同矿山、隧道和水电站的6个工程实例的预测结果符合实际情况,说明其是一种准确率高、方便实用的岩爆预测模型。     

大宁河叶绿素a的因子分值-多元线性回归预测模型研究

自从2003年三峡水库蓄水以后,其支流大宁河水华频发且频率呈上升趋势。叶绿素a(Chla)是指示水体中浮游植物初级生产力的有效指标。采用因子分值-多元线性回归方法研究了大宁河水体11个相关水质因子与Chl a之间的相关关系。因子分析用于简化水质指标之间的相关性,以因子得分（Score values）为自变量用于多元线性回归分析中。结果发现log（Chla）与6个因子分值明显相关,所获得多元线性回归模型为：log(Chl a)=0.579-0191×(Score 1)-0.013×(Score 2)-0.013×(Score 3)+0042×(Score 4)+0134×(Score 5)-0.059×(Score 6),相关系数 R= 0.731、相关系数的平方 R ²=0535,说明自变量可以解释因变量53.5%的差异性。实测数据验证结果表明：该模型能够较好的预测2010年1～10月水体中Chl a浓度的峰值和基本变化趋势     

基于人工神经网络的半连续式混合厌氧消化产气量预测

研究采用BP神经网络和模糊神经网络(FNN)模型对逐步提高有机负荷的半连续式餐厨垃圾和猪粪混合厌氧消化试验进行日产气量预测.结果表明,BP神经网络模型的预测准确率为77.63％,FNN模型为82.33％,2种模型均可用于产气预测,但FNN模型在传统神经网络模型基础上加入了模糊控制,可提高其准确率,更适用于混合厌氧消化产气量预测.     

基于BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。     

基于小波分析与BP神经网络的PM_(10)浓度预测模型

应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM_(10)浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。     

支持向量机在城市震后火灾损失预测中的应用

针对地震火灾的复杂性和多变性的特点,在综合分析了各种震后火灾损失预测方法的基础上,提出了基于支持向量机的城市震后火灾损失预测模型。以地震火灾的历史资料为依据,建立学习样本和测试样本,并与BP神经网络预测方法相比较,验证了其可行性,也为其它自然灾害的损失预测提供了简单、有效的方法。     

基于敏感参数的锂离子电池加速寿命试验评价方法

本文以18650锂离子电池为研究对象,提出了一种基于敏感参数Var(ΔQ_(100-10))的锂离子电池加速寿命试验评价方法,给出了锂离子电池循环寿命退化V-Q曲线敏感参数Matlab数据分析和神经网络拟合算法,设计开发了高稳定高精度高频采样的加速寿命试验系统,实现对锂离子电池10_～20年长寿命指标的快速评价。