Prediction of SO_2 Concentration in Urban Atmosphere Based on B-P Neural Network

Base on the principle and method of B-P neural network,the prediction model of SO2 concentration in urban atmosphere was established by using the statistical data of a city in southwest China from 1991 to 2009,so as to forecast atmospheric SO2 concentration in a city of southwest China.The results showed that B-P neural network applied in the prediction of SO2 concentration in urban atmosphere was reasonable and efficient with high accuracy and wide adaptability,so it was worthy to be popularized.

BP神经网络在钻孔测井资料分类识别杂卤石中的研究

以BP神经网络理论和测井解释为基础,测井数据作为输入,构建神经网络模型。对川中地区下中三叠统杂卤石层做精细识别,将识别结果与录井资料对比,正确率达到86.3%,在改变约束条件的情况下正确率达到97.7%,识别效果好;以杂卤石含量高低对测井响应值的影响程度不同为依据,构建杂卤石层分类识别模型,模型识别正确率达到82.51%,能较为准确且快速地识别出杂卤石层、石膏质杂卤石层和杂卤石膏岩层,与常规测井解释方法相比具有明显优势。结果表明,将BP神经网络运用到钾矿勘探中具有良好前景。

综合环境质量的B－P网络二级评价

为了探索人工神经网络应用于环境质量评价的可行性和合理性，应用人工神经网络的Ｂ－Ｐ模型，构造了大气、水质和噪声的综合环境质量的Ｂ－Ｐ网络二级评价模型。并将该模型应用于实例作效果检验。结果表明Ｂ－Ｐ网络用于环境质量评价适应性强，方法可行，结果合理。

矿山灾害评价的BP-神经网络模型研究

人工神经网络具有自适应机制,通过训练和学习,达到对知识进行分类、模式判别、联想记忆等能力。矿山开采引发的灾害评估问题可以看作是一个模式识别问题。利用BP神经网络建立了一类矿山灾害评估模型,给出了计算方法,并以单隐层和双隐层两种网络结构使用实例做了计算和分析,验证了模型的正确性。

防砂方法优选的B-P神经网络模型

根据神经网络原理,建立了基于B-P网络的防砂方法优选模型。经算例计算,网络训练具有较好的收敛性,同时也得到了较好的识别诊断输出结果,表明将B-P神经网络应用于防砂方法的优选是合理可行的。

基于B-P神经网络的环境空气质量预测模型

B-P神经网络是一种刻画非线性现象的强有力工具,可以将它应用到环境空气质量预测中。B-P神经网络针对不同的监测项目,根据不同的气象特征因子,将污染源排放数据为输入因子,监测点位监测数据作为输出因子,形成多组训练样本,进行学习训练,建立起不同的预测网络。然后用空气污染源排放监测数据输入相同气象条件的、已调整好权值的B-P神经网络系统,即可输出该项污染物的监测点位预测监测值。实验证明B-P神经网络预测模型取得了较好的结果,比现有预测模型具有更大的优势。

中小上市公司信用风险评估比较研究——基于径向基神经网络和BP神经网络模型

以114家中小上市公司为研究对象,运用BP神经网络模型和径向基网络模型对训练样本和测试样本中一定比例的"非ST"和"被ST"进行了信用评估。按照各上市公司财务状况把公司划分为"好"和"差"两类。仿真结果表明:BP神经网络模型对测试样本的预测准确率高达88.9%,而径向基网络模型对测试样本的预测准确率只有77.8%,比BP神经网络模型的准确预测率低了11个百分点。

基于B-P神经网络的城市大气SO2浓度预测

基于B-P神经网络的原理和方法,利用西南某市1991-2009年的统计数据,建立城市大气SO2浓度预测模型,对西南某市大气SO2浓度进行预测。结果表明,B-P神经网络方法在城市大气SO2浓度预测方面具有合理高效、精确度高、适应力强等特点,值得应用与推广。

参数调整对气象预测的B-P网络模型性能的影响

为了探索ＢＰ网络的参数调整特性，进行了参数α、β的选取对ＢＰ算法的收敛速度和模型的稳定性的影响研究。通过ＢＰ网络用于气象预测建模的参数调整个例分析表明：参数α、β的取值对ＢＰ模型的稳定性无显著影响，但参数值的调整尤其是β值的调整对建模的收敛速度有明显的影响。

基于BP神经网络的黄河水质预测研究

为了进一步研究高度非线性和非确定性水环境系统的变化规律,预测复杂、模糊、高度非线性河流水质。以黄河内蒙古河段为例,构建以上游断面监测数据预测下游水质变化的BP神经网络模型。模型选用L-M数值优化算法,采用3-6-1型网络结构,对黄河内蒙古河段2013—2014年各监测断面COD监测值进行训练。结果表明:BP神经网络具有很强的非线性映射能力和柔性的网络结构,可以很好地应用于黄河内蒙古河段COD预测,平均相对误差为5.66%,预测精度较高,为河段水环境治理、水质监测和控制污染提供借鉴意义。

