BP网络应用于长江水质研究

运用我国地面水环境质量标准(GB3838-88)作为学习样本,选取了包括氧平衡参数、营养元素、重金属离子、油类等14个指标,运用人工神经网络BP模型对长江干流和主要支流(含湖泊)的水环境质量进行分类研究。将计算结果与GIS数字化图形相结合,表明长江干流和大部分支流水质状况基本良好,上游支流沱江、下游支流大运河及太湖已受到较为严重的污染;长江干流城镇区段已经受到一定程度的污染。      

B－P网络用于水质综合评价方法的研究

本文应用误差反向传播（Ｂ—Ｐ）算法的人工神经网络建立了水质综合评价模型。该模型应用于实例的水质评价结果表明Ｂ—Ｐ网络用于水质综合评价具有客观性和实用性。     

运用回归分析与人工神经网络预测含硫芳香族化合物好氧生物降解速率 …

为了研究人工神经网络预测有机化合物生物降解的性能，运用多元线性回归方法和误差２反向传递人工神经网络模型以基团代码作为结构描述符，分别拟合，预测一批硫芳香族化合物的一级好氧生物降解速率常数。     

两种新型流域非点源污染负荷估算模型的比较

为探索简单快捷、实用性强的流域非点源估算模型,基于降雨量差值法的基本思想,应用径向基函数(RBF)神经网络和支持向量机(SVM)2种技术,以渭河流域历年降雨量资料为基础建立了相应的流域非点源污染负荷估算模型.并将2种模型估算结果与相关分析法估算结果进行了比较,综合分析渭河流域历年径流量与三者所推得的历年点源负荷的标准差.结果表明,支持向量机的估算结果最为合理,且计算简单,操作便捷,具有实用价值.     

数值仿真技术在腐蚀与防护领域应用研究进展

简要叙述了人工神经网络在大气、海水、土壤腐蚀方面的应用,系统分析了二维、三维元胞自动机的发展现状和发展趋势,及其在金属腐蚀与防护领域的应用研究进展。最后提出作为一种新兴的腐蚀与防护研究技术方法,腐蚀数值仿真技术展示出了强大的发展动力,未来的腐蚀数值仿真技术应朝着建模网络化、功能智能化、系统集成化方向发展。     

BP人工神经网络在环境空气SO_2质量浓度预测中的应用

根据西安市雁塔区小寨环境空气监测点2011年7月31日起400 d的SO224小时平均浓度监测数据时间序列建立BP人工神经网络(ANN)预测模型,并用接下来100 d的数据对模型的仿真性能进行检验,从而验证了BP人工神经网络模型预测环境空气SO224小时平均浓度的可行性与准确度。经反复调试,最终选用2-3-1的网络结构并以trainbr作为训练算法,经34次迭代网络收敛,耗时7 s,预测结果相对于实际监测数据的平均绝对百分比误差为0.082,模型显示出良好的预测性能。预测结果表明,结构设定合理、训练算法选用适宜的BP人工神经网络模型能较好地反映SO2浓度的动态变化规律,具有可行性。     

人工神经网络在水质规划和管理中的应用

对人工神经网络在水质规划与评价、给水处理与污水处理等几方面的应用研究现状、发展趋势进行了综述，并通过一些实例分析得出：人工神经网络用于水质规划和管理不但可行，而且适应性强、结果客观、合理、具有深入开发的研究价值和良好的应用前景。     

基于RS的城市土地集约利用评价方法研究

论文建立了以遥感数据为主要数据源的城市土地集约利用评价指标体系,对城市土地利用遥感影像(IKONOS)特征进行分析,介绍评价指标遥感信息解译方法。在以遥感为主结合调查获取所有指标信息的基础上,应用综合评价和人工神经网络(ANN)模型对城市土地集约利用进行评价,通过评价结果比较,发现人工神经网络模型能够反映自变量和因变量之间的复杂非线性关系,是一种可行的评价方法。因此,论文构建基于遥感和人工神经网络(ANN)作为城市土地集约利用评价的方法体系,并应用其对石家庄市土地集约利用水平进行了评价。实践证明,这种体系构建评价方法更具时效性,实用性更强,工作更快捷、方便,评价结果更为客观。     

基于连续小波变换的土壤重金属含量反演模型

文章以博斯腾湖西岸湖滨绿洲土壤重金属Cr、Ni、Zn为研究对象，采用偏最小二乘回归、支持向量机和人工神经网络模型，通过连续小波变换，优选高光谱数据与土壤重金属含量的特征波段，构建研究区土壤重金属含量的高光谱反演模型。研究结果表明：（1）连续小波变换后，土壤重金属Cr含量相关性由0.24提高到0.45；土壤重金属Ni含量相关性由0.31提高到0.45；土壤重金属Zn含量相关性由0.31提高到0.51;(2）土壤重金属Cr、Ni、Zn含量的高光谱特征波段主要位于400～900、1 400～1 600、2 000～2 200 nm。（3）连续小波变换与人工神经网络相结合的模型精度最优，其土壤金属Cr含量的建模集和验证集的R²分别为0.91和0.84，均方根误差(RMSE)为2.40和3.91；土壤金属Ni含量的建模集和验证集的R2分别为0.91和0.84，均方根误差(RMSE)为2.40和3.91；土壤金属Ni含量的建模集和验证集的R²分别为0.88和0.82,RMSE为1.64和2.43；土壤重金属Zn含量的建模集和验证集的R2分别为0.88和0.82,RMSE为1.64和2.43；土壤重金属Zn含量的建模集和验证集的R²别为0.90和0.81,RMSE为5.20和5.93；连续小波变换结合人工神经网络模型比最小二乘和支持向量机2种模型，适合研究区土壤重金属Cr、Ni、Zn含量的反演。