最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

基于BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

神经网络在岩石边坡稳定分析中的应用

本文建立了岩石边坡稳定分析的神经网络模型,并用2 2个样本对其进行了训练,预测了4个样本,预测值与实际值的结果表明用神经网络进行边坡稳定分析是可行的。     

胰岛素评价模型与算法设计

为了建立胰岛素评价模型,提出了一种基于BP(back propagation)神经网络的方法研究了胰岛素评价模型。首先使用含有2型糖尿病患者样本以及正常糖耐量的样本共100例作为研究数据,其次搭建BP神经网络模型,将样本的生理参数输入该网络进行训练,从而获得胰岛素β细胞功能指数与胰岛素抵抗指数,最后对胰岛素β细胞功能指数与胰岛素抵抗指数进行预测。实验结果表明,基于BP神经网络的人体胰岛素评价模型得到胰岛素评价指标的预测值与真值有较好的相关性,其中胰岛β细胞功能指数相关性达到近90%,可见该模型能很好地评价胰岛素分泌情况。     

中国建筑业碳排放影响因素与预测研究

中国一直是碳排大国,其碳排放增长问题持续引发世界关注.建筑业作为一直在国民经济中占据重要地位的行业,其碳排放量约占全国碳排量的20%.因此,有必要研究建筑业碳排放的影响因素,并预测中国建筑碳排放的趋势.从以往相关研究中识别出12种我国建筑业碳排放影响因素,以2000—2016年的指标数据作为样本,利用灰色关联分析原理,筛选出关联度较高的8种影响因素,并结合BP神经网络模型构建我国建筑业碳排放预测模型.利用神经网络预测2017—2020年碳排放影响因素和碳排放预测值.研究发现,样本预测值对实际值的拟合度良好,说明所得训练网络泛化能力较强,进而证明筛选出的影响因素对建筑业碳排放影响程度高,可以用于预测建筑业碳排放.预测模型提高了神经网络的训练速度,为建筑业碳排放预测提供了新的工具.     

基于BP神经网络的股市预测模型

本文介绍了神经网络的基本概念,建立BP神经网络模型,以某个股实际收盘价为原始数据样本,对网络进行训练后,对股票价格进行了短期预测,并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快,预测精度高。     

型钢混凝土柱位移延性系数的BP网络预测

通过对61根型钢混凝土柱试验数据的整理,利用神经网络原理建立5-6-1型反向传播(BP)神经网络模型,分析不同参数对型钢混凝土柱位移延性系数的影响.分析及预测结果表明,学习样本和测试样本的预测值与实验值之比的均值分别为1.000 6,0.998 0;标准差分别为0.020 3,0.059 6,预测值与试验值吻合良好.当轴压力系数增加到0.42以后,位移延性的变化较小;体积配箍率增加到1.9%后,位移延性的增长减缓;当剪跨比小于1.5时,型钢混凝土柱的延性系数随剪跨比的增加而提高;但当剪跨比大于1.5时,随着剪跨比的增加,型钢混凝土柱位移延性系数有所降低.     

灰色模型结合神经网络预测高速公路路基沉降

为了提高高速公路路基沉降的预测精度,考虑到神经网络强大的非线性映射功能,提出了"灰色模型+神经网络"对高速公路路基沉降进行预测分析的组合方法。以湖南省某高速公路路基沉降多个断面实测数据构建灰色GM(1,1)预测模型,在采用构建的灰色模型预测出相应结果的基础上,运用神经网络对预测结果做误差补偿。研究结果表明,采用实测数据拟合的灰色模型预测值的最大相对误差与运用神经网络对预测结果做误差补偿之后的优化预测值的最大相对误差分别为19.193%和0.865%,用神经网络对灰色模型预测结果做误差补偿之后的优化预测值与实测值更接近。     

基于PSO-BP神经网络的红外无损检测缺陷定量识别

为解决红外无损检测缺陷定量识别困难的问题,提出了一种粒子群算法(PSO)优化反向传播(BP)神经网络的缺陷定量识别方法。以最佳检测时间与最大温差为模型的输入,孔洞缺陷的深度与直径大小为模型的输出,建立粒子群优化的BP神经网络缺陷定量识别模型。使用ANSYS软件对带有平底孔洞缺陷的金属平板进行脉冲热分析,提取金属平板检测表面的最大温差与最佳检测时间,作为神经网络模型训练与检验的数据样本,使用神经网络进行预测。计算结果表明:预测值的最大误差为5.5%,最小误差为1%,证明了粒子群优化BP神经网络方法进行红外无损检测定量识别的可行性。     

