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.     

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.     

BP神经网络模型在地下水质量评价中的应用

介绍了BP神经网络的基本原理和计算方法。采用6-11-5三层拓扑结构的BP神经网络模型对伊通河下游地下水质进行评价,并与内美罗指数法、模糊综合评判法和物元可拓法评价结果比较。结果表明BP神经网络计算简便、评价结果客观准确,很好地反映了地下水质量的总体状况。     

BP人工神经网络模型在地下水水质评价中的应用

为了能够客观地对地下水水质进行综合评价,本文以西鞍山矿区为例,采用基于BP人工神经网络模型的评价方法对区内14个地下水水质监测点的水质进行了评价。考虑到地下水水质随季节性变化不大,以枯水期水质监测的主成分总硬度、溶解性总固体、硫酸盐、氯化物、铁和锰、硝酸盐、氟化物等指标作为评价因子,建立了地下水评价指标体系,并和模糊综合评价法的评价结果进行了比较,分类结果令人满意。评价结果表明,该模型设计合理、泛化能力强,对地下水水质评价具有较好的客观性、通用性和实用性,可为水质评价提供技术依据以及为有关部门治理水质提供理论依据和参考建议。     

基于神经网络的蔷薇河水质综合评价

基于BP神经网络的改进算法,提出了以Matlab7．0为平台的算法程序的人工神经网络水质评价模型。参照《地表水环境质量标准》（GB3838-2002）,确定了神经网络学习和训练的样本以及模型的相应参数,并以流经连云港市蔷薇河的六个断面的水质数据为样本,进行水质综合评价分析。     

鄱阳湖叶绿素a浓度遥感反演

为推动利用遥感技术进行水质监测,在对实测叶绿素a数据和同步的MODIS数据敏感波段分析的基础上,将统计回归方法和BP神经网络方法建立的遥感反演模型作了反演效果比较,得出应用BP神经网络优于统计回归构建遥感反演模型。     

基于SOM网络模型的供水管网水质综合评价

以供水管网微观模型为基础,综合考虑各种水质指标,采用自组织特征映射(SOM)网络和K-means算法对城市供水管网饮用水水质进行聚类分析。结果表明,水质综合评价方法可以综合考虑各种水质指标,克服了单一指标评价模型极端化、片面化的缺点,客观反映了管网中饮用水的水质状态。可见,利用SOM网络模型进行城市供水管网水质综合评价是可行的。     

未确知测度模型在外排污水水质综合评价中的应用

针对单一因子划分污水水质等级不合理的问题,以印染废水处理厂出水水质为例,采用未确知测度评价模型对其进行综合评价,以确定其水质情况.结果表明,采用该方法得到的评价结果能够较为客观地反映污水水质等级情况,为外排污水水质评价提供了新的方法和途径,具有一定的理论意义和实用价值.未确知测度模型对评价空间实现了有序分割,提高了分辨率,评价效果可靠,是一种实用模型.     

基于BP神经网络模型的建筑工程项目风险评价

为了适应现代化建筑工程项目风险评价的要求,需要建立一个合理的风险评价指标体系与一个有效的风险评价模型。首先分析了一般的风险评价模型的优缺点,确定了以层次分析法与BP神经网络相结合的风险评价模型;其次根据现代化建筑工程项目的特点建立了合理的风险评价指标体系,再次说明了评价指标体系与风险程度相关性表示的方法;最后建立了合理的BP神经网络模型。     

基于BP神经网络对BT项目风险的评价

BT融资模式是加快城镇化发展过程中,大型基础设施项目建设的主要融资方式,准确地对BT工程项目的风险等级进行评价,有助于降低投资人的风险损失。为了更好地评价BT工程项目的风险等级,克服传统风险分析方法的不足,建立BP神经网络模型。本文以A市地铁BT工程项目为例,首先建立该项目的风险评价指标体系,然后确定合适的BP神经网络模型参数。在大量经验数据的基础上,对BP神经网络模型进行了训练与检测,通过试验发现构建18-17-1三层BP神经网络模型对风险等级的评价结果精度最高。最后通过此模型对A市地铁BT工程项目的风险等级进行了评价,取得较好的效果。     

模糊综合评价在水环境质量评价中的应用

在水环境质量的评价过程中,通常涉及到大量的复杂现象和多种因素的相互作用,评价中存在大量的模糊现象和模糊概念.介绍了模糊综合评价法的原理及其评价方法,同时将人工神经网络引入模糊综合评价隶属矩阵的确定过程,利用人工神经网络构造隶属函数矩阵,并以青岛大沽河为例,利用模糊综合评价法对其水质进行了评价,并取得了良好的评价效果.     

