基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

多氯咔唑化合物热力学性质的神经网络预测

采用取代基片段值P和原子类型电拓扑状态指数Em有效表征了135个多氯咔唑化合物(PCCZs)的分子结构,通过选择变量与神经网络(BP)算法建立定量相关(QSPR)模型,以预测多氯咔唑化合物热力学性质.将选择的P,Em结构参数作为神经网络的输入层变量,热力学性质作为输出层变量,方程均采用5∶13∶1的网络结构,利用BP算法获得了3个令人满意的QSPR模型,它们的总相关系数分别为0.998 6,0.991 1和0.979 5,标准误差分别为2.123,3.237和3.952,利用这3个神经网络模型计算得到的预测值与文献值的相对平均误差分别为0.30%,1.85%和1.14%,表明模型具有良好的稳定性和预测能力.该神经网络模型所得结果优于多元回归方法所得结果,可用于对多氯咔唑化合物性质进行理论分析和预测.     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

基于ANSYS的X80管线钢MIG焊温度场数值模拟

为了实现X80管线钢MIG焊温度场的数值模拟,并探究焊接速度对熔池的影响.借助ANSYS软件,建立三维有限元模型.采用双椭球热源模型和生死单元技术,考虑材料随温度变化的物理性能参数、辐射散热及对流等因素的影响,对焊接温度场进行数值模拟,获得温度场的分布规律和不同位置的焊接热循环曲线,对比分析熔池在不同焊接速度下的穿透深度,并进行试验验证.结果表明,计算结果与试验数据吻合良好,在焊接电流为154 A,电压为28 V,焊接速度为10 mm/s时,所得焊缝形貌良好.该模型为进一步研究焊接应力场、应变场以及优化焊接工艺参数提供有效依据.     

基于CEEMDAN-MFO-RBF的风电功率短期预测

文中提出一种基于自适应噪声完整集成经验模态分解与飞蛾扑火算法优化径向基神经网络的短期风电功率预测方法.首先,利用自适应噪声完整集成经验模态分解对风电功率信号进行分解,以获得不同时间尺度的固有模态函数分量和剩余分量,该方法相较于经验模态分解与集成经验模态分解具有更好的收敛性和完整性.其次,利用飞蛾扑火算法优化径向基神经网...     

基于SCE-UA算法的多模式降雨集成预报技术研究

高精度的降雨预报对于防汛决策具有重要指导意义. 以中国气象局GRAPES_MESO模式、中国气象局T639模式、美国国家环境预报中心GFS模式和上海区域中尺度SMS-WARMS模式为基础, 采用SCE-UA算法估计各预报模式权重系数, 通过加权平均建立多模式降雨集成预报, 并以宁波市2016年8月1日至2016年10月31日和2017年9月1日至2017年11月30日的降雨过程为例, 从均方根误差、相关系数、TS评分等多个方面分析集成预报的预报效果. 结果表明: 基于SCE-UA算法的多模式降雨集成预报的预报效果不仅优于各单一预报模式, 而且优于遗传算法和BP神经网络集成预报, 表现出较好的适用性.     

模糊聚类支持向量机的区域空气PM_(2.5)浓度预报

在分析模糊C均值聚类算法与支持向量机回归的特点后,将二者结合,提出了模糊聚类支持向量机回归(FCM-SVR)算法,对空气中颗粒物浓度PM2.5进行预测.该方法首先利用模糊C均值聚类算法把一个复杂的数据集分成多个群体,再在每个群体上建立支持向量机回归(SVR)模型,然后进行集成,对区域空气的PM2.5浓度进行预测.预测结果分别与自组织竞争神经网络支持向量机回归(SOM-SVR)模型和单一的支持向量机回归(SVR)的结果进行比较.结果表明,FCM-SVR模型的预报准确率高于SOM-SVR模型和SVR模型.     

用调整边界层湍流系数的QNSE方案模拟夏秋季沿海大风的应用研究

利用WRF模式,采用YSU、QNSE边界层参数化方案以及调整参数后的QNSE边界层参数化方案（MQNSE）,对2009年7月梅雨个例、2015年苏迪罗台风以及2013年10月的近海大风进行了模拟试验,并对模拟结果进行对比检验,着重检验参数调整后的QNSE方案模拟沿海大风效果.研究结果如下：参数调整后的QNSE边界层参数化方法改进了对沿海风场的模拟效果,尤其是当风速小幅脉动时,参数调整后的QNSE方案较接近于实况风速的波动.通过登陆台风个例模拟试验和对沿海10个岛屿观测站的490个样本统计检验表明,参数调整后的QNSE方案较YSU和原QNSE方案的绝对误差（AE）和相对误差（RE）小,表明调整后的方案对海上风速模拟能力有了一定提高.在对连续1个月的沿海风场模拟试验对比中发现,参数调整后,海上过大的风速模拟值明显降低,模拟效果更趋近于实况.     

