基于机器学习方法的太湖叶绿素a定量遥感研究

为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的“过学习”等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.     

基于结构化设计的湖、库富营养化模型研究

基于结构化设计概念，将LEEDs模型与人工神经网络模型耦合，建立湖、库富营养化模型，模型包含N、P、COD、水温、水深和流速等6个控制模块。并以三峡水库为例预测结果表明，在3月和9～10月，月平均气温约为17℃，水深约为5m，流速约为0．02m／s时，三峡库区水体富营养化指标最大。模型具有可扩展性强，维护、升级容易等优点，可对模型中各个相对独立的模块进行调整，以适应不同湖库的实际情况。     

利用人工神经网络模型评价胶州湾水域富营养化水平

考虑到影响富营养化的指标之间是非线性的关系,建立了5-5-1拓扑结构的人工神经网络模型.利用此模型的冲量算法和LM算法对胶州湾海水的富营养化水平进行了评价.结果表明,两种算法所得结果基本一致,胶州湾西北部、北部和东部海域已达到富营养化,其他海域处于中度营养水平.富营养化与沿岸工农业废水、生活污水和养殖废水的排放、湾内海水与外海水的交换速率以及水域水深条件密切相关.人工神经网络模型评价的胶州湾水域的富营养化状态与真实情况接近,因此,利用人工神经网络模型评价海水富营养化是快速、简便、有效的方法.     

基于模糊人工神经网络的安全风险评估模型

针对安全风险的复杂性、不确定性和不可预见性特征愈加明显的发展趋势,提出了一种基于模糊人工神经网络的风险评估模型.在传统事故树分析方法的基础上,引入模糊集理论和层次分析法,利用三角模糊数收集、整理专家的专业性判断语言,然后通过聚类分析和去模糊化处理得到事故树中基本事件的发生概率.将基本事件作为人工神经网络的输入层神经元,顶上事件作为输出层神经元,形成事故树嵌入人工神经网络的方法,提出该人工神经网络的构建、训练及测试方法.以沿海航行船舶的沉船事故作为风险评估案例应用该风险评估模型,结果表明,该模型的计算误差(均方误差)在0.013～0.014,精度符合应用要求,与传统事故树计算方法得到的结果相比,二者差值绝对值的平均值、最大值及均方误差分别为0.009 3、0.019 6和0.005 2,二者计算结果的一致性较好.所构建的风险评估模型在自我优化、使用便捷性和动态适用性方面优势明显.     

计算智能主要算法研究

本文介绍了计算智能及其四种主要算法:人工神经网络、模糊算法、进化算法、蚁群算法.详细描述了每个算法的生物学基础、计算原理及其特点,以及基于每个算法的优化设计,并对它们已有的成果及在工程应用中所存在问题作简要的讨论.最后总结了四种算法的优势并预测了计算智能的发展趋势.     

大型活动拥挤踩踏事故BP神经网络安全评估方法应用分析

根据大型活动拥挤踩踏事故是一个极其复杂的多因素、多变量、多层次的人-机-环境系统,利用数学建模的思路,引入人工神经网络评估方法;以沈阳世博会开幕式为例,通过前馈型BP网络训练和测试,将开幕式举办过程中的人员拥挤踩踏事故风险系统划分为人的因素、物的因素、环境因素、管理因素4个子系统和拥挤踩踏事故综合评估总系统,分别对其进行拟合分析,在各个系统的拟合残差满足条件的情况下,得出量化的评估预测值及BP神经网络的使用范围。研究实例表明,BP神经网络评估结果直观易懂,可操作性强,是值得推广运用的一种评估方法。     

基于BP模型的磷酸铵镁法除磷模拟研究

以实际试验数据为依据,通过网络结构优化建立了一个可用于磷酸铵镁法除磷模拟的BP神经网络模型。二维和三维的数值模拟表明,所建立的BP模型能够获得多因素条件下磷酸铵镁法除磷的变化规律和趋势,可为进一步的MAP法除磷及磷回收试验研究提供重要参考依据。     

多元回归和BP人工神经网络模型对混合厌氧消化产气量的预测研究

在中温且控制pH值条件下,对脂肪类单基质和城市污水厂剩余污泥进行混合厌氧消化试验。基于多元回归原理和BP人工神经网络原理,对其建立产气量预测模型。由实验数据计算得出:两个阶段多元回归模型的预测平均准确率分别为75.69%和79.29%;BP神经网络模型的预测平均准确率为79.05%。通过对比两种模型的预测结果可知,两种模型都有较高的预测准确率,但BP模型的预测准确率更高,更适用于混合厌氧消化产气量预测。     

Carrousel氧化沟系统出水COD预报的神经网络模型

以河南漯河市污水净化中心的氧化沟系统为考察对象,针对该系统进水水质复杂,控制滞后的难点,引入人工神经网络的理论和方法,对其进行模拟分析,建立了基于BP网络的氧化沟系统出水COD预报模型。模型性能检验和灵敏度检验表明,建成的模型准确度高,适应性强,可直接用于该系统出水COD预报。这为氧化沟工艺在线控制提供了一条简便的途径。