Runoff Analysis for a Small Watershed of Tono Area Japan by Back Propagation Artificial Neural Network with Seasonal Data

The rainfall runoff (R-R) process was studied for two small sub-basins having different sizes in a mountainous catchment of Tono area Japan. The runoff and other meterological data have been collected in this catchment for the last 14 years. The major objective of this study was to construct numerical models for these sub-basins to predict runoff after 1/2 and 1 h. The effects of season and the size of the catchment on R-R process were also investigated. The hydrogeological conditions of the catchment were studied prior to the analyses. The data obtained for summer (rainy) and winter (dry) seasons were treated separately in order to study the seasonal effects on the model development. The back propagation artificial neural network technique (BPANN) and the multivariate autoregressive and moving average models (ARMA) were adopted for the analysis. It was found that for very small catchments the seasonal effects are dominant and therefore separate models should be developed for each season to obtain better forecasting estimates. It was also found that the predictions by BPANN models were better than multivariate ARMA models for intense rains having complex R-R relationships in summer. On the other hand, both the modelling techniques yielded almost similar results for smaller rains in winter. It was also found clearly that the accuracy of prediction decreased with the increase of the time period for prediction.     

三维距离矩阵及预测烷烃的临界温度

本文从有机化合物分子三维空间结构出发,用其原子间的空间距离以替代二维距离矩阵,传统表示方法中的拓扑距离(键的数目),首次提出并建立表示分子空间结构的三维距离矩阵计算模型,并基于三维距离矩阵提出三维结构拓扑指数3- DM(W),将分子所含原子个数和支化度组合作为BP人工神经网络(BPANN)的输入参数,利用BPANN预测烷烃化合物的临界温度(T_c),结果精度符合化工计算的要求。可以预料三维距离矩阵计算模型极可能在定量结构-性能关系研究中起重要作用。     

改进的BP神经网络算法在水质监测中的应用

针对一类多输入多输出系统进行辨识, 以"A simulation of the western basin of Lake Erie"为例, 通过分析河流湖泊的水质特征, 针对伊利湖湖泊水质建立数学模型, 由于该环境系统为多输入多输出系统, 文章采用了一种改进的BP神经网络算法, 利用Matlab神经网络工具箱进行数据分析, 绘出实际输出与模型输出的曲线以分析相关情况, 检验建立的模型对于系统的辨识水平, 给出传统BP网络和改进BP网络对该系统辨识的结果进行分析对比. 文章还对不同噪声层次下的数据进行分析比较, 并研究白噪声对于人工神经网络模型的影响.     

基于神经网络法的舱室噪声预测

提出了利用人工神经网络(ANN)预测舱室噪声的方法。针对现有封闭声场模拟方法适用频带范围有限和所需参数过多的不足，结合舱室噪声场的特点，给出了一种可模拟封闭空间内部噪声的BP神经网络算法．进行了仿真实验。结果表明，利用12输入、2个隐含神经元和1输出的ANN模型．可以准确地预测不同大小矩形空间内部的噪声分布情况，而且对于中高频和低频段都具有较高的精度。     

湖泊表面水温预测与可视化方法研究

湖泊表面水温是水生态环境的重要因子,直接影响流域生态系统及生物多样性。准确获取湖泊表面水温、预测表面水温时空变化过程是控制和改善流域水生态环境的基础,同时也是预防和治理蓝藻水华爆发的关键。为此,以滇池为研究区,以2005~2016年10个水质监测站点的54个水质数据(水温、叶绿素a、pH、高锰酸盐指数、溶解氧等)为基础数据集,将支持向量回归(SVR)、主成分分析法(PCA)及反向传播人工神经网络(BPANN)3种算法相结合,组成混合预测模型,并将克里金插值法与地理信息系统相结合,实现滇池水温12年来历史变化过程的情景再现及未来5年变化趋势的情景模拟。研究结果表明,模型的平均相对误差为0.5%,均方根误差为1.452 3,R~2=0.904 9,具有误差低、泛化高的综合预测性能;空间可视化分析结果表明,2005~2020年水温高于20℃的区域呈现北向南扩散趋势,蓝藻水华爆发可能性由局部性变为全面性,这与昆明市快速城镇化发展及全球气候变暖密切相关。     

超临界CO_2中固体溶解度的逆向传播人工神经网络模拟

为了更好地模拟超临界CO2(SC CO2)中固体的溶解度数据,采用逆向传播神经网络(BPANN)对30种固体在超临界CO2中的873个溶解度数据进行了模拟,所得相对误差(AARD)都在10%以下,小于状态方程和经验方程的值,此结果表明BPANN能较好地模拟SC CO2中固体的溶解度数据。     

A satellite-based model for estimating PM2.5 concentration in a sparsely populated environment using soft computing techniques

We applied three soft computing methods including adaptive neuro-fuzzy inference system (ANFIS), support vector machine (SVM) and back-propagation artificial neural network (BPANN) algorithms for estimating the ground-level PM_2.5 concentration. These models were trained by comprehensive satellite-based, meteorological, and geographical data. A 10-fold cross-validation (CV) technique was used to identify the optimal predictive model. Results showed that ANFIS was the best-performing model for predicting the variations in PM_2.5 concentration. Our findings demonstrated that the CV-R² of the ANFIS (0.81) is greater than that of the SVM (0.67) and BPANN (0.54) model. The results suggested that soft computing methods like ANFIS, in combination with spatiotemporal data from satellites, meteorological data and geographical information improve the estimate of PM_2.5 concentration in sparsely populated areas.     

BP人工神经网络在bug分析中的应用

应用于金融领域的软件系统,由于其包含复杂的商业逻辑导致此类系统不但庞大而且逻辑复杂。在此类系统的开发和升级过程中,系统缺陷及错误的寻找、分析常常非常困难且费时,在通常情况下,它往往成为整个项目中后期的瓶颈。运用BP人工神经网络的算法,设计并实现了针对某银行网上交易系统的缺陷及错误分析系统,并且通过实验证实该系统能帮助开发人员提高寻找、分析系统缺陷及错误的效率,进而加快整个项目的进度。     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

生育酚/CO_2、油酸甲酯/CO_2二元高压相平衡测定与关联

利用气液相交替循环装置结合重量法,分别测定了生育酚/CO2、油酸甲酯/CO2两个二元体系在温度为313 15～343 15K,压力为10～20MPa的高压相平衡数据,根据气液相中CO2的p-V-T关系以及相平衡特征,计算出生育酚、油酸甲酯在超临界CO2中的溶解度及其在气液两相中的分配系数。同时将实验测定值与相关文献值进行了比较。最后,运用BP人工神经网络对实验数据进行了关联,计算值与实验值吻合较好。