湖泊水质富营养化评价的模糊神经网络方法

为了探索人工神经网络用于湖泊营养化评价的可能性,提出了基于多准则学习的模糊神经网络湖泊水质营养化评价模型。该模型应用于我国五大主要湖泊水质营养化的评价结果表明,模糊神经网络用于湖泊水质营养化评价,具有简便、实用、客观性和广泛的通用性。      

基于BPNN的一江两河流域水体中重金属浓度预测

本文将反向传播神经网络(BPNN)应用于青藏高原一江两河流域(雅鲁藏布江山南段、拉萨河、年楚河)水体中重金属浓度预测,探讨了输入变量、预测因子、隐藏层节点数和模型结构的影响.模型以溶解氧(DO)、pH、电导率(EC)、总磷(TP)、铁(Fe)作为网络的输入层,重金属砷(As)、锑(Sb)、钼(Mo)、锰(Mn)的含量作为网络的输出层,使用Levenberg-Marquardt (LM)算法进行训练.其中,BPNN隐藏层的传递函数为tansig,隐藏层节点数为9,输出层的传递函数为purelin,输出层节点数为4.结果表明：(1)以单个元素作为预测因子时,As、Sb、Mo、Mn预测值和实测值的决定系数(R²)分别为0.98、 0.933、 0.894、 0.928;均方根误差(RMSE)分别为：9.7168×10^-4、 1.2508×10^-4、 3.3159×10^-4、1.9188×10^-3.(2)以4个元素作为预测因子时,预测值和实测值的决定系数(R²)为...     

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

基于混沌理论和模糊控制理论的深基坑变形预测研究

深基坑开挖引起的基坑侧移、基底隆起、坡顶沉降、相邻建筑物倾斜等的各种变形直接影响着建筑现场施工人员的生命财产安全,以及其周围建筑物、构筑物的安危.随着城市地下交通运输网和高层建筑物的大量兴建,使得城市建筑密集地区的大型深基坑工程越来越多,因此对其变形的监测与预报等相关课题的研究受到越来越多的重视.     

驾驶员注意涣散检测技术研究

通过对注意涣散时驾驶员头部运动及面部表情变化特征的分析,系统实时监测驾驶员眼睛、嘴巴位置和运动状态信息,构建驾驶员注意涣散特征表征参量,实现对驾驶员注意涣散状态信息的检测与提取。驾驶员注意涣散表征量具有复杂的非线性特征,利用BP神经网络非线性识别的优势对驾驶员注意特征进行模式分类,实现驾驶员不同注意涣散状态下的特征捕捉。同时采用Dempster-Shafer证据推理技术,对驾驶注意涣散多源表征信息进行决策融合,实现对驾驶员注意涣散状态的判断。结果表明,BP神经网络与D-S规则多源信息决策融合技术的运用提高了驾驶员注意涣散特征检测的准确性和可靠性。     

基于信息融合的自然灾害等级评估方法研究

为对自然灾害灾情等级进行准确评估,在BP神经网络模型的基础上,结合DS证据理论建立基于信息融合的自然灾害灾情等级评估模型。该模型通过对输入的灾害评估指标数据进行分类,建立网络组,对网络组的输出,建立对于各类信任度的基本概率分配函数,最后利用DS证据理论融合,从而实现灾害的最终等级评估。在MATLAB环境下,以我国45个自然灾害的灾情历史资料数据为训练样本进行模型训练,并对2009年自然灾害灾情进行评估测试。结果表明,该模型能改善单一BP神经网络不稳定、误差大的缺点,得到较优的结果。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

重大危险源事故风险预警技术研究

重大危险源事故风险预警技术是事故控制技术中的一大研究重点。本文通过对比分析安全生产领域常用事故预警模型的优缺点,总结了事故预警模型的发展趋势,提出了基于模糊综合评判技术和动态模糊神经网络技术的重大危险源事故风险预警模型,详细陈述其构建过程,最后对液化石油气蒸气云爆炸事故应用该模型,得到了较好的预测效果,实现了风险程度的定量化预警。该预警模型具有快速的自学习能力和容错能力,能够同时处理多种风险因素、自动生成模糊规则并满足预警系统的实时性要求,可应用于重大危险源在线监控预警系统,为企业端和政府端监管者提供有效的重大危险源事故风险定量化预警信息,为遏制重大灾难事故的发生、减少死亡人、数受伤人数和直接经济损失提供先进的理论和技术支撑。     

基于RBFNN的催化再生烟气二氧化硫浓度预测研究

为了提前掌握催化裂化再生烟气中二氧化硫的排放浓度,有效动态指导烟气脱硫设施运行参数调节,研究开展了RBF和BP神经网络在催化裂化再生烟气二氧化硫浓度预测中的应用。通过业务和数据分析,确定了影响再生烟气二氧化硫浓度的工艺特征变量。利用2组采用不同方法清洗的数据,对比分析了RBF和BP神经网络模型在提前15 min情况下,预测再生器出口二氧化硫排放浓度的效果,结果表明2种模型的预测精度分别为90.36%和86.43%。RBF神经网络二氧化硫浓度预测模型经过400个工业样本测试,浓度预测值的最大误差为14.01 mg/m³,最小误差为0.05 mg/m³,平均误差为6.08 mg/m³,满足企业现场应用的要求。     

结构应力逆向推演模型及其不确定度定量分析

目的 针对现有结构安全在线监测与评估方法存在的短板,结合人工智能方法探索新的解决方案。提出一种基于有限测点应力逆向推演整体结构应力分布的方法,以数据驱动的模式,基于神经网络技术搭建算法模型。方法 以结构有限元仿真数据为基础,运用相关性分析方法,获取代表结构响应特征的有限个测点,利用神经网络方法构建基于有限测点应力推演结构全场应力分布的算法模型。结果 以科学试验平台的连接器结构为对象,开展该算法模型的应用研究,并且对该应用实例下的算法模型开展不确定度分析,推演结果的相对不确定度u95rel为8.6%。结论 该算法模型的推演结果正确反映了结构总体响应特征。从建模过程角度分析,该算法模型的不确定度来源主要包括相关性分析方法、神经网络建模以及模型收敛条件3个方面。