基于二级神经网络集成的桥梁健康状态的融合评估方法

实现对桥梁的监测并对桥梁健康状态进行评估可以有效提高桥梁的安全性。但在对桥梁进行监测时,参数众多,数据繁杂,难以通过简单传统的方法对桥梁健康状态进行准确评估,为了融合不同类型监测参数和同一类型参数的多点异步数据,获得对桥梁的健康状态的一致性评估,提出了一种针对桥梁健康状态评估的基于二级神经网络集成的融合评估方法,以降低监测数据的多源融合过程的复杂度,提高桥梁健康评估的准确性。     

基于神经网络集合预报的台风路径预报优化

针对目前台风路径预报研究中存在的预报精度不高、预报时次高耦合等缺陷，提出了一种基于神经网络集合预报的台风路径预报优化模型。运用混合模式集合预报思想和反向传播的多层前馈训练机制，充分挖掘数据特征，解决了单集合预报的固化性问题和单神经网络预报模型的随机性问题，为现有台风数值预报方法和人工智能技术的结合提供了新思路。以2018年活动在西北太平洋、南海地区的台风为样本进行对比实验，结果表明，60 h内的预报精度均得到了提高，一定程度上反映了该模型的实际应用价值。     

基于RBF网络信道均衡器

在数字通信系统中为了克服信道畸变引起的码间干扰，在接收端必须采用信道均衡技术。在本文中，我们将RBF网络用作均衡器。采用最近邻聚类和直接判决算法来调整隐藏层中心，然后再用LMS算法调整输出层的系数。该算法可以实现在线学习，根据相应的准则增加，删除隐藏层节点。算法事先不必确定隐藏层的节点个数。模拟结果显示，RBF网络均衡器能够正确地将信号从有噪信道中恢复出来，在计算机模拟仿真中其性能与理想贝叶斯均衡器相当。     

一种利用RBF神经网络的传感器建模新方法

介绍了基于RBF神经网络的传感器建模新方法，其网络结构简单、收敛性好、计算机仿真结果显示该模型能同时传感器的温度补偿和非线性校正。     

活性炭孔吸附过程的巨正则系综Monte Carlo模拟

利用巨正则系综Monte Carlo(GCMC)方法模拟活性炭孔的吸附行为.模拟中,采用狭缝孔模型表征活性炭孔,采用Lennard-Jones(LJ)势能模型描述流体分子之间的相互作用,采用10-4-3势能模型描述流体分子与狭缝炭孔墙之间的相互作用.首先模拟了甲烷在狭缝孔中的吸附,并将模拟结果与已有结果进行比较,结果表明本文的模拟方法及编制的程序可行.在此基础上,模拟了氙气在狭缝孔中的吸附,给出了不同孔径狭缝孔的吸附等温线,并给出了一定条件下狭缝孔吸附氙气的最佳孔径.     

原子级模拟在四方SrTiO_3畴壁能计算中的应用

利用原子级计算机模拟对四方ＳｒＴｉＯ３中畴壁能进行了研究．在经典Ｂｏｒｎ模型基础上用来描述离子晶体的原子级模拟，其能量表达式由长程库仑势和短程排斥势构成．后者为一含参数表达式，式中参数可由晶体的晶格常数、晶体结构和弹性常数等实验数据拟合得出．四方ＳｒＴｉＯ３由高温立方ＳｒＴｉＯ３相变而来，应存在反相畴界、孪晶界和平移孪晶界等３种畴界．本文用原子级模拟的技术对这３种畴界能进行了计算．结果表明畴界能尤其是反相畴界能非常小．     

基于影像组学与集成学习的脑胶质瘤分级预测

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.     

基于BP神经网络模型模拟塔里木河下游潜水埋深变化——以英苏断面C5井为例

本文以塔里木河下游英苏断面350m处C5井为研究对象,分析了影响下游英苏断面的潜水埋深影响因素,通过三层BP神经网络模型模拟了潜水埋深变化．以Matlab7．0为工作平台,将2000．7-2008．12期间的英苏C5井的步长为3个月数据资料作为一个样本,选取每个样本的输水量、输水持续天数、上季度该井的潜水埋深平均值作为模型输入量,输出量为相应的C5井的本季度的潜水埋深平均值,建立3—11-1的BP神经网络模型,模拟了C5井潜水埋深．结果表明,网络模拟相对误差小于5％,模型具有较高的精度．通过BP模型模拟潜水埋深,为塔河下游生态恢复和水资源决策提供一定的依据．     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.