基于灰狼群智能最优化的神经网络PM2.5浓度预测

针对目前PM_2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM_2.5浓度进行预测,并使用平均影响值分析了影响PM_2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明：PM₁₀对PM_2.5的影响最为显著,其次是CO和前一天PM_2.5。选取2016年11月1日-12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m³,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM_2.5浓度的预测和空气质量的预报。     

基于烛台图模式匹配的PM2.5扩散特征的提取

现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测,忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此,提出一种基于烛台图模式匹配(CPM)的PM_2.5(大气细颗粒物污染)扩散特征提取方法。首先,利用基于卷积神经网络(CNN)的卷积思想从大量历史PM_2.5序列中生成基础周期烛台图;然后,通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析;最后,结合CNN在图像识别中的独特优势,形成融合图形特征与时序特征序列的混合模型,判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明,与使用单一时间序列数据的深度卷积神经网络VGG(Visual Geometry Group)相比,基于CPM的提取方法准确率提升了1.9个百分点。可见,基于CPM的方法能有效提取PM_2.5趋势特征,可以用于预测未来污染物浓度周期变化。     

基于随机森林的京津冀地区PM2.5遥感反演及变化分析

大气细颗粒物PM_2.5是影响人类生存环境和身体健康的主要大气环境污染物,研究PM_2.5质量浓度季节变化的规律及空间分布特征,对于大气污染物的预防和治理有着重要的意义。利用2018～2020年MODIS卫星L2级AOD产品、MERRA-2气象数据以及地面站点PM_2.5实测数据,基于改进的随机森林算法,构建AOD-PM_2.5反演模型,对京津冀地区PM_2.5质量浓度进行估算,并分析PM_2.5质量浓度空间分布特征以及季节变化规律。结果表明：(1)春夏秋冬4组模型决定系数(R2)均值分别为0.78、0.66、0.83、0.83,模拟精度较高。(2)2018～2020年京津冀地区春夏秋冬四季PM_2.5浓度呈显著的空间分布特征及季节变化规律。其中PM_2.5污染最大值出现在冬季,最小值出现在夏季。(3)历年同季节相比,京津冀地区PM_2.5污染范围和浓度数值均有所减小,2020春季和秋季PM_2.5<...     

基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究

随着我国经济的快速发展和城市化进程的加快,大气细颗粒物PM_2.5已经成为影响我国大气环境污染的主要因素之一。利用静止卫星数据可以获取大范围的面状PM_2.5信息,为我国大气环境的监测、治理、预测等提供了不可替代的数据源。以江苏省为研究区,利用静止卫星GOCI数据,在反演逐时气溶胶光学厚度（AOD）的基础上,结合气象因子,利用多元统计分析进行了研究区PM_2.5的遥感反演研究。结果表明：基于AOD的多元统计模型,在估计的PM_2.5浓度和观测值之间表现出良好的一致性,拟合度R ²为0.665 2。在对AOD进行湿度订正后得到的dry AOD进行多元统计建模,预测的PM_2.5浓度与观测值之间的拟合度R ²达到了0.702 6,证明了经过湿度订正后的“干”AOD与PM_2.5之间建立的关系更加可靠。使用GOCI反演的AOD计算PM_2.5浓度,在空间分辨率和时间分辨率上充分体现了GOCI作为静止卫星监测PM_2.5的优势。在空间分分辨率上,基于GOCI卫星获取AOD的空间分辨率为500 m,优于MODIS 10 km的AOD产品;时间分辨率上,基于GOCI获取AOD实现每日自9:00~16:00逐小时监测,优于MODIS每日两次的AOD产品。     

