苏北某县大气中颗粒物来源解析研究

根据历史和现状监测数据,分析了苏北某县主要污染物的浓度特征,同时利用源清单法和受体模型法研究了该县主要大气排放源的空间分布及颗粒物来源解析。源解析结果表明,PM_(10)主要来自建筑尘,其贡献率可达到31.14%;其次是煤烟尘,贡献率为15.84%。对于PM_(2.5)来说二次无机气溶胶以及煤烟尘是最主要的来源,其贡献率分别为25.9%、22.68%,其次是机动车尾气,贡献率为19.49%。     

一种基于因素贡献率的自适应前馈网络算法

前馈网络具有很强的信息处理能力，但是实际应用中的样本量有限，训练出来的网络效果不太理想，本文提出一种自适应前馈网络算法，通过调节参数α向量，使网络结构按精确度和推广能力来综合考虑，若训练出来的网络满足先决条件，就认为网络规模是合适的，此算法不仅能删除隐层中的节点也能删掉输入层中若干总贡献率小的节点，从而避免了维数灾难，并给出一种调整剩余权重的算法，避免重新训练，文中讨论了网络结构的重要性，并用该方法进行仿真实验，结果证明了自适应前馈网络算法具有较强的建模能力。     

玉溪市中心城区环境空气中TSP的源解析

应用受体模式的化学质量平衡法对玉溪市中心城区大气颗粒物的来源进行解析。分别采集玉溪市监测站、大营街和东风水库3个监测点大气中总悬浮颗粒物(TSP)样品，同时采集了土壤尘、煤烟尘、钢铁尘、交通尘和建材尘等5种源样品。采用电感耦合等离子体光谱仪分别测定受体和源样品中11种元素的质量比。建立玉溪市源解析的化学质量平衡受体模型，模型的计算得出了这5种污染源对TSP的贡献率分别是土壤尘为40．75％、建材尘为31．06％、煤烟尘为18．37％、钢铁尘为8．09％和交通尘为1.73％。     

中国北方城市空气颗粒物污染防治技术开发与应用

大气颗粒物是长期影响我国城市环境空气质量的首要污染物，但由于一些主要颗粒物排放源类的源强不确定，造成了传统源扩散模型无法得到源解析结果。     

兰州市城关区大气颗粒物分析研究

利用兰州市大气颗粒物监测条件，分析了大气颗粒物浓度变化与气象条件的关系，并从该区污染状况考虑。利用化学平衡法将主要污染源对大气粒物的贡献率，分别就采暖期与非采暖期进行了计算。对该区的污染特征及其在采暖期与非采暖期的变化做了初步的分析。     

晋城市大气颗粒物的电镜分析及来源鉴别

运用扫描电镜－ｘ射线能谱和等离子体发射光谱法对山西２晋城市大气颗粒物的环境样品的排放源样品进行了形态特性分析和元素测定,在此基础上,用化学质量平衡模型进行了颗粒物来源的污染贡献率计算。     

基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率.采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数.最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好.     

基于BP神经网络的手写字符识别

提出一种基于BP神经网络的手写字符的识别方法，首先建立样品库，对样品库中的样品提取特征，作为输入层的输入值,采用改进BP算法进行网络训练，不断修改权值和阈值，然后对任一输入的手写字符，运用BP神经网络进行识别,实验证明将改进的BP算法用于手写字符识别有较好的识别效果，提高了算法的收敛速度。     

基于BP算法的成绩预测模型

BP网络是一种典型的多层前向网络,由输入层、隐含层和输出层组成,通过学习样本训练模型后即可用于数据的预测,适用于实现网络教学系统的成绩预测功能。训练样本作为BP网络的学习数据集,对于BP网络模型的训练具有重要的作用。模型选取网络教学系统中能够影响学习成绩的相关因素作为输入数据,包括学生在线学习时间、学生学习能力、作业成绩和测试成绩,利用已有学生成绩作为训练BP网络的期望输出。将这些数据进行归一化处理即可用于训练BP网络模型。训练过程中,全局误差基本呈下降趋势,收敛效果较好。经过训练后的模型可预测出学生的成绩,并转化为相应的等级,对学生下一步学习进行指导,提出适合的教学策略。通过测试表明该模型可以用于教学系统中的学习成绩预测,获得了预期效果。     

长春市大气环境中PM10外来源估算研究

大气颗粒物外来源解析的常用方法有后向轨迹分析法、化学质量平衡法、元素示踪法等,都是通过化学成分分析来确定源。但这类方法存在缺点,如成本高、流程长等。针对以上问题,提出一种新的量化大气环境中PM10外来源的方法,这种方法基于长春市背景站点的PM10的时间序列,通过确定本地源贡献后,利用PM10监测数据与其差值即可获得外来源的贡献量。经估算得到2011年长春市6个采样点PM10的外来源年平均贡献率从北向南逐渐降低,分别是食品厂为38.85%,客车厂为28.79%,邮电学院为24.31%,儿童公园为20.89%,净月潭为19.93%,甩湾子为37.35%。由此可以看出长春市空气污染主要来源于本地污染,为解决长春市大气颗粒物污染,改善空气质量更应该重视本地污染源的治理。     

龙岩市大气中PM10的微观形貌特征及组成分析

选择福建省龙岩市环境监测站的大气常规监测点位为采样点, 于2009年9月16日至9月23日进行24 h连续采样, 采用扫描电镜方法分析样品中PM₁₀的微观形貌特征和元素组成, 通过与当地典型污染源颗粒物的微观形貌和特征元素进行对比, 确定其主要污染来源. 研究结果表明: 各类污染源的微观形貌及特征元素均有明显区别,  不同采样点样品中PM₁₀的微观形貌特征及元素组成也有差异, 据此分析得出的大气PM₁₀颗粒物来源与化学质量平衡受体模型(CMB8.2)源解析结果一致.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

基于小样本数据的BP神经网络建模

针对小样本条件下BP(back propogation)神经网络存在预测精度不高的问题,将专家知识融入BP神经网络训练过程中解决此问题.首先BP神经网络通过遗传算法获得最优初始权值和阈值;其次对专家知识进行数学表达;最后通过增广拉格朗日乘子法将专家知识融入BP神经网络训练过程中.利用实际中的结晶动力学问题对所提方法进行...     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

基于灰色理论与BP网络的负荷预测

针对用BP神经网络进行预测时权值难以确定的问题,提出了一种基于将灰色理论与BP神经网络相结合的预测算法。采用数量研究法,选取重庆市某供电局1999年到2006年的售电量作为样本,利用不同的灰色模型对样本进行预测,再选出预测的最优值对BP网络进行训练,最后用已训练好的BP网络对样本数据进行预测。经实例预测表明:灰色理论与BP网络相结合的预测精度与单一的预测模型相比有了明显的改进,该算法在理论和实践应用中都是可行的,并为电力部门的生产运行和规划提供了重要的参考。     

基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

改进型 BP 神经网络自适应均衡器设计

针对传统的基于 BP 神经网络的自适应均衡器存在的缺陷,提出了一种改进的 BP 神经网络自适应均衡器的 FPGA 设计方法.从互连结构、训练法则及收敛算法等几个方面对 BP 网络进行改进,通过加入协调器提高 BP 网络收敛速度和容错性能,并根据 BP 网络的并行性能得到分块结构模型,同时采用流水线技术使计算速度明显提高.通过软件仿真,验证了这种结构简单、收敛速度较快的 BP 网络的有效性和可行性,并在ModelSim 工具上完成了自适应均衡器的仿真验证