基于风险神经网络的大气能见度预测

针对空气污染导致大气能见度降低的预测研究,构建了一个风险神经网络模型,模型以6个气象因子、3种主要污染物(SO2,NO2,PM10)浓度和能见度作为输入因子,输出为24h后能见度的预测值.该模型对低能见度情况的数据给予相对较高的风险值,而对高能见度情况的数据则给予相对较低的风险值.以天津市2003~2007年的气象数据对模型进行检验,结果表明该风险神经网络模型优于传统神经网络模型和线性回归模型.     

基于RBF神经网络的湖库水质富营养化程度评价模型

运用人工神经网络中的RBF网络算法,建立一种新的湖库水质富营养化程度评价模型。对我国污染差异分布广泛的12个湖库的水质富营养程度评价数据中的10组作为训练样本进行网络的建立,剩余2组用于网络的检验。结果表明:该方法建立的评价模型比文献[1]利用多元统计分析方法建立的评价模型更加简便有效。     

基于B-P人工神经网络的环境测点的优选

为了对有多项污染物的环境测点进行优选,提出了单项污染物对环境作用的“相对贡献率"和多项污染物对环境综合作用的“作用和贡献率"的新概念及其计算公式。将B-P神经网络原理与逐步聚类分析思想相结合,用于环境测点聚类优选。该方法用于成都市12个环境测点的优选结果符合客观实际。此外,它还具有简便实用、客观性好的特点。      

水质综合评价的B—P网络模型

为探索人工神经网络用于水质综合评价的可能性,提出了基于Ｂ－Ｐ算法的人工神经网络水质综合评价模型。实例研究表明,Ｂ－Ｐ网络模型用于水质综合评价简便实用,具有客观性和通用性。     

基于BP神经网络的机车车辆智能火灾防控系统设计

设计了一种分布式模块化机车车辆智能火灾防控系统,该系统由车载主处理器、多个车载现场处理器、多个传感器和多个执行器构成,各控制单元可根据各种机车车辆车型灵活配置。车载主处理器通过BP人工神经网络算法实现对火警的智能识别,可根据环境因素调节火警判断时的相关参数,适用性强,有效提高火灾防控的准确性,进而更好地保障机车车辆的运行安全。     

基于案例推理的化工园区应急资源需求预测

为确定化工园区突发事故的应急资源需求,提出了一种基于案例推理的化工园区应急资源需求预测方法.该方法主要由三部分组成:(1)基于案例推理的模型构建;(2)化工园区事故的案例描述;(3)基于人工神经网络的案例适应.最后,以石化园区火灾爆炸事故的应急资源需求预测验证该方法的有效性.研究表明,该方法可以实时地对化工园区应急资源...     

综合环境质量的B－P网络二级评价

为了探索人工神经网络应用于环境质量评价的可行性和合理性,应用人工神经网络的B－P模型,构造了大气、水质和噪声的综合环境质量的B－P网络二级评价模型。并将该模型应用于实例作效果检验。结果表明B－P网络用于环境质量评价适应性强,方法可行,结果合理。      

环境监测优化布点的人工神经网络模型

采用B－P算法的人工神经网络,对选定的标准样本进行训练,用训练结束后网络的稳定权值和阈值,并结合标准样本的网络输出,即可对环境监测样点进行优选。应用于大气环境监测优化布点的实例结果表明,人工神经网络用于环境监测优化布点是可行的     

太湖生态系统的人工神经网络模拟研究

指出了传统生态学数学模型的不足 ,并建立了太湖生态系统的人工神经网络模型。以 2 0 0 1年 5～ 1 0月全太湖 2 6个采样点的实测水文、水质、气象等资料作为输入因子 ,建立了训练样本、检验样本和测试样本 ,并以各采样点的浮游植物量作为输出因子。网络的学习效果显示模型的性能很好 ,对 2 0 0 2年 8月各采样点浮游植物的预测结果也与实测值吻合较好 ,说明模型的推广能力很强。     

基于BP人工神经网络和模糊理论的太湖蓝藻水华发生风险评价

目前,湖泊蓝藻水华是我国乃至世界的重大环境问题之一。蓝藻水华的暴发机制复杂,具有明显的不确定性。以太湖为例,根据近5 a水环境和水华发生的实测数据,结合BP（Back Propagation）人工神经网络和模糊理论,建立了蓝藻水华发生风险的模糊风险评价方法。对太湖9个水环境功能区的评价结果表明：西部沿岸区、梅梁湖蓝藻水华发生风险最大,为重度蓝藻水华风险区;竺山湖、五里湖次之,为中度蓝藻水华风险区;南部沿岸区、贡湖、湖心区为轻度蓝藻水华风险区,东太湖和东部沿岸区水华发生风险最小,为轻微蓝藻水华风险区。建立的评价方法和评价结果,可为蓝藻水华的预测、预警以及风险管理提供参考和依据。