城市雨水资源化径流模型研究

现有城市雨水径流模型较传统模型在计算上不能很好地解决城市洪涝灾害问题,而且从某种意义上造成了城市雨水资源的浪费.基于雨水资源化思想的城市雨水资源化径流模型可对降雨加以充分调蓄和利用,有助于解决城市洪涝灾害和水资源短缺问题.构建了城市雨水资源化径流模型,介绍了模型的功能和模型的实现过程.     

城市用水量预测的人工神经网络模型

为预测城市用水量，提出了人工神经网络模型，用此模型对某沿海城市用水量进行拟合、预测。通过数据文件的建立及期望输出的选取，能充分体现数据系列的变化规律。实例结果表明，该模型拟合精度高，用于城市用水量预测可行、有效。     

城市雨水利用

城市雨水利用可以解决部分城市的水资源短缺问题,也为水资源的长期可持续发展提供了一个有效途径.通过对国内外城市雨水利用情况的比较,为促进我国城市雨水利用的迅速发展,建立完善的雨水收集、处理和利用的综合系统,提出了希望和建议.     

城市雨水利用的研究和建议

城市雨水利用是一个方兴未艾的广阔领域,具有良好的发展前景,它是解决城市水资源短缺和雨季排水难的有效途径.文中分析了我国城市雨水利用的必要性和可行性,对我国城市水资源利用的现状进行了简单介绍,为促进我国城市雨水利用的迅速发展提出了建议.     

天津平顶沥青屋面径流雨水污染特征分析

在监测天津市不同功能区(文教区和居住区)的平顶沥青屋面径流雨水水质的基础上,探讨了屋面径流雨水随降雨历时的变化规律及污染的影响因素.结果表明:平顶沥青屋面的初期径流雨水污染严重,CODCr、TOC、BOD5、TN、色度和浊度均超出地表水V类或生活杂用水标准,CODCr、BOD5和TN浓度的最高值可以达到1 632,399.814,55.01 mg/L,不宜直接收集回用.屋面径流雨水BOD5/CODCr为0.201,可生化性低.     

城市小区雨水利用的研究

随着城市人口越来越多,以及工业迅速发展,当前城市的水资源短缺问题日益严峻.城市雨水作为一种经济、清洁、最直接的水资源,其利用价值的研究已经被越来越多的人重视.城市雨水资源的利用不仅可以满足城市人们生活的需要,还能在部分地区水资源的调节、城市水环境的改善方面发挥作用.本文针对城市小区雨水利用问题进行研究,分析了水资源的利用与城市雨水之间的关系,并初步拟定小区雨水利用设计方案.     

基于水量平衡的城市雨水利用潜力分析模型

介绍城市雨水资源化利用的概念,建立了基于水量平衡的雨水利用潜力分析模型,提出了以水量平衡为基础,考虑降雨、蒸发、径流、入渗和土壤蓄水量等水文物理过程的城市雨水资源化利用潜力分析方法;将其与传统经验公式法进行对比,并以郑东新区为例进行实证分析.结果表明:该模型和方法有效,并具有考虑因素全面、物理过程明了、计算结果置信度高等优点.     

城市雨水资源利用探析

城市化进程破坏了城市的天然水文循环,会引起城区地下水位下降和城市雨洪的发生.研究城市雨水资源的有效利用模式,收集、调蓄利用雨水资源,补充地下水,减少雨水径流,对城市的可持续发展具有重要意义.     

绿色屋面对雨水径流水质的影响

在绿色屋面的推广过程中,发现部分绿色屋面的雨水径流水质变差,成为潜在的新污染源.为了验证该现象,通过对三个绿色屋面及一个裸露屋面九场的雨水进行采样检测.对比绿色屋面与裸露屋面水质数据显示：pH值上升29％,说明绿色屋面可减轻酸雨对环境的影响;绿色屋面的电导率、硝酸盐、氨氮、总磷、化学需氧量、悬浮固体物指标分别上升606％、616％、117％、1 114％、537％、944％,绿色屋面存在水质变差的情况.研究显示绿色屋面径流水质与其使用期长短、维护情况、生长基质使用以及施肥行为有关.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

基于人工神经网络的非线性回归预测模型的研究

将人工神经网络引入回归分析过程,探讨了回归分析神经网络的结构和学习算法,研究了基于人工神经网络的模型变量的选择观测样本的采集和使用等,进行了仿真实验,仿真结果初步显示了神经网络方法能够较好地解决传统的回归方法所面临的困难,并具有较高的模型度。     

建设需求量预测分析中的人工神经网络和多元回归方法

利用人工神经网络（ANN）和多元回归（MR）预测方法分别基于中国统计年鉴和香港房屋署的相关数据对中国内地和香港地区的建设需求量进行预测,并对两种预测手段得到的预测结果的可信度和离散程度进行对比分析.基于ANN和MR两种预测手段的不同特性,从预测结果中可以看出,就香港地区的预测情况而言,ANN方法产生的结果比回归模型更加精确;从内地的预测结果来看,ANN和MR的预测精度几乎一致.对于存在较大波动性的数据而言,ANN模型建立的非线性关系可以更精确地描述预测结果,反之,两种预测模型的应用均可得出良好结果.同时,经预测得知,两地的建筑需求量都存在上升趋势,有关部门应采取相应措施提前做好规划工作.     

