BP神经网络在青弋江水质评价上的应用

文章根据青弋江芜湖市区段水质特点构建了合适的BP神经网络评价模型,并通过插值的方法增加了样本数量。训练和评价的结果说明BP网络模型在青弋江水质的评价方面是一种简单有效的方法。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

边坡稳定分析的神经网络方法

论述了BP神经网络的基本原理和算法,研究了MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用。采用影响边坡稳定性的复合指标,建立了BP预报模型。用收集到的边坡数据样本训练和测试BP神经网络模型,结果表明该BP神经网络预测边坡稳定性是可行的、有效的。     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

改进的模糊Modular神经网络在既有建筑可靠性鉴定中的应用

在Takagi-Sugeno模糊逻辑系统的基础上,提出了改进的模糊Modular神经网络模型(IFMNN),并将该模型应用于既有建筑的可靠性鉴定.改进的模型是将传统的模糊Modular神经网络模型中的单输出改进为多输出.这种改进的多输入多输出的模糊Modular神经网络模型具有预测性能好、训练学习速度快的优点,它的系统门网络采用模糊C均值聚类算法代替K-means算法,专家网络的训练中引进了先进的Levenberg-Marquardt算法.在应用改进的模糊Modular神经网络模型对既有建筑进行可靠性鉴定的过程中,综合考虑了各主要因素对既有建筑可靠性鉴定等级的影响,并将经量化处理的影响因素作为网络的外部输入,将网络计算得到的4个输出值分别作为样本对应于不同可靠性等级的隶属度,建筑可靠性鉴定的最终评判等级为最大隶属度所对应的等级.训练和预测样本的计算结果证明了改进的模糊Modular神经网络模型在既有建筑可靠性鉴定中应用的可行性和有效性.     

南四湖水质综合评价模型的建立及应用

针对水环境系统的复杂性,采用含有1个隐含层的3层BP网络模型和改进的BP算法,以南四湖的主要污染物CODCr、NH3-N、TP和TN共4个指标作为模型输入层的神经元,以水质等级Ⅰ类-劣Ⅴ类共6个等级作为输出层神经元,应用Matlab7.1中的神经网络工具箱NN Toolbox4.0反复训练,建立了南四湖水质综合评价模型,并利用建立的BP神经网络模型对南四湖上、下级湖水质状况进行了综合评价.     

前馈网络升级策略及其复合射孔岩层裂深自适应动态升级预测模型

油井复合射孔岩层裂缝深度预测模型的研究具有广阔的应用前景。在已有的复合射孔岩层裂深神经网络预测模型基础上，通过对前馈逆传播网络算法的研究，采用样本出现概率自适应控制方法，初步提出基于样本分类的单隐层网络结构的知识升级策略，给出了具体算法，并建立了油并复合射孔岩层裂深预测的神经网络自适应网络知识升级模型。完成后的模型能够针对样本空间的局部更新作出自适应调整，从而实现对神经网络结构所掌握知识的动态升级。为解决前馈神经网络建模中的样本变更问题提供了一条新的途径。研究发现，这种前馈网络升级策略具有一定的普适性，可用于其他岩土工程神经网络建模问题。     

基于BP神经网络的市政排水工程造价估算

在综合分析市政排水工程特征的基础上,构建了基于BP神经网络市政排水工程造价估算指标体系和工程造价估算模型,并设计了基于Matlab神经网络工具箱函数的算法程序,用该模型对样本集进行了学习训练和仿真测试,结果表明该网络模型具有较好的泛化能力,能够较准确地估算工程造价.     

基于模糊控制的单桩竖向极限承载力预测

为合理、准确地预测单桩竖向极限承载力,借助模糊神经网络较强的学习能力和模糊逻辑推理功能,建立了基于模拟退火算法的单桩竖向极限承载力预测模型,对收集到的样本进行了训练预测,并与常规的减法聚类算法预测结果进行了对比。分析结果表明:基于模拟退火算法的模糊神经网络模型预测单桩竖向极限承载力是可行有效的,具有较大的工程实用价值。     

基于径向基神经网络的目标测向定位算法

针对热释电红外传感器定位系统中解析算法定位误差较大和未充分利用冗余测向信息的问题,提出了1种基于径向基神经网络的目标测向定位方法,介绍了PIR传感器节点的区域分割模型,利用K均值聚类和梯度下降法对神经网络进行训练;通过对不同数量样本的监督学习,比较得出性能较优的神经网络模型,然后通过仿真实验将其与传统的解析算法作对比。实验数据表明,在同等的实验条件下,神经网络模型的定位精度至少提高了18%,在探测区域边界的定位误差远小于解析算法,体现了径向基神经网络较强的非线性映射能力和较高的鲁棒性。     

Identification of land use with water quality data in stormwater using a neural network

To control stormwater pollution effectively, development of innovative, land-use-related control strategies will be required. An approach that could differentiate land-use types from stormwater quality would be the first step to solving this problem. We propose a neural network approach to examine the relationship between stormwater water quality and various types of land use. The neural network model can be used to identify land-use types for future known and unknown cases. The neural model uses a Bayesian network and has 10 water quality input variables, four neurons in the hidden layer, and five land-use target variables (commercial, industrial, residential, transportation, and vacant). We obtained 92.3 percent of correct classification and 0.157 root-mean-squared error on test files. Based on the neural model, simulations were performed to predict the land-use type of a known data set, which was not used when developing the model. The simulation accurately described the behavior of the new data set. This study demonstrates that a neural network can be effectively used to produce land-use type classification with water quality data.     

