苯砜基羧酸酯类化合物急性毒性的预测模型

用MATLAB软件编程计算了56个苯砜基羧酸酯类化合物分子电性距离矢量(mk),同时用Hyper chem8.0程序包计算了它们的理化参数.这两类结构参数被用于建立苯砜基羧酸酯类化合物急性毒性的预测模型.通过最佳变量子集回归的方法构建多元线性回归模型:-lg EC50=4.724+30.275m7+0.061m24+6.468m85+0.880m90-0.003V-0.096(lg P)2.该模型具有良好的稳健性和较强的预测能力.以模型中的6个参数为人工神经网络(ANN)输入层,设定6∶4∶1的网络结构,用BP算法构建人工神经网络模型,其相关系数R2为0.986.结果表明,神经网络BP算法模型的预测结果优于多元线性回归模型的预测结果.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

保山市隆阳区PM10浓度与气象因子的相关性研究

根据保山市隆阳区2009年1—12月的PM10质量浓度资料以及同期的气象资料,对PM10平均质量浓度数据在不同时间和空间上进行分析,并采用逐步回归方法建立了空气污染物PM10与气象因子的回归模型。模型结果表明,PM10预测值与实测值比较吻合,变化趋势一致。结合该课题得到的结论和PM10产生的根源,提出了PM10污染防治措施。     

最优组合预测及其在瓦斯浓度预测中的应用

瓦斯浓度预测是预防煤矿瓦斯事故的关键技术之一,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现瓦斯浓度预测模型的最优组合,利用实际数据、通过与单一时间序列模型、线性回归模型及人工神经网络模型的预测精度对比分析,验证了瓦斯浓度最优组合预测模型的有效性和实用性。     

基于深度神经网络的空气质量预测系统

提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2. 5、PM10等污染物数据作为样本.本模型基于Java平台构建,进行了训练和参数调整,建立了最优的空气预测模型.根据北京市的实验结果表明,该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比,本文提出的模型具有优越的性能.     

基于神经网络冷再生层最大剪应力预测

目的针对乳化沥青冷再生路面内部剪应力过大易导致路面产生车辙等路面破坏问题,对其内部剪应力进行预测,减少此类病害,更好地选择路面结构参数,提高冷再生层内部抗剪强度.方法以乳化沥青冷再生层的厚度、模量,水泥稳定碎石的厚度、模量以及土基模量为输入参数,以冷再生层最大剪应力为输出参数,运用遗传算法对初始参数进行优化,运用灰色神经网络理论构建冷再生层最大剪应力预估模型;构建多元线性回归模型预测最大剪应力,对二者的预测能力进行分析.结果笔者建立的神经网络模型预测值与实测值拟合效果良好,最大误差仅为4.119 2%,能够进行准确预测.多元线性回归和灰色神经网络预测模型,都可用于冷再生层最大剪应力的预测,但灰色神经网络模型对冷再生层最大剪应力数据的预测结果较优.结论把灰色神经网络预测模型与沥青路面结构的设计联系起来,可以更好地控制乳化沥青冷再生路面的剪切破坏.     

基于线性回归与神经网络的储层参数预测复合方法

为提高储层参数的预测精度,提出一种利用测井资料,结合多元线性回归和神经网络预测储层参数的新的复合方法,具体分两步:(1)通过多元线性回归分析建立回归值y'的计算模型,将y'作为储层参数的初步预测值;(2)通过RBF神经网络建立y'的残差Δd的预测模型,将预测结果Δd作为y'的非线性误差补偿,最终建立储层参数解释模型,y=y'+Δd。基于该方法,结合测井资料和岩心数据,建立了鄂尔多斯盆地某致密砂岩气田M3井区S_2~2、T_2~2段孔隙度和含水饱和度的测井解释模型,结果显示,新方法建立的模型预测值与S_2~2、T_2~2段实际岩心孔隙度、含水饱和度值的平均相对误差均小于17%,明显优于单独根据多元线性回归分析或RBF神经网络建立的解释模型,预测精度更高。     

人工神经网络在苏州空气污染预报中的应用

人工神经网络在预测预报领域的应用越来越广泛。简单介绍了BP神经网络的基本原理,较详细地回顾了国内BP神经网络在空气污染预报领域的研究应用情况,并建立了苏州市区SO2浓度预报的BP神经网络,预报结果表明:该模型具有简便、快速、准确的优点,可推广用于其它空气污染物的预报。     

饱和醇结构-保留定量相关的人工神经网络模型

以拓扑指数为结构描述符,用基于Levenberg-Marquardt优化的BP神经网络建立了醇类化合物的结构与色谱保留值的相关性模型,用于未知醇类化合物在SE-30和OV-3两根色谱柱上保留指数的同时预测,其学习速率优于文献中普通BP神经网络法,预测准确度与普通BP神经网络法接近,但优于多元线性回归法,因而是一种较好的预测有机化合物气相色谱保留指数的方法.     

南京地区PM2.5和PM10浓度分布特征及与相关气象条件的关系

利用2014年12月至2015年5月南京市PM_(2.5)和PM_(10)的质量浓度以及天气观测数据,研究南京市颗粒物浓度空间、时间分布特征及其与相关气象因子的关系。研究表明PM_(2.5)和PM_(10)同季节内高度线性相关,时间分布具有明显的季节性差异;PM_(2.5)与风速呈负相关关系,与降雨清除量呈正相关关系;相对湿度达到75%左右时污染最严重。研究首次将其他污染气体和相关气象因子结合起来,用逐步回归法建立PM_(2.5)预测模型,能较好地拟合冬春两季PM_(2.5)变化趋势,较准确地反映南京市PM_(2.5)的污染特征,具有一定的理论和实用价值。     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

基于MIV-BP神经网络的公交场站污染物暴露水平测评

为了研究城市居民在公交场站污染物暴露水平下的影响程度, 分析交通、公交场站、气象条件及周边环境对污染物浓度的影响, 本文通过测量早晚高峰以及平峰期间的PM2.5浓度、CO浓度、风速、温度、车流量等10个因素, 采用平均影响值（MIV）与BP（back propagation）神经网络相结合的方法, 确定公交场站污染物暴露水平的主要影响因素, 并在此基础上建立MIV-BP神经网络测评模型。评估结果表明：公交场站PM2.5的暴露浓度与公交停靠站类型、车流量、小车流量、大车流量、风速、湿度、降雨量有关;CO的暴露浓度与瞬时停靠车辆数、公交停靠站类型、湿度、风速、温度、车流量有关;改进后的MIV-BP神经网络模型较BP神经网络具有更高的预测精度和准确度, 可有效对公交场站污染物暴露水平进行测评。     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于消光系数的机场PM2.5质量浓度神经网络预测模型

分析了气溶胶粒径吸湿增长因子、风速和NO_2与消光系数和PM_(2.5)质量浓度之间的相关性及影响规律。提出了一种基于消光系数的机场PM_(2.5)质量浓度神经网络预测模型。首先,建立消光系数与PM_(2.5)质量浓度之间的定量关系,并分析相对湿度对其影响。然后,分析风速和NO_2对消光系数和PM_(2.5)质量浓度的影响。最后,将四项参数与PM_(2.5)质量浓度之间的复杂关系通过模糊神经网络进行学习和表达,实现PM_(2.5)质量浓度的预测。使用实测PM_(2.5)质量浓度数据对预测模型进行了对比验证。结果表明,该预测模型的预测精度较高,能较为客观的反映机场PM_(2.5)质量浓度的变化情况,这对研究颗粒物质量浓度对机场能见度的影响规律以及机场周边污染治理决策提供数据支持具有重要的意义。     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．