传感器的神经网络建模

针对传感器受温度影响的复杂的非线性输入输出特性，利用人工神经网络的方法，建立了与之相适应的人工神经网络模型，该模型可同时实现温度补偿和非线性校正．     

用人工神经网络对SARS疫情进行分析与预测

采用三层结构的反向传播网络(backpropagationnetwork,简称BP网络),对SARS在中国的传播与流行趋势及控制策略建立了网络模型.并利用实际数据拟合参数,针对山西的疫情进行了计算仿真.结果表明,该网络模型算法收敛速度较快,预测精度很高.     

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。     

人工神经网络硬件化途径与神经计算机研究

讨论了人工神经网络硬件化实现的途径和意义，提出对通用神经计算机性能的原则要求．在此原则指引下研制的小型神经计算机（预言神１号），具有灵活性强，使用方便，每秒模拟２×１０７次神经联结计算，并且有在计算过程中随时变更网络拓扑结构和神经元非线性函数的功能，文中讨论了它的适用范围和性能价格比问题．     

人工神经网络在涡流检测中的应用

涡流检测作为一种非破坏性检测方法,在金属材料无损检测领域得到了广泛应用,由于影响涡流的因素太多,所以涡流检测的定性、尤其是定量分析一直是个难点．通过分析,提出了基于人工神经网络的涡流检测方法,从而避开了建模,通过学习大量的实际范例对缺陷类型进行自动识别和分类．     

人工神经网络在通信中的一种应用

新近，人工神经网络在通信中已获得了广泛应用，本文研究人工神经网络应用于通信中均衡与译码问题，提出了能同时完成均衡与译码的新方法。计算机仿真证明，它既适合于最小相位信道，也适合于非最小相位信道，还适合于非线性信道。     

基于聚类分析的人工神经网络洪水预报模型研究

应用模糊C均值(FCM)和自组织映射网络(SOM)两种方法将洪水流量过程线进行分解,并聚成不同的类别,结合多层前馈神经网络(MFN)建立了两个综合神经网络模型(FCMMFN和SOMMFN),进行洪水预报。在王家厂水库流域洪水预报的应用结果表明,两种聚类方法能够将流量过程分解为具有不同内在规律的若干过程,两种综合神经网络模型预报精度均优于单一的多层前馈网络模型,而且FCMMFN的精度高于SOMMFN。     

大数据分析的神经网络方法

大数据蕴含巨大的社会、经济、科学价值,已成为学术界与企业界关注的重点。其关键技术可划分为三大层次：数据平台、分析平台和展示平台,其中分析平台是大数据转化为价值的桥梁。一般来说,大数据拥有体量浩大（volume）、多源异构（variety）、生成快速（velocity）、价值稀疏（value）的“4V”特性,扩大了大数据的价值空间,同时也为大数据的分析技术带来巨大挑战。其中三大挑战比较显著,即多源异构大数据、大量非结构化数据存储、大数据价值稀疏且变化快。其三大核心科学问题为大数据的表达、存储和预测问题。由于传统的数据分析方法难以胜任,发展新的大数据分析方法势在必然。人脑是天然的大数据处理引擎。神经网络是一种模拟人脑大数据分析机制的计算方法,是目前大数据分析中最成功的方法。神经网络的研究主要包括：模拟大脑神经网络结构,构建神经网络结构模型;模拟大脑神经网络的记忆机制,发展学习算法。神经网络的研究历史历经波折。近年来,随着当代计算机计算能力的不断提升,基于神经网络的大数据分析方法取得了巨大成功,尤其是在各应用领域,如语音大数据分析、图像大数据分析、医学大数据分析等,引领了人工智能的发展。AlphaGo在人机围棋大战中获胜,引起了广泛关注。“大数据+神经网络”已成为驱动创新、推动社会发展和改变人类生产生活方式的一种重要力量。以大数据和神经网络为线索,回顾大数据的基本概念与关键技术,梳理神经网络研究的基本框架,可以发现它们之间默契切合、互相促进的关系。一方面,神经网络具有强大的特征提取与抽象能力,能够整合多源信息,处理异构数据,捕捉变化动态,是大数据实现价值转化的桥梁。另一方面,体量浩大的大数据为神经网络提供了充足的训练样本,使得训练越来越大规模的神经网络成为可能。尽管“大数据+神经网络”在众多应用领域已经取得了突破,但是,仍然存在需要解决的核心科学问题。面向神经网络的研究中,神经网络的结构尚需进一步研究,神经网络的大小依然缺少理论性的指导,神经网络的学习算法仍然存在一些内在的问题。围绕大数据分析的三大核心科学问题,需要研究如何保证在高维空间中稀疏表达仍可维持数据的一致性,如何实现“只存储知识而不存储原始数据”,如何刻画数据的时空关联以实现大数据的预测。因此,仍然需要对该领域持续投入,加强应用研究和理论研究,尤其应进行跨领域的研究,即与人脑的大数据处理相呼应,结合认知科学、神经科学等相关学科的知识,以解决神经网络和大数据应用中的核心科学问题,推动基于神经网络方法的大数据分析研究。