湿度对PM_(2.5)/PM_(10)比值影响及MLP神经网络大气污染预测

颗粒物污染严重影响大气环境质量和公众身体健康.基于郑州、太原、成都2022—2023年秋冬季大气污染和气象数据,讨论了PM_(2.5)、PM_(10)污染特征,通过计算斯皮尔曼系数并进行偏相关分析,得出PM_(2.5)/PM_(10)与相对湿度之间的相关性,并利用MLP神经网络建立关于PM_(2.5)和PM_(2.5)/PM_(10)的预测模型.结果表明,郑州、太原、成都2022—2023年秋冬季PM_(2.5)均值分别为63.52、52.68、50.95μg/m^(3),PM_(2.5)/PM_(10)比值都超过0.5.郑州、太原PM_(2.5)/PM_(10)与相对湿度呈现较强的正相关性.利用MLP神经网络对PM_(2.5)和PM_(2.5)/PM_(10)建立预测模型,误差分别为6.75μg/m^(3)和0.076,模型精度较高.建议未来从秋冬供暖、推广工业水蒸气回收装置、合理开展道路洒水等方面巩固颗粒物污染治理成效,探索和优化机器学习模型用于PM_(2.5)/PM_(10)预测,为大气污染防治提供数据参考,以求发挥大数据在做到精准治污中的作用.

MLP神经网络在子宫颈细胞图像识别中的应用

目的探讨MLP神经网络在宫颈细胞图像识别中的应用。方法将测量的子宫颈细胞和细胞核的27个特征量作为MLP神经网络的输入参数,利用软件STATISTICA7.0建立网络模型,使用四种不同的算法训练网络,对700个子宫颈细胞进行分类识别,使用VC++.NET语言模拟调用网络。结果在四种算法中,使用共轭梯度法训练的MLP神经网络学习63次后,训练集识别率为98.67%,测试集识别率达到94.44%。不同算法的MLP神经网络的输入参数的敏感度排序均与细胞病理学特征基本一致。结论使用共轭梯度法训练的MLP神经网络可以较好地对宫颈细胞特征进行分类识别,在计算机辅助诊断方面具有广阔的应用前景。

基于混合遗传算法优化的MLP神经网络的调制方式识别

提出了一种基于遗传算法与多层感知神经网络的调制识别方法,运用改进遗传算法优化的多层感知神经网络分类器对各种调制信号的特征矢量进行分类识别.利用遗传算法的高效全局特性,克服了传统BP算法易于陷入局部最优解的缺点,同时在遗传算法基础上增加梯度下降算子,加快了收敛速度,使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验的结果证明了此方法的有效性和可行性.

基于GM(1,1)-MLP神经网络组合模型的物流总额预测

由于传统的基于GM(1,1)的物流总额预测方法需假设其他因素变化对物流总额无影响,给预测结果带来较大误差,本文采用GM(1,1)-MLP神经网络组合模型对我国未来物流总额进行预测。将组合模型与GM(1,1)的2012—2016年物流总额拟合结果进行比较,发现组合模型的预测平均误差仅为2. 3%,远低于GM(1,1)的预测平均误差(25. 2%),精准度大大提高,可以被有效应用于我国未来的物流总额预测。

基于MLP神经网络的物流需求预测模型研究

物流需求的高速发展使得区域物流系统建构、物流的合理分配成了该过程中的主要部分,但是经济的发展才是物流业的核心关键,所以研究物流的需求必须分析经济的发展要素。论文中通过影响物流业的影响因素进行模型搭建,物流的预测和这些因素密不可分,利用数据挖掘技术对数据进行预处理,得到更为有效的数据和去除冗余的信息,得到的数据采用MLP神经网络训练技术对数据分析,利用结果对未来的物流需求进行模拟。最后模拟实验发现得到的结果与实际数据误差不大,所以该模型和处理模型的方法有效可行。