天宫二号数据大气细颗粒物遥感反演

针对天宫二号(TG-2)大气细颗粒物遥感反演及可行性问题,利用TG-2宽波段成像仪的可见近红外波段数据,结合MOD09A1地表反射率产品构建地表反射率库,使用6S传输模型和深蓝算法反演气溶胶光学厚度(aerosol optical depth, AOD),并结合能见度和相对湿度数据对AOD进行订正,利用统计模型估算了鲁豫皖典型地区的大气细颗粒物PM_2.5浓度,并对PM_2.5浓度的空间分布进行分析。结果表明：天宫二号数据在AOD和PM_2.5遥感反演中具有较高的可行性,拟合度分别达到0.910和0.902;经过垂直订正和湿度订正,PM_2.5和AOD之间的相关性大幅度提高;PM_2.5的空间分布呈“污染岛”特征,这在气溶胶排放和扩散研究中起着重要作用。天宫二号PM_2.5反演为区域大气污染监测提供了一种有效手段。     

基于生成对抗网络模型的小样本PM2.5预测

针对目前数据驱动的方法在小样本下PM_2.5预测准确率较低的问题,提出一种基于生成对抗性网络(GAN)模型PME-GAN,用于在线预测PM_2.5浓度值。在生成器中加入长短期记忆网络(LSTM)并用于提取输入数据的时序特征,在判别器中加入多层感知机网络(MLP),通过生成器对PM_2.5浓度值进行预测。与LSTM、GRU、CNN-LSTM和CNN-GRU 4种模型进行对比实验,结果表明,该方法在小样本数据集上具有更高的预测准确率,对保定测试集的后25%数据开始预测,预测效果很好。     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

城市微环境空气质量监测系统设计

文中介绍了一种城市空气质量监测系统。该系统基于第四代移动通信技术搭建大面积、高密度的无线传感器监测节点网络。传感器节点以STM32为控制核心,利用PM_2.5、PM₁₀、SO₂、NO₂、O₃和CO等传感器实现微环境中空气质量数据采集,利用GPS定位装置实现空间位置数据获取。节点通过无线通信模块将空气质量和地址数据实时上传至服务器,服务器对数据进行处理并在终端界面显示空气质量云图,实现空气污染监测和溯源。     

基于自组织递归模糊神经网络的PM2.5浓度预测

针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络(self-organizing recurrent fuzzy neural network,SORFNN)方法预测PM2.5小时浓度。首先,通过分析影响PM2.5浓度的多种因素,利用主成分分析法(principal component analysis,PCA)筛选出与PM2.5浓度相关性较强的特征变量作为神经网络的输入变量。然后,根据ε准则和偏最小二乘算法(partial least squares,PLS)进行规则化层神经元的增删,实现递归模糊神经网络结构的自动调整,并采用学习率自适应的梯度下降算法调整模型中心、宽度和权值等参数,建立PM2.5预测模型。最后,利用典型非线性系统辨识和实际PM2.5浓度预测实验进行验证。实验结果表明,所设计的自组织递归模糊神经网络结构精简且预测精度高,较好地满足了PM2.5实时预测的要求。     

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q₈预测精度,显著地优于SSpro8和SC-GSN。     

基于改进型PSO的模糊神经网络PM2.5浓度预测

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响.采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律.对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度.     

基于卷积循环神经网络的关系抽取

关系抽取是信息抽取领域一项十分具有挑战性的任务,用于将非结构化文本转化为结构化数据。近年来,卷积神经网络和循环神经网络等深度学习模型,被广泛应用于关系抽取的任务中,且取得了不错的效果。卷积网络和循环网络在该任务上各有优势,且存在一定的差异性。其中,卷积网络擅长局部特征提取,循环网络能够捕获序列整体信息。针对该现象,该文综合卷积网络抽取局部特征的优势和循环网络在时序依赖中的建模能力,提出了卷积循环神经网络(convolutional recurrent neural network,CRNN)。该模型分为三层: 首先针对关系实例抽取多粒度局部特征,然后通过聚合层融合不同粒度的特征,最后利用循环网络提取特征序列的整体信息。此外,该文还探究多种聚合策略对信息融合的增益,发现注意力机制对多粒度特征的融合能力最为突出。实验结果显示,CRNN优于主流的卷积神经网络和循环神经网络,在SemEval 2010 Task 8数据集上取得了86.52%的F₁值。     