基于B-P神经网络优化算法的城市环境空气中PM_(10)浓度预测模型

将B—P神经网络应用于西安市环境空气中P10浓度预测，对网络结构和算法进行了优化，建立了PM10浓度预测模型。经验证模型精确度比较高，PM10日平均浓度绝对误差0．015～0．020mg／m^3，相对误差在-20％～20％范围内。

大型钢铁企业电力负荷的短期预测研究

分析某大型钢铁企业电力负荷的特点,采用小波变换与BP人工神经网络相结合的方法,根据实际数据对其电力负荷进行短期预测,并与BP人工神经网络方法的结果进行比较,结果表明通过小波变换处理过的数据,各负荷分量特性相对一致,预测性能提高。

炼油企业可持续发展评价模型

从经济、社会、科技、环境、资源 5个方面对炼油企业可持续发展水平进行了综合评价 ,建立了评价指标体系。针对指标体系中各种指标由于度量单位不同而无法进行直接比较的问题 ,采用效用函数法对各项指标进行了无量纲处理。用层次分析法确定了指标的权重 ,通过求解最大特征根及其对应的特征向量 ,确定了表达每一层次元素相对重要性的权值 ,进而导出对整个问题的分析。利用B P神经网络分析法建立了网络评价模型 ,并采用实际数据样本对网络进行了训练和检验 。

基于数据挖掘的财务预警模型设计与实现

利用决策树算法在筛选属性方面的优势,对传统ID3算法进行了改进,建立了一个精简的财务指标体系。然后,利用人工神经网络在建立财务预警模型方面优于其他线性和回归模型的特点,基于B-P模型构建了一个新的混合财务预警模型。最后,本文利用测试集中样本,将该模型与经典的Z计分模型的预警能力从第一错误率和第二错误率两个角度加以比较。通过实际样本的分析对本文建立的财务预警模型的预警能力进行了很好的验证。

陕西省人工神经元网络降水年、季度预报系统

利用Ｂ－Ｐ人工神经元网络进行了陕西省年度、季度降水预报试验，提出了利用０～１模型解决多等级预报问题的方法，并建立了年度、季度等级预报模型。经过试验，表明该方法预报效果良好。最后对模式在应用中的一些问题及与目前其它预报模型的差异等进行了讨论。

高可用性系统结构的研究

本文讨论了高可用性系统的体系结构，分析了高可用性系统实现的软硬件结构以及要解决的主要问题和困难，得出了一个避免单点失效、保证整机容错的高可用性系统结构。

应用遥感数据识别意大利沿海松林灾害级别

分析了 L andsat TM和 ERS- 1SAR数据用于识别意大利沿海松林污染灾害级别的潜在能力。结果显示出夏季获取的 TM数据在森林灾害制图上远比冬季获取的 TM数据和 SAR影像有效 ,但 SAR影像的贡献也是不可忽略的。文中给出了应用人工神经元网络 B- P模型得到的对意大利沿海松林污染灾害级别划分的结果和应用

基于循环神经网络的语音识别研究

语音识别作为人工智能研究中不可或缺的一部分已经逐渐渗透到人们的日常生活中。针对传统语音识别方法不能很好地实现并识别复杂多变、非特定人语音的问题,文中提出利用在时间序列上关联性较强的循环神经网络(RNN)建立语音识别模型。考虑到语音信号丰富的时频信息表达,在特征提取环节进行改进,利用具有较好时频分辨率的小波变换(WT)取代快速傅里叶变换(FFT)作为该模型的输入;然后,采用随时间展开的反向传播算法(BPTT)进行特征学习与训练。在实验测试中,首先,对比分析了基于小波变换的特征提取对识别效果的影响;其次,通过与传统的HMM模型及BP神经网络的识别率做对比,验证RNN神经网络可提高语音识别准确率和稳定性。

地下工程围岩稳定性分类的人工神经网络模型

本文基于人工神经网络的一典型模型──误差反传模型，根据《水利隧洞设计规范》及国内外围岩分类经验用插值法构造学习样本，建立了地下工程围岩稳定性分类的神经网络模型。研究表明，该模型具有较好的分类能力及较高的分辨率，可望成为地下工程围岩稳定性分类的有效手段。

用人工神经网络对SARS疫情进行分析与预测

采用三层结构的反向传播网络(backpropagationnetwork,简称BP网络),对SARS在中国的传播与流行趋势及控制策略建立了网络模型.并利用实际数据拟合参数,针对山西的疫情进行了计算仿真.结果表明,该网络模型算法收敛速度较快,预测精度很高.