基于人工神经网络的黄河下游防断流研究

应用人工神经网络建立下游枯季迳流预测的BP神经网络模型。在此基础上 ,针对上游不同的来水水平 ,在确保下游不出现断流情况下 ,应用BP神经网络模型反算下游引黄量 ,据此提出花园口水文站来水量和下游引水量组合方案 ,可为黄河流域水资源的统一调度、管理 ,尤其是预防黄河下游再次出现断流提供科学依据     

应用人工神经网络预测锈蚀钢筋与混凝土粘结性能

钢筋混凝土粘结强度受多种因素 (如混凝土强度、混凝土保护层厚度、钢筋直径、钢筋类型、钢筋锈蚀率等 )的共同作用 ,建立计算模型比较困难。在试验研究的基础上 ,利用人工神经网络技术 ,分别在考虑单一因素和多种因素的情况下建立BP网络模型预测锈蚀钢筋与混凝土之间的极限粘结力 ,从而不需建立具体的数学模型就可以得到较满意的预测结果。为受腐蚀钢筋混凝土结构力学性能的研究提供一种新方法和新思路 ,为工程实际应用提供简便的预测方法     

人工神经网络在房地产估价中的应用研究

将人工神经网络引入房地产估价领域,阐述了B—P神经网络的原理和特点,并提出基于B—P神经网络的房地产估价程序,为房地产估价提供了一种新的解决方法、一种新的思想。     

Energy saving effect prediction and post evaluation of air-conditioning system in public buildings

Accurate energy saving effect evaluation analysis of building energy efficiency retrofit is of benefit to obtain technology optimization and fast return of investment. According to the implement sequence, evaluation methods can be divided into post evaluation and prediction evaluation. The energy saving effect of an air-conditioning system retrofit project was analyzed by these two models respectively. The post evaluation model was built based on the spot test data and a parameter called as Refrigeration Operation Energy saving Effect Ratio (ROEER). The prediction evaluation model was built based on Back-Propagation Artificial Neural Network by the use of MATLAB Neural Network Toolbox. The comparison result between these two kinds of evaluation models match well with each other. These two models can be used to predict and evaluate energy saving effect of air-conditioning system retrofit to further improve the real energy saving effect of building energy efficiency retrofit.     

人工神经网络在双向板弹性内力计算中的应用

将人工神经网络技术应用于结构内力分析，介绍了前馈型BP神经网络的模型及其算法，在分析双向板弹性内力时，建立了一个三层的BP网络，将该网络进行训练后计算四边简支双向板跨中弹性最大弯矩，在分析时，为了增强网络的推广能力，还以权值的修正量作为参考的收敛标准，同时，为了加快学习速率而不导致振荡，还采用了增加动量系数的方法来修改反传中的学习速率，BP网络的分析程序采用Matlab编制，计算结果表明人工神经网络在结构分析中具有良好的适用性。     

A Bayesian Network model for predicting cooling load of commercial buildings

Cooling load prediction is indispensable to many building energy saving strategies. In this paper, we proposed a new method for predicting the cooling load of commercial buildings. The proposed approach employs a Bayesian Network model to relate the cooling load to outdoor weather conditions and internal building activities. The proposed method is computationally efficient and implementable for use in real buildings, as it does not involve sophisticated mathematical theories. In this paper, we described the proposed method and demonstrated its use via a case study. In this case study, we considered three candidate models for cooling load prediction and they are the proposed Bayesian Network model, a Support Vector Machine model, and an Artificial Neural Network model. We trained the three models with fourteen different training data datasets, each of which had varying amounts and quality of data that were sampled on-site. The prediction results for a testing week shows that the Bayesian Network model achieves similar accuracy as the Support Vector Machine model but better accuracy than the Artificial Neural Network model. Notable in this comparison is that the training process of the Bayesian Network model is fifty-eight times faster than that of the Artificial Neural Network model. The results also suggest that all three models will have much larger prediction deviations if the testing data points are not covered by the training dataset for the studied case (The maximum absolute deviation of the predictions that are not covered by the training dataset can be up to seven times larger than that of the predictions covered by the training dataset). In addition, we also found the uncertainties in the weather forecast significantly affected the accuracy of the cooling load prediction for the studied case and the Support Vector Machine model was more sensitive to those uncertainties than the other two models.     

应用人工神经网络技术的建筑物成新度评估

针对建筑物成新度评估中存在的问题,利用人工神经网络理论,建立了建筑物成新度评估的人工神经网络模型,从而为其准确评估提供了科学的依据。     

灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测,计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。