基于双重注意力机制改进的DA-LSTM时间序列预测模型

为了提高时间序列预测的精确度和收敛速度，提出一种基于双重注意力机制改进的DA-LSTM时序预测模型。通过引入注意力机制重构LSTMcell结构，减少模型参数提高收敛速度；自注意力层对各时间步的输出计算自注意力权重，充分利用细胞记忆信息，提高预测精度。在Beijing PM_2.5和SML2010数据集上，所提出的模型相较于LSTM在均方根误差(RMSE)上分别降低4%和25.4%,相比其他基准方法也有明显提升。     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

DSCE-GEP算法在PM2.5浓度预测中的应用

雾霾防治是目前空气质量保护问题研究的热点,PM2.5浓度预测是雾霾防治的关键之一;文章采用一种双系统协同进化的基因表达式编程算法(DSCE-GEP)进行PM2.5浓度预测,该算法在GEP算法中引入人工干预操作来提高算法进化速度以及解的质量;DSCE-GEP算法是对人类进化的模拟,不仅具有强大的模型学习能力,而且能得到模型的显式函数表达式;文中以西安地区逐日PM2.5浓度预测为例,将DSCE-GEP算法与传统基因表达式编程算法(GEP)、文献中分类回归树和极限学习机组合模型(CART-EELM)以及卷积神经网络和长短期记忆神经网络组合模型(CNN-LSTM)进行了对比实验;实验结果表明,DSCE-GEP算法拟合度更高,是一种具有竞争力的智能预测算法.     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法

针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络（R-CNN）的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影（CTA）图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络Libra R-CNN中以ResNet50为骨干网络,并分别在骨干网络的3、4、5阶段引入可变卷积网络（DCN）,通过学习偏移量提取血管在不同断层面的形态特征;然后,将从骨干网络中提取的特征图输入至引入非局部神经网络（Non-local NN）的平衡特征金字塔（BFP）中进行更深度的特征融合;最后,将融合后的特征图输入至级联检测器,并通过提高交并比（IoU）阈值优化最终检测结果。实验结果表明,改进的Libra R-CNN检测算法相比Libra R-CNN算法,在脑动脉CTA数据集中平均准确率（AP）、AP₅₀、AP₇₅和AP_S分别提升了4.3、1.3、6.9和4.0个百分点;在公开的结肠息肉CT数据集中,AP、AP₅₀、AP₇₅和AP_S分别提升了6.6、3.6、13.0和6.4个百分点。通过在Libra R-CNN的骨干网络中加入DCN、Non-local NN和级联检测器,进一步融合特征从而学习脑动脉血管结构的语义信息,使得狭窄区域检测结果更精确,且改进算法在不同的检测任务中具有泛化能力。     

基于四旋翼无人机的区域环境监测系统

基于四旋翼无人机的飞行优势,文中设计了针对三维空间进行环境监测的系统,可于每小时采集不同高度的环境监测数据,包括温度、湿度以及PM_2.5浓度,由LoRa无线传输模块上传至数据库,通过Highcharts视觉化工具将数据进行图表化处理,呈现于数据网页端。该系统为未来建立短时期区域内的天气预测模型提供了分析基础。     

嵌入改进SENet的卷积神经网络连续血压预测

提出了基于改进SENet卷积神经网络和自学习参数滤波器的连续血压预测方法。实验结果表明,改进SENet可以有效增加简单卷积神经网络对时序数据的预测能力,在卷积层数为二层、三层和四层时比简单卷积神经网络预测精度提升了34.8%、23.5%和36.0%,在此基础上利用自学习参数滤波器消除血压预测波形中的毛刺,最终得到平滑的连续血压预测结果。