基于神经网络的交通发生量预测研究

交通发生吸引量预测是交通规划四阶段的首要步骤,其预测结果是城市规划布局及交通设施建设发展的重要依据.为了提高交通发生量预测准确性,利用K-means聚类分析对交通小区进行分组;对同组内样本小区各项土地利用及人口就业指标进行主成分分析,通过计算主成分载荷率为选择预测影响因素提供依据;针对各组样本分别建立BP神经网络模型,以土地利用和人口数据作为输入变量,小区交通发生量作为输出变量,以大连市城市交通调查数据为例对上述方法进行检验,并与传统回归模型预测结果进行比较.结果表明,在数据预处理基础上建立的BP神经网络模型具有较高预测精度.     

长藤结瓜灌溉系统回归水重复利用

运用遥感手段来获取研究区域内水体以及土地利用信息,以当地中小型蓄水设施为节点,在数字高程模型(DEM)平台上构建回归水重复利用模型,提出以中小型蓄水设施集水区域为基本单元的回归水定量计算方法,并由各相连集水区域的连续水量平衡分析实现尺度的放大.将模型运用于漳河灌区,运用田间观测数据率定其参数.结果表明:合理开发利用中小型蓄水设施能够显著提高灌区水的重复利用率,其值随着尺度的放大而提高.该法适用于长藤结瓜灌溉系统不同尺度,其结果具有一致性.     

基于日光诱导叶绿素荧光的地理加权回归干旱监测模型!

选择中国南方地区为研究区域,以土壤含水量为实际农业干旱情况的参考指标,以日光诱导叶绿素荧光(SIF)为主要变量,结合地表温度、降水因子等参数并引入地理加权回归(GWR)技术,建立基于多源数据的GWR农业干旱监测模型,并对模型的监测效果进行验证。结果表明,该模型能很好地估测土壤水分,且GWR模型比普通最小二乘法回归模型能更准确地体现旱情模式的空间非平稳特征。同时,GWR模型回归系数的多年均值可用于旱情预测,预测结果较为准确。对比使用SIF和归一化植被指数(NDVI)建立干旱监测模型,结果显示,SIF比NDVI更适合于拟合土壤水分含量,SIF有替代NDVI应用于大尺度范围农业旱情监测的潜力。     

人工神经网络应用于厅堂声级预测

根据目前已有文献的研究结论和厅堂实测数据,将人工神经网络应用于厅堂声级的预测。结果表明:对于矩形平面厅堂,选择少数与厅堂声级相关性高的几何、物理参量作为神经网络模型的输入变量,可以准确地预测厅堂声级。     

基于偏最小二乘回归的湿法烟气脱硫效率预测

利用影响石灰石—石膏湿法脱硫效率的主要参数为输入变量,脱硫效率作为输出变量,采用偏最小二乘回归法（Partial least squares regression,PLS）对脱硫系统进行建模,提出了湿法烟气脱硫效率计算模型。运用此模型对某电厂湿法烟气脱硫效率进行预测,预测结果和运行数据最大相对误差小于5.0%.表明PLS对湿法脱硫效率预测精度较高,对脱硫系统运行具有一定的指导意义。     

管网在线-人工监测系统余氯预测Logistic回归模型

根据国内管网水质监测现状,对南方某城市供水管网多项水质指标进行检测,选择余氯为预测指标,以在线监测水质指标为影响变量,建立在线-人工监测系统的Logistic回归模型,对管网末梢余氯达标与否进行概率预测.经实例验证,预测结果达到了较高的准确度,可通过少量在线监测点预测并了解整个管网水质状况.     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于动态内并行潜结构投影的故障检测方法

针对实际工业过程故障检测时存在误报警现象及易缺失部分时段质量数据的问题，提出在线监测动态内潜结构投影(OM-DiPLS)模型.该模型通过引入时延的质量数据，使得在缺失部分时段质量数据时能够实现模型的更新.为了更好地监控质量变量中不可预测的信息，基于OM-DiPLS模型提出在线监测动态内并行潜结构投影模型.该模型将过程数据和质量数据投影到输入输出相关的协变子空间、输出无关但过程相关的输入主子空间、输入残差子空间、不可预测的输出主子空间及输出残差子空间，通过对各子空间构造相应的统计量，实现过程监测.田纳西-伊斯曼过程仿真的实验表明，利用所提算法有效提高了质量相关故障的有效检测率，降低了质量无关故障的误报率.     

基于堆叠法集成学习的购买意向预测方法

为提高对用户购买意向预测的准确率,提出了一种基于堆叠法集成学习的用户购买行为预测模型.利用模型融合技术,将逻辑回归、决策树和XGBoost模型作为基学习器输入,再以随机森林模型作为次学习器进行堆叠,从而形成一种组合模型.针对电商提供的线上用户数据集,首先利用滑窗技术提取用于预测用户购买行为的特征,然后分别使用逻辑回归、决策树、XGBoost和集成学习组合模型预测用户购买意向的准确性.结果表明,组合模型的准确性明显优于其他算法.     

基于ANFIS的混凝土空心砌块砌体抗压强度预测

为更准确地预测混凝土空心砌块砌体抗压强度,引入自适应神经模糊系统(ANFIS)建立了预估模型.以砌块强度和砂浆强度作为模型输入变量,砌体抗压强度作为模型输出变量值,构建模糊系统模型来描述它们之间的非线性关系.利用统计的国内56组试验数据对模型进行训练和测试,并将试验值与ANFIS模型预测值、现行规范计算模型预测值进行了对比.研究表明:ANFIS模型可以较好地表达抗压强度与其影响因素之间的非线性映射关系,且该模型的预测精度明显高于目前规范计算模型预测精度,可作为混凝土空心砌块砌体抗压强度预测的一种新方法.     

