基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测，而少有对未监测区域进行预测的问题，综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响，提出了一种联合训练模型MLP&ST(MLP&spatial-temporal)，模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index, AQI）。通过实验结果对比确定最佳历史时间步长P值为29；然后将模型与其他空气质量预测模型进行对比。实验结果表明，MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型，验证了所提出模型具有良好的预测效果。     

基于机器学习的空气质量模型分析与研究

【目的】传统的空气质量计算方法已经难以满足当前社会的需求，基于机器学习的空气质量模型的分析与研究有助于提高空气质量预测的准确性和及时性。【方法】选取郑州市2019年全年空气质量和气象的逐小时数据，分别分析了空气质量与空气污染物因子的相关性以及空气污染物因子与气象要素的相关性。以空气污染物和气象要素作为输入因子，采用机器学习的方法建立多个回归模型，最后通过对回归模型的评估，根据评估的结果选取合适的预测模型。【结果】通过对回归模型评估指标的三种方法进行对比发现，随机森林模型效果较好，验证了机器学习的方法非常适合于空气质量的预测。【结论】本研究适应于站点的模型建立与预测，下一步应继续进行深度研究，从站点来繁衍出格点的实况预测模型。     

基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

哈尔滨市空气质量变化趋势研究

对哈尔滨市2014～2018年的空气质量进行了研究和分析,建立变系数部分线性模型,分析供暖、秸秆焚烧、温度、风级、湿度五个因素对哈尔滨市空气质量变化的影响,通过轮廓过最小二乘方法对常系数和变系数进行估计.结果表明:哈尔滨市的空气质量指数变化与时间变化关系明显,秋冬季节供暖和秸秆焚烧的排放物对空气质量影响显著,哈尔滨市十月份到三月份的空气质量指数明显高于其他月份,且空气质量指数呈逐年下降趋势.     

秦皇岛市海港区大气质量检测与分析

对秦皇岛海港区四个功能区(工业区、商业区、居民区、郊区)的大气质量进行了监测。通过两种污染因子(二氧化硫和氮氧化物)浓度变化曲线的分析,得出秦皇岛海港区空气质量现状及原因,并对影响两种污染因子的外界因素进行了分析,在此基础之上提出了秦皇岛海港区空气质量改善的建议。     

基于Tableau的合肥市空气质量可视化分析

以"天气后报网"为数据源,通过现实情况验证数据准确性,利用Python爬虫技术,选用2014—2018年合肥市空气质量数据,基于Tableau软件对收集的空气质量数据进行了可视化分析。分别从空气质量指数、质量等级、空气质量预测三个方面对合肥市空气质量进行可视化分析和总结,揭示合肥市空气质量特征和未来空气质量发展趋势。     

空气质量指数计算的数学模型

根据2013年全国研究生数学建模竞赛中的附表1和附表2的数据,研究空气质量评价.联系实际分析论证了现有模型的局限性,在现有的国家最新空气污染物监测标准的基础上应用半集均方差原理建立一种新的空气质量指数计算的数学模型.     

阐述环境空气质量预警预报的天气分型多元性回归模型的运用

阐述了空气质量预警预报的概念,提出空气质量模型要素要点以及质量预警预报模型分析,为环境空气质量预警预报模型的创建提供参考     

我国空气质量监测网络构建与展望

"十二五"对我国空气质量提出较高要求,构建城市站、背景站、区域站统一布局的环境空气质量监测网络势在必行,该网络的建立面临严峻的挑战,但建成后效果令人期待。建立一个功能全面、点位合理、体系完备的环境空气质量监测网络,形成监测"天地一体化"的格局,需要多方面的共同努力才能实现。     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分，从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵，其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重，结合用户评分数据经过降噪自编码神经网络训练，得到用户-项目预测评分，然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明，所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据，具有较高的推荐准确率.     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。     

一种基于双重网络模型的单幅图像超分辨率方法

本文对深度学习领域中的高效亚像素卷积神经网络（efficient sub-pixel convolutional neural network,ESPCN）算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明：该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。     

基于三维卷积和CLSTM神经网络的水产养殖溶解氧预测

提出了一种基于三维卷积和卷积长短期记忆（convolutional long short-term memory,CLSTM）神经网络的水产养殖溶解氧预测模型。首先,将输入向量及其转置相乘形成一个单通道矩阵,把一定时间段内的单通道矩阵堆叠成一个立方体作为输入数据;然后,将输入数据进行连续两次三维卷积来细化溶解氧相关因素的特征,并删除池化层以简化计算;最后,将三维卷积抽取的特征结果输入CLSTM模型以提取时间维度的信息,在全连接层根据梯度下降算法将数据反向更新。采集湖北省襄阳市某家特种水产养殖有限公司的实际数据进行实验。结果表明：相比于传统BP神经网络模型、Conv3D、Conv2D,所提出的模型具有更快的训练收敛速度、更高的预测精度和更好的预测稳定性,可以满足实际生产的需要。     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。