基于综合主成分及径向基网络的环境质量评价

运用综合主成分分析对监测数据进行处理,集成径向基函数人工神经网络(RBF-ANN),参考国家环境质量评价标准设定RBF的学习样本,从而构建区域环境质量综合评价模型,对安徽省合肥市新站综合开发试验区进行环境质量综合评价。实例分析结果表明,运用综合主成分法可以精准的统计出一个区域的环境综合数据,而且在matlab环境下运用RBF-ANN模型既可以准确,客观的评定环境质量的等级,又可以表现其环境污染的具体程度,能在同一评价等级内对不同环境质量的评价对象进行更加细微的污染程度的比较。结果表明,合肥市新站综合开发试验区环境综合质量介于轻度污染和中度污染的标准极限值之间,属于中度污染。

主成分分析在大气质量监测优化布点中的应用

主成分分析法(PCA)以少数的综合变量取代原有的多维变量,在原始数据信息丢失最小的情况下,使数据结构得以简化。作者分析了合肥市新站区大气环境监测数据,采用主成分分析法建立空气质量污染特征因子与污染物之间的数学模型,再用该模型计算出各点位相对污染程度,并对监测布点进行分类。以此选出最佳监测点位,可为大气质量监测优化布点提供方法,为合肥市新站区环境质量的分区和分级治理提供理论依据。

基于BP神经网络的概率径流预测模型

本文采用多元线性回归模型模拟贝叶斯分析的先验分布和似然函数,并结合反向传播神经网络(Back Propagation Neural Network)建立基于BP神经网络的贝叶斯概率径流预测模型,将模型应用于石羊河出山口六河水系的年径流预测中。为降低BP神经网络的"黑箱"特性对预测精度的影响,在实例应用中结合了区域的水文特性对数据进行预处理,结果表明该方法有效的提高了模型的预测精度;同时相对于确定性水文预测方法而言,贝叶斯概率水文预报定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。