基于MLP神经网络的盾构推进速度预测研究

随着社会的进步与交通的快速发展,盾构机在我国的基础建设中占据着重要的地位,与其紧密的施工安全问题和智能化的问题也得到人们的密切关注。然而,我国在智能化盾构方面的理论知识和实际经验上相比于较发达国家尚有欠缺,盾构机运行时的参数主要还是依靠人工进行经验化的设置。为此,文中借鉴现在发展火热的人工智能和无人化汽车的经验,利用目前较成熟的数据处理和神经网络算法,利用各类传感器的实时数据对盾构下一步的参数进行预测。利用MLP神经网络和历史的盾构传感器数据对推进速度进行预测,可以得到与实际参数相比较为良好的预测结果集。由此仅对我国的盾构工程起到了很大的促进作用,也可减少人工经验化参数的设置,降低施工事故,使盾构施工更合理化、科学化。

一种基于MLP神经网络的农用井泵故障诊断模型及应用

针对农用井泵常见的故障,建立了基于前馈MLP神经网络的故障诊断模型,并用反向传播算法进行训练。同时,用隶属度值定量描述故障程度,以出水量变小、有震动或噪声、出浑水、水泵不转、密封处温度异常升高5种常见的异常状况和井龄、泵龄、扬程、水泵淹没深度4个辅助条件作为网络的输入,以12种故障原因的4位二进制码和程度值作为网络输出,通过公式法确定隐含层的节点个数为10。通过训练后的神经网络对测试样本进行检验,验证了该神经网络模型对于农用井泵故障诊断的适用性。

基于MLP神经网络改进组合导航算法

为解决GPS信号失锁条件下,GPS/INS(inertial navigation system)组合导航系统解算精度降低甚至发散的问题,提出采用多层感知机神经网络(multilayer perceptron neural networks,MLPNN)来辅助组合导航系统。在GPS信号有效时对神经网络进行训练,在GPS失锁时利用神经网络对INS的导航误差进行修正,实现组合导航的连续性。跑车实验数据表明,GPS信号失锁360 s左右时,MLPNN辅助的组合导航方法最大位置误差在40 m以内,相对于纯惯性导航推算降低了35%的误差。该算法对GPS失锁后抑制GPS/INS组合导航系统误差快速发散、提高导航解算精度有显著效果。

基于MLP神经网络的女大学生头面部号型归档与预测

为提高头面部产品适配性,文章运用马丁测量仪等对189名18~26岁女大学生进行头面部测量,通过主成分分析(PCA)提取了影响头面部形态的7个特征因子,采用K-means聚类方法得出5种头面部形态分类,利用指数分型法把头面部进行量化分型,并提出基于多层感知器(MLP)神经网络头面部号型预测模型,提高由于头面部尺寸过于繁杂在进行号型分类或选择时参考依据过多而产生的生产工作效率低等问题。结果表明:头面部号型可细分为XS型/形态指数>93、S型/形态指数∈(88,93]、M型/形态指数∈(84,88]、L型/形态指数∈(79,84]、XL型/形态指数≤79,其中M型分布最广,号型覆盖率较好,可作为中间号型;并通过MLP神经网络实现通过少量头面部特征尺寸精准预测其号型分类,生成的模型预测结果正确率达到93.42%,研究结果可为头面部产品的设计和生产提供参考。

基于MLP神经网络算法的中医肥胖体质分类模型研究

目的:基于MLP神经网络算法,构建超重和肥胖人群的中医肥胖体质分类模型,以辅助中医肥胖干预及诊疗。方法:从2016—2018年江苏某省级综合性医院体质调理门诊数据库中,筛选出2911个样本数据作为数据集,利用MLP神经网络算法建立中医肥胖体质分类模型,并验证模型的准确率。结果:根据超重肥胖人群的体检指标,对肥胖的类型进行中医体质分类,建立的中医肥胖体质分类模型,分类准确率达到90%以上。结论:MLP神经网络算法建立的中医肥胖体质分类模型,可为肥胖症的中医药防治提供辅助诊断和治疗。

