基于BP神经网络的水质预测技术

针对城市污水处理厂在生化处理污水过程中测量重要过程变量困难、无法及时检测的问题,提出了基于BP神经网络的预测技术.利用某化工污水处理厂的实际运行数据对提出的BP神经网络结构进行了训练和仿真.结果表明:通过合理选择辅助输入变量,可以实现对过程变量的在线预测.     

改进的基于PCA的软件缺陷预测方法

为了避免在变量多重情况下基于PCA的软件缺陷预测出现明显失误,对传统PCA方法的缺陷加以改进,利用UML软件工程组织网站上公布的某中等规模软件公司项目功能点数据,采用改进的PCA方法对项目综合性能进行软件缺陷预测,并与传统PCA方法的预测结果进行了对比．结果表明,改进的PCA方法对软件系统的综合性能有较好的预测能力．     

基于PCA的BP神经网络股票预测研究

股票市场是国民经济发展变化的"晴雨表",股票价格的涨跌也是政治、经济、社会等诸多因素的综合反映.近几年来,神经网络取得较大发展已经成为热点研究并在各个领域中得到应用.文章基于主成分分析和BP神经网络,以中国石化100天股票历史技术指标数据作为训练样本对收盘价进行预测,20天数据进行检验,并通过图像仿真拟合来验证神经网络股票预测的可行性和准确性.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

基于GABP算法的油墨配色研究

为了提高印刷油墨配色精度,本文提出了使用遗传算法(GA)优化的BP神经网络模型GABP。首先采集了颜色样本的光谱数据和CMYK四色网点面积率分别作为输入值和输出值,然后通过遗传算法优化了BP神经网络的结构和参数,并进行了训练,最后将模型的预测精度做对比分析,使用未经遗传算法优化的BP神经网络模型的平均误差为8.6%,使用GABP模型的平均误差为4.5%。结果表明,经遗传算法(GA)优化的油墨配色模型预测精度有了大幅度提高,对印刷企业油墨配色有很好的应用价值。     

嗄呀河水质污染分布预测及影响评价

本文按改扩建工程应贯彻“以新带老”的原则，“增产不增污，污染水平不超过１９９５年实际排污水平”的精神，预测并评价了《石岘造纸厂年增产十三万吨彩色胶印新闻纸技术改造工程》建成投产后可能带来的环境影响，并针对评价结果提出了该工程建设的废水处理工程的改进建议。     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于机器学习的地下水水质预测研究

基于实测的地下水水质数据（pH、总硬度、溶解性总固体、硫酸盐、氯化物、Fe、Mn 7种）和气象数据（平均气温、最低气温、最高气温、平均最低气温、平均最高气温、20:00—20:00降水量、日降水量≥0.1 mm的时间、最大日降水量8种）,分别使用BP神经网络、随机森林（RF）和支持向量机（SVM）构建了地下水水质参数的机器学习预测模型．对于每一种水质参数,分别使用不同的机器学习算法基于不同滞后期的数据进行模拟,将结果与实测水质进行对比,选择精度最高的机器学习模型及其对应的滞后期作为该水质参数的最优模型和最佳滞后期．结果表明,不同机器学习方法和滞后期的选择对预测精度影响很大,BP神经网络对pH（R2=0.225,RMSE为2.411）、总硬度（R2=0.503,RMSE为47.973 mg·L?1）、氯化物（R2=0.994,RMSE为0.544 mg·L?1）和Fe（R2=0.302,RMSE为7.772 mg·L?1）的预测精度最高,RF对硫酸盐（R2=0.908,RMSE为3.788 mg·L?1）和Mn（R2=0.522,RMSE为0.429 mg·L?1）的预测精度最高,BP神经网络、RF和SVM对溶解性总固体的预测性能均较好（R2=0.994~0.996,RMSE为674.660~950.470 mg·L?1）．此外,硫酸盐和Mn预测模型对应的最佳滞后期为0个月,溶解性总固体和氯化物预测模型对应的最佳滞后期为1个月,pH、总硬度和Fe预测模型对应的最佳滞后期为2个月．      

基于河流水质预测的虚拟仪器程序设计

介绍了虚拟仪器的概念及其软件开发环境LabVIEW的特点,以LabVIEW软件为平台,在河流水质模型的基础上,开发建立了河流BOD—DO预测的虚拟仪器,阐明了该虚拟仪器前面板和框图程序的设计原理。该方法降低了软件的编程难度。     

