基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

城市内涝预警系统的设计与实现

城市因暴雨来袭导致内涝问题日益凸显,严重威胁人们的生命财产安全。为此,本文以南京市为例研发了城市内涝预警系统。系统采用浏览器/服务器(Browser/Server,B/S)系统架构,基于BP神经网络构建城市内涝水深预测模型。系统包含雷达估算降水服务、历史资料库服务、城市内涝预警服务,实现了雷达估算降水产品的反演、城市内涝基础信息的导入和查询、城市内涝的预测及分级预警服务,能够为城市内涝的快速响应和防洪减灾提供决策支持。     

基于模拟退火优化BP神经网络的变形监测数据预测方法

针对BP神经网络模型用于变形监测数据处理时容易陷入局部极小值并且收敛速度慢的问题，提出一种基于模拟退火(Simulated Annealing,SA)算法优化BP神经网络的建筑物变形预测方法，利用SA的全局寻优能力对BP神经网络的模型参数进行优化，使参数迭代过程始终保持较高的“温度”和“能量”，从而确保BP神经网络能够得到全局最优解的同时具备较高的预测精度和收敛速度。采用实际算例对所提SA-BP方法在低信噪比和小样本条件下的预测精度进行验证，结果表明所提方法相对于传统BP神经网络法和小波方法能够获得更高的预测精度，并且在小样本和低信噪比条件下优势更加明显。     

基于BP神经网络的线损不良数据辨识及其预测

电能在输送过程中产生的大量损耗会大大提高电网的运营成本,同时海量的电网数据中往往包含错误数据,对线损计算及预测有严重影响。针对该问题,提出一种基于BP神经网络的不良数据辨识模型,可以有效辨别线路数据中的不良数据,并进行剔除。剔除不良数据后,再利用BP神经网络对线损进行预测。以宿迁市某变电站数据为例,验证了该模型的适用性。     

红外菲涅尔透镜的注射超声辅助成型优化

为了提升聚合物红外菲涅尔透镜的光学性能,以其表面微沟槽的成型质量为目标,提出了一种高效的注射超声辅助成型方法,并对工艺参数进行了综合质量优化。首先分析了超声振动对聚合物的加热和加压效应,设计了一套一模两腔的对比试验模具;接着以红外菲涅尔透镜的调制传递函数MTF和齿形平均高度h为优化质量目标,设计了四步骤的多目标优化流程,通过试验设计、基于BP神经网络的质量目标与注射工艺参数关系建模、基于NSGA-Ⅱ的多目标优化和试验验证进行工艺参数的综合优化。实验结果表明:该多目标优化流程具有很高的精度,MTF和h的平均预测误差MPE分别为4.16%和3.32%;注射超声辅助成型的菲涅尔透镜微沟槽具有更高的复制质量,其齿沟槽平均高度h增加了15.6%,且h值的波动量随着h值的增大而增大,MTF值受齿高h均匀性的影响大于齿高h对其的影响。     

基于逐步优化算法的梯级电站优化调度研究

长河坝、黄金坪梯级电站投产后,面临"康甘断面送出受限""运行方式孤立""龙头水库未建"等一系列突出问题。因此,开展长河坝、黄金坪梯级水库优化调度研究具有现实意义。笔者从梯级电站的工程特性入手,通过探索出力联动机制,基于逐步优化算法(POA)建立优化调度模型,以1952～2017年的径流资料为基础,对梯级电站的年度发电量进行优化计算,并通过BP人工神经网络模型对计算结果进行检验,结果表明:优化模型计算稳定,收敛性好,为梯级水库优化调度研究提供了思路。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。