基于AgInSbTe忆阻器的高效MLP神经网络

忆阻器自被制造出来以后在神经形态计算方面展现了巨大的应用潜力,然而众多神经形态计算算法的基于忆阻器的神经网络往往无法处理负突触权重或者需要引入非常复杂的控制电路,从而无法获得较高的处理效率。为了克服这一困难,提出一种结合忆阻器参考行和流控电压源(CCVS)的结构,实现了正负权重在单个忆阻器件上的高效映射。以双层的MLP忆阻神经网络为例,设计了简洁的神经元电路和外围控制电路,利用Verilog-AMS语言对该神经网络进行了行为级仿真,在MNIST数据集上得到了94.13%的正确率,验证了提出结构的高效性。

基于PSO-MLP神经网络的遥信插件质量识别方法研究

为了提高继电保护装置遥信插件的出厂质量,解决产品检验自动化的问题,提出了一种基于PSO优化多层感知器(Multi-LayerPerceptron,MLP)神经网络的遥信插件质量识别方法。首先,建立了继电保护装置遥信插件自动化硬件测试平台。然后,改进了PSO优化算法,调整了惯性权重?的滑动特性,使其根据粒子间距实时调整步进。最后,在SPSS中使用k-s检验对原始起动电压数据进行正态性检验,得到了具有正态性样本的频率分布及其拟合曲线,提取特征训练集,并对神经网络进行训练和测试。实验结果表明,该方法能够有效且准确地对遥信插件进行质量识别,实现了产品检验和质量识别的自动化及智能化。PSO-MLP神经网络训练时间短,收敛速度快,质量识别准确度高,约为97%,且泛化能力强。

基于Piper-PCA-MLP神经网络的矿井涌水水源识别方法研究

为了快速准确地识别矿井涌水水源,提出一种基于Piper-PCA-MLP的矿井涌水水源判别模型。以乌东煤矿为例,通过Piper三线图揭示了矿区不同地下水含水层的水化学特征,筛选了来自矿区不同涌水含水层的23个水样,获得了22个代表涌水含水层的典型水样。选用Na^(+)+K^(+)、Ca^(2+)、Mg^(2+)、Cl^(-)、SO_(4)^(2-)、HCO_(3)^(-)、NO_(3)^(-)和TDS八种水化学指标作为判别指标,考虑到乌东煤矿含水层水质边界不明显和水化学组分差异性不大的特点,选择MLP神经网络作为模型识别的基础,为了解决MLP神经网络在面对高维数据时训练收敛较慢,建模时间较长等缺点,使用主成分分析算法对数据进行降维,提取三种主要指标作为判别因子。以22组水样数据中17组作为训练样本,5组作为测试样本建立PCA-MLP模型,为了凸显模型的可靠性和准确性,选取同一样本集对水样数据分别建立PCA-层次聚类模型、MLP、PCA-RBF模型,并对其判别结果进行分析比较。结果表明:经过PCA降维的MLP神经网络能够有效消除水样水化学指标间的相互影响,对第四系孔隙潜水,地表水判别正确率均为100%,对基岩裂隙孔隙水的判别正确率为92.3%,明显优于其它方法,可为矿井涌水水源的识别提供一种新方法。

基于MLP神经网络的水泥分别粉磨强度预测模型与分析

为研究分别粉磨配制水泥中多组分下各原料对强度的影响,提出利用多层感知器(multi-layer perceptron,MLP)神经网络建立模型的方法。选用矿粉、粉煤灰和石灰石粉作为混合材,进行单因素试验得到活性数据,设计分别粉磨配制水泥配比组成试验样本,通过训练数据构建MLP神经网络模型,归纳出相关因素与强度之间的表达式。结果表明:活性越高的混合材多掺或适当磨细更有助于提高强度,增加石灰石粉含量有助于提升3 d抗压强度;所建立模型对3 d和28 d龄期抗压强度的预测结果精准,平均相对误差小于2%。