输入量的选取对人工神经元网络估计负荷模型精度的影响

电力系统负荷模型的准确性对电力系统的分析与控制起着重要的作用。人工神经元网络模型能较好地模拟实际负荷的动态特性，但其模拟的精度很大程度上取决于输入量的选取。本文选取三组不同的输入量，采用误差反向传播算法（ＢＰ算法）进行训练．并对其精度作了比较，从而提出用人工神经元网络估计负荷模型时所应选取的输入量。     

城市给水管网水质模型的研究

提出了在城市给水管网中建立水质模型的两种方法：第一种是有外部输入的自回归模型ARX；第二种是神经网络模型ANN，两种模型的建立都是以天津市某小区给水管网水质监测的数据为基础的，模拟的结果显示这两种模型有相近的性能，但是在本实验情况下，ANN模型比ARX模型有更好的预测能力．     

改进的人工神经网络水文预报模型及应用

在人工神经网络水文模型的研究中,往往加入前期径流以提高模型的预报精度.针对由此带来的问题,通过耦合总径流线性响应模型,建立一种基于人工神经网络的实时预报模型.通过引入总径流线性响应模型的模拟径流作为模型输入,模型的模拟模式能够提供较长的预见期,同时加入误差校正模型的实时预报模式也能够取得较高的模型精度.采用3个不同流域的流量资料对模型进行率定与校核.结果表明,模型能够取得较高的预报精度,显示了良好的适用性.     

基于神经网络逆模型的过热汽温补偿控制研究

为改善大型电站锅炉的过热汽温控制效果,提出一种基于人工神经网络扩展逆系统模型的过热汽温补偿控制方案.首先结合锅炉的结构和运行特性,分析影响过热汽温的主要因素,确定神经网络逆系统扩展模型的输入和输出参数.借助MATLAB神经网络工具箱建立过热汽温系统的动态逆过程模型(IDPM),运用历史运行数据完成神经网络模型的训练.以...     

基于神经网络的微合金钢热轧奥氏体晶粒尺寸预报模型

基于神经网络原理，对微合金钢热轧控制参数的选取进行了研究。制订了一套获取样本数据的实验方案。该方案利用Gleeble-1500热力模拟机提取了轧制温度、应变量、应变速率和相应的应力应变曲线，并通过显微观察获取了实验后样品断面的奥氏体晶粒尺寸。通过归一化把实验所得数据进行必要的处理。采用改进BP算法训练网络，对热轧控制参数（轧制温度、应变量、应变速率）和描述微合金钢组织性能的参数（奥氏体晶粒尺寸）之间的映射关系进行了函数逼近，建立了奥氏体晶粒尺寸流变应力神经网络模型，实践证明，将该神经网络模型运用于热轧控制预报，提高了预测精度并取得较好的效果。     

Evaluation of nitrate removal effect on groundwater using artificial neural networks

Considering the non-linear,complex and multivariable process of biological denitrification,an activated sludge process was introduced to remove nitrate in groundwater with the aid of artificial neural networks (ANN) to evaluate the nitrate removal effect. The parameters such as COD,NH3-N,NO-3-N,NO-2-N,MLSS,DO,etc.,were used for input nodes,and COD,NH3-N,NO-3-N,NO-2-N were selected for output nodes. Experimental ANN training results show that ANN was able to predict the output water quality parameters very well. Most of relative errors of NO-3-N and COD were in the range of ±10% and ±5% respectively. The results predicted by ANN model of nitrate removal in groundwater produced good agreement with the experimental data. Though ANN model can optimize effect of the whole system,it cannot replace the water treatment process.     

Prediction of 2A70 aluminum alloy flow stress based on BP artificial neural network

Recently ,withtherapiddevelopmentofthecompu tationtechnique ,thefiniteelementmethodisappliedmoreandmoretothenumericalsimulationofthemetalformingprocess .Therelationshipbetweenflowstressanddeformationconditionssuchasstrain ,strainratesandtemperatures,whichembodiestheresponseofamaterialtothedeformationparameters ,isveryimportantforthenumericalsimulationbyfiniteelementmethod .Butduringthehotdeformationprocess ,therearemanyfactorsthatinfluencetheflowstressofthemetal .Theeffectsofthesefactorsonthef…     

神经网络用于组合导航系统软件质量的评估

在大规模组合导航软件系统中，质量控制的主要任务就 精确地估测程序模块中存在的缺陷数．介绍了一种新的神经网络所建立的静态可靠性模型，根据软件复杂度估测了质量及质量拟合度，并且与传统回归技术进行了比较．当大型组合导航软件系统已有一批数据时，神经网络技术有更好的质量拟合度和估测能力．     

Quantifying the thermal damping effect in underground vertical shafts using the nonlinear autoregressive with external input(NARX) algorithm

As air descends the intake shaft, its infrastructure, lining and the strata will emit heat during the night when the intake air is cool and, on the contrary, will absorb heat during the day when the temperature of the air becomes greater than that of the strata. This cyclic phenomenon, also known as the "thermal damping effect" will continue throughout the year reducing the effect of surface air temperature variation. The objective of this paper is to quantify the thermal damping effect in vertical underground airways. A nonlinear autoregressive time series with external input(NARX) algorithm was used as a novel method to predict the dry-bulb temperature(Td) at the bottom of intake shafts as a function of surface air temperature. Analyses demonstrated that the artificial neural network(ANN) model could accurately predict the temperature at the bottom of a shaft. Furthermore, an attempt was made to quantify typical "damping coefficient" for both production and ventilation shafts through simple linear regression models. Comparisons between the collected climatic data and the regression-based predictions show that a simple linear regression model provides an acceptable accuracy when predicting the Tdat the bottom of intake shafts.