基于人工神经网络的街道峡谷NO_x浓度的数值模型研究

通过对反向传播人工神经网络的算法和网络结构的研究,发现拟牛顿算法训练速度较快,能够较好地接近误差目标值,同时建立了包括输入层、隐含层、输出层的人工神经网络三层拓扑结构。通过对街道峡谷人工神经网络的训练,模拟计算了街道峡谷NOx浓度分布值。结果显示,训练误差和测试误差比为1.11,训练样本的模拟值与实测值的相关系数为0.93,测试样本的模拟值与实测值的相关系数为0.87,模拟值与实测值的相关系数均高于显著水平为α=0.05与α=0.01所对应检验性表的相关系数临界值。该模型能够用于街道峡谷污染物浓度的模拟计算,具有较好的泛化能力。     

基于人工神经网络的街道峡谷NOx浓度的数值模型研究

通过对反向传播人工神经网络的算法和网络结构的研究,发现拟牛顿算法训练速度较快,能够较好地接近误差目标值,同时建立了包括输入层、隐含层、输出层的人工神经网络三层拓扑结构。通过对街道峡谷人工神经网络的训练,模拟计算了街道峡谷NOx浓度分布值。结果显示,训练误差和测试误差比为1．11,训练样本的模拟值与实测值的相关系数为0．93,测试样本的模拟值与实测值的相关系数为0．87,模拟值与实测值的相关系数均高于显著水平为α=0．05与α=0．01所对应检验性表的相关系数临界值。该模型能够用于街道峡谷污染物浓度的模拟计算,具有较好的泛化能力。     

街道峡谷机动车尾气污染扩散模拟与影响因子分析研究

为预测和分析街道峡谷污染物浓度,研究了街道峡谷污染物浓度影响因子.利用重庆市交通干线街道峡谷两侧NOx浓度的监测数据,验证了街道峡谷机动车尾气污染扩散模型--OSPM模型.风速转换系数修正后的OSPM模型的模拟值与实测值的R达0.862 58;风场因子验证了风速转换系数修正后的OSPM模型能较好地模拟重庆市街道峡谷的污染物浓度,一定程度上能满足环境空气质量评价要求.同时,通过分析OSPM模型的影响因子,提出了控制街道峡谷机动车尾气污染状况的建议.