窑河洼新灰场附近浅层地下水水质的预测

本文应用二维对流——弥散型水质模型,对窑河洼新灰场使用后,其附近浅层地下水水质进行了定量预测。预测结果表明,新灰场对周围浅层地下水水质影响的范围和程度是有限的。     

基于灰色理论的地下水水质预测

针对地下水水质难以预测的问题,运用灰色理论对地下水水质进行预测,并用Matlab语言编制了程序,通过对实例的计算,得到的预测值与实际值的对比,证明了该方法的可行性。同时评价了GM(1,1)模型与等维灰数递补模型对于非单调变化的地下水水质的预测精度。预测结果表明:在地下水水质非单调变化情况情况下,等维灰数递补模型的预测精度要优于常规灰色模型GM(1,1)。     

基于随机过程的南通市西山河水质超标风险分析

以南通市西山河为研究对象,通过现场采样、实验室检测获取了氨氮、总磷、六价铬、挥发酚及COD等水质指标的监测数据．采用基于复合泊松过程建立的天然水体水质超标的随机风险模型．估算了监测水质指标的超标风险率,并通过拟合优度检验,证明该模型的合理有效性．通过超标风险率的分析,得出在未来时间内,除六价铬较为安全外,氨氮、总磷的超标随机风险率均为100％,COD为99．95％,挥发酚为99．01％．西山河水质超标的风险性极大．应及时预防．     

基于RBF神经网络PCA变换的识别技术

应用RBF神经网络作为分类器用于人脸识别。提出了两个重要的准则来估计RBF单元的初始宽度,这个宽度可以控制RBF神经网络分类器的泛化能力。PCA方法把训练样本集投影到特征脸空间,以减少维数。在PCA变换的基础上,作者进一步运用FLD方法,为分类找到一个最佳的子空间,使类间距离和类内距离之比最大化。在ORL数据库上进行了仿真,仿真结果表明,该算法具有高效性和有效性。     

基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.     

苏州河水质模型的研究

本文在分析了苏州河水污染特点后,提出二种适合于潮汐河流的水质模型.该模型由DO-CBOD-NBOD等成分组成,并考虑到平流输运、物质分散、碳化耗氧、硝化耗氧、吸附沉降、大气复氧和底质耗氧等几项作用.并用河流实测资料率定各项参数,从而建立各参数的计算公式.经模型验证,本模型基本上满足了水质规划的需要,唯有些问题尚须作深入的研究.     

基于GABP神经网络的液压互联悬架建模研究

液压互联悬架(hydraulically interconnected suspension, HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,提出了一种基于遗传算法(genetic algorithm, GA)优化的反向传播(back propagation, BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明：在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。     

基于PCA的遗传神经网络在套损预测中的应用

为有效预测套损发生,掌握油水井套管的状况,减小套损所带来的损失,基于大庆油田南一区井网的现有资料,综合分析采集到的各种因素,建立了基于主成分分析的遗传神经网络模型。该模型首先对原始数据进行主成分分析,并将得到的主成分作为神经网络的输入,然后用遗传算法确定了网络的最佳初始权值和阈值,最后用神经网络进行预测。结果表明,该方法油井和水井的预测准确率分别达85%和82. 5%,证明经过主成分分析和遗传算法优化的BP神经网络的准确性和可靠性。     

基于人工神经网络与回归分析的水质预测

针对人工神经网络(Artificial Neural Networks,缩写ANN)在预测中出现的异常值现象,采用了回归分析模型得到的预测区间来控制异常值现象的方法.并且应用在黄河三门峡河段的水质预测中,氨氮通量预测的ANN模型控制前平均精度仅有50.05%,控制后该月的相对精度为90.08%,平均精度达到80.79%,整体预测精度明显提高.化学需氧量(COD)浓度的预测也有类似情况.实践表明该方法对于消除ANN模型预测中出现的异常值现象是较为有效的.     

基于BP神经网络的黄河水质预测研究

为了进一步研究高度非线性和非确定性水环境系统的变化规律,预测复杂、模糊、高度非线性河流水质。以黄河内蒙古河段为例,构建以上游断面监测数据预测下游水质变化的BP神经网络模型。模型选用L-M数值优化算法,采用3-6-1型网络结构,对黄河内蒙古河段2013—2014年各监测断面COD监测值进行训练。结果表明:BP神经网络具有很强的非线性映射能力和柔性的网络结构,可以很好地应用于黄河内蒙古河段COD预测,平均相对误差为5.66%,预测精度较高,为河段水环境治理、水质监测和控制污染提供借鉴意义。