一种基于MLP神经网络的铝电解槽出铝计算方法

铝电解槽出铝量计算往往根据人工经验制定,很难建立数学模型,针对于此,对影响出铝计算的参数进行了相关性分析,筛选出电解质水平、铝水平、槽温、分子比、出铝偏差影响出铝量的主要参数,构造基于多层感知机(Multi-Layer Perception,MLP)神经网络的单槽出铝预测模型,利用经验数据完成训练,基于残差检验法检验模型的预测性能。实验结果证明了本文方法的有效性。

基于MLP神经网络优化改进的BW模型

神经网络具有强大的建模能力和对大规模数据的适应性,在拟合核质量模型参数方面表现出显著效果.本研究旨在探索神经网络拟合核质量模型参数的问题:采用多层感知机(multilayer perceptron,MLP)神经网络结构,评估不同参数下Adam优化器的训练效果,训练出准确的模型参数.研究发现,基于AME2020数据,更新系数后的BW2核质量模型在双幻数以及重核区域的均方根误差降低明显;BW3模型重新拟合后的全局均方根误差为1.63 MeV,较之前1.86 MeV有所降低.结果表明,该方法能够有效地拟合模型参数,并具有良好的拟合性能和泛化能力.这项研究为BW系列核质量模型的系数提供了新的拟合方法,也为其他核质量寻求最佳拟合参数提供了有益的参考.

基于ASO-MLP神经网络的大气加权平均温度模型

为了得到高精度的本地大气加权平均温度(T_(m))模型,本文在多层感知(MLP)神经网络模型的基础上引入原子搜索优化(ASO)算法,构建ASO-MLP模型。将气象参数作为模型的输入因子,在此基础上使用ASO算法对模型的权值与阈值参数进行寻优。利用东北地区6个探空站数据进行模型训练并进行后一年T_(m)预测,实验结果表明,本文提出的ASO-MLP模型的T_(m)预测结果的Bias为-0.05 K,RMSE为4.07 K,R^(2)为0.931,较对比模型具有更好的精度指标,拟合度更高。本文针对东北地区的本地化T_(m)模型研究可为地基反演大气可降水量提供支持。

基于现场监测和人工神经网络的填埋场二氧化碳释放浓度预测分析

垃圾填埋场会产生大量的填埋气,其中40%~60%为CO_(2),CO_(2)会导致温室效应并降低填埋气的利用效率,因此掌握及预测填埋气中CO_(2)的释放规律对于控制其扩散及填埋场温室气体排放评估具有重要意义。本文分析了杭州某填埋场2018年全年CO_(2)浓度,发现CO_(2)与H2S的浓度在春秋季表现出强线性相关性,秋季的皮尔逊相关性系数绝对值为0.77。同时,建立多层感知器(multi layerperceptron,MLP)的人工神经网络模型预测CO_(2)浓度,并选取箱型图法对数据进行前处理以剔除监测设备故障等非自然因素导致的异常值,选取PM_(2.5)、风速、风向、气温、空气湿度作为输入指标,结果表明模型预测结果与现场实测结果约为R=0.7,说明模型效果较好。基于该模型对缺失的9月份数据进行填补,其结果与CO_(2)全年释放规律吻合良好。本文基于现场监测数据建立的神经网络模型可用于填埋场CO_(2)释放的预测评估,对CO_(2)等填埋气释放的控制和填埋场现场管理具有指导意义。

基于MLP神经网络的架空线路未来24 h覆冰风险预测

架空线路覆冰威胁电网的安全稳定运行,预测架空线路覆冰风险能为电网及时开展抗冰工作提供决策参考。本文对架空线路覆冰在线监测及微气象数据预处理,利用SPSS数据分析平台,建立MLP神经网络模型,用微气象参数判别架空线路覆冰,进而预测架空线路未来24 h的覆冰风险。研究结果表明:未覆冰线路未来24 h覆冰风险预测的绝对误差不超过7%,该模型能准确预测当前未覆冰的架空线路未来24 h覆冰风险。