银川市空气污染指数的分析与预测

空气污染指数（air pollution index,API）是评价空气质量状况的有效手段．在分析银川市API变化特征的基础上,将小波分析与BP神经网络相结合,分别采用分解一预测一重构法和小波函数替代法对银川市API值进行了预测．结果表明：银川市API呈现年际下降,月际周期波动的特点;相对于其他小波,采用db10对数据进行分解、预测、重构后获得的结果最好;分解预测重构模型的预测精度较高,优于小波函数替代模型,适用于银川市空气污染指数的预测．     

基于BP神经网络的空气质量预测与分析

使用神经网络构造的算法,对秦皇岛市的空气质量进行预测。将秦皇岛市的气象监测数据与环境监测数据,按照季节关系分组,并进行相关性分析,从而确定出与空气质量呈强相关性的气象因子。并对其进行主成分分析,得出影响空气质量变化的主因子,以减少多种气象因子带来的数据处理难度。构建季节预测模型,并根据气象因子筛选结果,确定出神经网络模型需要输入的数据矩阵,从而通过气象参数变化对秦皇岛市的空气质量进行预测。并通过四个预测模型对季节空气质量的数值预测,得出了平均预测准确率,分别为81.18%,83.10%,81.72%,80.56%。结果表明,使用BP神经网络构建的秦皇岛市空气质量预测模型,可以成功预测该市四季的空气质量。     

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。     

人工神经网络在空气污染预报中的研究进展

人工神经网络是20世纪80年代迅速兴起的一门非线性科学,特别适用于对具有多因素性、不确定性、随机性、非线性等特点的对象进行研究,而空气污染预报正是这样的一类问题。简单介绍了人工神经网络的基本概念,详细地回顾了国内外人工神经网络在空气污染预报领域的研究应用情况,最后讨论了人工神经网络在空气污染预报领域中的研究方向和发展趋势。     

粗糙集-神经网络在大气污染判别分析中的应用

针对大气污染判别问题的复杂性,提出了一种基于粗糙集的BP神经网络模型。该模型利用粗糙集理论约简气象影响因素,提取关键因素作为网络的输入,简化了网络结构。实例验证,粗糙神经网络模型为大气污染判别研究提供了一种有效可行的算法。     

大气环境质量评价API方法实例教学——以安徽省安庆市为例

传统API指标体系所得城市大气质量往往偏离群众真实感受,特别是像安庆这样的化工城市,这给环境影响评价教学带来了困难,论文选取了该市2010年四季中空气中有明显异味的10天,监测了其CO、氨和苯含量,并参照GB3095-1996标准,通过逐步添加特征指标的方法,在课堂上展示了增加指标前后安庆市大气环境质量API指数,结果表明:①增添指标前,安庆市大气API指数皆小于100,质量等级为良,主要污染物为SO2或PM10;②增添指标后,安庆市环境空气质量普遍下降1到2个档次,由原来的优良变为轻中度污染甚至是重度污染,主要污染物为苯;③CO指标增加后,其单因子指数皆小于50,安庆市大气污染并不以煤烟型污染为主;④实例教学能解决理论与实际的偏差,激发学生兴趣,极大地改善课堂教学效果。     

基于LPWAN和AQI指数预测的空气质量监测系统

针对传统空气质量监测系统抗干扰能力差、稳定性不高以及AQI指数预测精度不足等问题,设计了一种集低功耗广域物联网LPWAN、One-NET云平台和循环神经网络GRU于一体的空气质量监测系统。系统利用LoRa技术采集环境参数,集合云平台技术、SSA-VMD-GRU模型实现远程监控和预测AQI指数。通过通信测试,结果表明通信距离1000米内,通信率在96%以上,丢包率不超过4%。将采集到的特征参数用传统的GRU模型、VMD-GRU模型和本文提出的SSA-VMD-GRU模型进行训练、测试仿真和对比,结果表明SSA-VMD-GRU模型相较于传统的GRU模型和VMD-GRU模型对AQI指数有更好的预测效果,均方根误差RMSE和平均绝对误差MAE均有降低,预测误差率在3%以内。该系统能够实现对空气质量的实时监控和AQI指数的精准预测,为准确发布空气质量预警提供借鉴。     

基于人工神经网络的污染源数据预测

通过神经网络在污染源自动监测系统中建立预测模型,对污染源数据进行预测,对环保决策、管理工作有着重要的意义。利用Elman神经网络在大气中的SO2浓度及其历史数据、影响因子之间建立预测模型,仿真结果表明所建立的模型对样本数据有着较准确的预测能力,具有一定的参考价值。