结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。     

企业研究院中实习生的安全管理方法初探

企业研究院的安全工作直接关系着相关人员的生命财产安全,关系着企业和社会的安全稳定。本文探讨了研究院实验室存在的安全管理问题,并以宁波诺丁汉大学新材料研究院为例,从安全组织架构的建设、实习生的遴选、安全培训和准入制度、风险评估管理、加强安全检查及持续沟通等方面介绍了企业研究院在实习生安全管理方面的改进做法,以期为同类型的企业研究院实验室安全管理提供参考和借鉴,确保包括实习生在内的师生员工的生命安全和健康。     

基于GM-RBF组合模型的空气质量预测研究

空气质量变化是受多元复杂因素耦合作用的结果,为提高空气质量预测精度,提出了一种改进的灰色神经网络组合模型。该模型首先对原始数据进行重构,实现原始数据一维到多维的变换,从而提高数据利用率,再利用灰色模型弱化数据随机性,通过RBF神经网络实现对空气各污染组分的非线性预测。实际应用表明:GM-RBF组模型拟合及预测结果与各指标浓度实际监测结果基本一致,总体变化趋势也高度吻合,对SO2、NO2、PM10、PM2.5、CO等指标的预测精度均在0.05以下,对波动性最大的O3浓度预测精度也达到了0.0631,也印证了O3属宁波市空气质量最主要污染物。由此可见,基于GM-RBF组合模型的空气质量预测体系增强了模型的泛化能力和数据利用率,精度更高,稳定性更好,能够满足空气质量准确预测的要求,为大气污染治理及环境保护方略制定提供参考依据。