基于遗传神经网络模型的水质综合评价

建立了用于水质综合评价的遗传神经网络模型.该模型运用遗传算法优化改进型BP神经网络的初始权值和阈值,具有快速学习网络权重和全局搜索的能力,有效解决了BP神经网络容易陷入局部极小点和训练结果不稳定的问题.采用苏帕河梯级电站的水质监测数据对该模型进行了测试,并与其他方法进行了比较.结果表明,该方法用于水质综合评价客观、合理、准确,有其独特的优越性.     

A hybrid neural-genetic algorithm for reservoir water quality management

A combined neural network and genetic algorithm (GA) was developed for water quality management of Feitsui Reservoir in Taiwan. First, an artificial neural network (ANN) model was employed to simulate the behavior of nutrient loads into the reservoir. The data from watershed loads, precipitation in the watershed, and outflow were used in the ANN model to forecast the total phosphorus concentration in the reservoir. A 6-year (1992-97) record of water quality data was used for network training, and additional data collected in 1998-2000 were used for model verification. Further, a GA was used with this ANN model to optimize the control of nutrient loads from the watershed. The GA was used as a search strategy to determine the proper reduction rates of nutrient loads from the watershed so that the objective function could be as close to the optimal value as possible. The study results indicate that the ANN model can effectively simulate the dynamics of reservoir water quality. The GA is able to identify control schemes that reduce the in-reservoir total phosphorus concentration by as much as 60%, and water quality in the reservoir can be expected to achieve an oligotrophic (most of the time) or mesotrophic level if the watershed nutrient loads are reduced by 10-80%.     

基于神经网络在钢筋混凝土施工质量评价中的应用研究

利用神经网络的非线性函数逼近能力,实现对钢筋混凝土施工质量评价的模拟模型,以模板工程、钢筋工程、混凝土工程施工质量为输入层,钢筋混凝土施工质量程度为输出层,建立人工神经网络模型,并以实际数据对该网络进行训练和测试.最后得出数字化的评估结果,能反映施工质量的优劣,从而展示了人工神经网络在工程施工质量评价中的广阔前景.     

水质综合评价的Hopfield网络模型

将人工神经网络技术运用于水质评价，建立了水质综合评价的Hopfield模型，并以重庆市南川凤嘴江水质资料为实例，对模型精确度进行了测试。结果表明：Hopfield网络用于评价水环境质量形象、客观、准确、合理,具有广阔的应用前景。     

基于遗传优化神经网络的市政管网水质模型研究

将遗传算法的全局搜索能力和BP神经网络的局部学习能力有机结合,得到一种快速高效的建立供水管网余氯的水质模型的新方法。验证结果表明,遗传算法优化后的神经网络模型所需要考虑的参数较少,应用方便,预测精度和效率较高,在城市给水系统水质模拟预测研究中有一定的参考应用价值。     

采用BP神经网络模型对东北地区水库水水质的预测研究

采用BP神经网络建立了东北地区某水库水的浊度预测模型,同时针对该水库的地域特点,重点研究了冰封期对水源水水质预测的影响。结果表明,以浊度为预测对象,将水库的水质数据按照是否进入冰封期进行划分后建模,预测效果比划分之前有较明显的提高。     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。     

Neural network modeling of salinity variation in Apalachicola River.

Salinity is an important indicator for water quality and aquatic ecosystem in tidal rivers. The increase of salinity intrusion in a river may have an adverse effect on the aquatic environment system. This study presents an application of the artificial neural network (ANN) to assess salinity variation responding to the multiple forcing functions of freshwater input, tide, and wind in Apalachicola River, Florida. Parameters in the neural network model were trained until the model predictions of salinity matched well with the observations. Then, the trained model was validated by applying the model to another independent data set. The results indicate that the ANN model is capable of correlating the non-linear time series of salinity to the multiple forcing signals of wind, tides. and freshwater input in the Apalachicola River. This study suggests that the ANN model is an easy-to-use modeling tool for engineers and water resource managers to obtain a quick preliminary assessment of salinity variation in response to the engineering modifications to the river system.     

基于PNN神经网络的地下水水质评价及应用

概率神经网络是一种训练速度快、网络稳定、应用相当广泛的人工神经网络方法,它通过利用线性学习算法来解决非线性问题,在模式识别的分类问题中得到了广泛的应用。本文在阐述概率神经网络(PNN)原理的基础上,以我国地下水环境质量标准(GB/T14848-93)为训练样本,建立概率神经网络(PNN)模型,并将该网络模型运用于地下水水质评价。通过与灰色聚类法、模糊评判法和指标分类法比较,验证了该模型更为准确、可靠。