基于时空多视图BP神经网络的城市空气质量数据补全方法研究

针对城市空气质量监测数据缺失的问题,提出一种基于时空多视图BP神经网络的数据补全方法。采用指数移动平均、普通克里金和非凸矩阵完备作为时空多视图特征,结合映射非线性关系的BP神经网络,构建数据补全模型。以北京市36个站点2014年5月1日至2015年4月30日监测的PM2.5、PM10、NO2、CO、O3和SO26种空气污染物小时浓度为实验数据。实验结果表明,在15%缺失率下,随机缺失补全的平均相对误差为0.102～0.154,时间连续缺失补全的平均相对误差为0.161～0.271,空间连续缺失的补全平均相对误差为0.108～0.155,优于典型的单视图预测方法和多视图线性预测方法。研究成果可为城市空气质量数据补全工作提供方法支持,研究思路可为时空数据挖掘提供参考。     

基于BP神经网络与熵值法的浙江省城市韧性评估研究

以浙江省为例, 利用BP神经网络与熵值法综合建模, 对2011—2020年间浙江省各地级市的城市韧性进行定量评价, 分析经济、社会、环境、设施4项城市单系统韧性及其复合韧性, 从而揭示浙江省城市韧性的空间分布特征与发展规律. 研究表明: 浙江省韧性发展趋势较为平稳, 韧性水平的空间分布差异较大, 内部存在发展不均衡现象; 核心地区与边缘地区的韧性水平均呈现缓慢上升势态, 且分异格局短期内不会发生改变.     

基于BP神经网络与多分类支持向量机的水质识别与分类

介绍BP神经网络与多分类支持向量机等分类模型的基本原理,并基于这两种方法对水质识别与分类的准确度进行实例比较研究,随机抽取了南昌市内2010-2013年水域水质的300组数据为样本,选取了pH,氨氮,Cl-,SO2-3,总硬度,硝酸盐氮为评价的主要特征。通过把训练后的模型在测试集中进行的检验对得到的模型进行评估,表明了BP神经网络和多分类支持向量机均可以较好地解决水质识别与分类过程中存在的复杂性,多变量,非线性等问题,相比较而言多分类支持向量机有较强的鲁棒性,预测结果更为精确稳定,将其应用到水质评价中具有一定的可行性。更多还原     

一种基于MFC的GIS多文档多视图技术实现

针对GIS中数据分析与管理的多图层需要,在深入研究MFC类库框架结构、分析Windows应用程序开发流程的基础上提出了一种基于MFC的多文档多视图框架结构的解决方案,该方案不仅与MFC有着良好的继承、扩展和兼容性,可以快速地实现应用程序开发,而且又很好地实现了GIS中图层管理的多文档多视图特点,满足了多源数据分析与管理的要求,实践表明这是一种可行的技术方案.     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值，并且将遗传算法与ＢＰ算法结合，能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛，实验结果令人满意．     

基于粗糙集和BP神经网络算法的网络故障诊断模型研究

针对计算机网络故障诊断知识库冗余性高、神经网络与PCA、DS证据等理论相结合诊断精度不高的难题, 提出了一种新的基于粗糙集和BP神经网络的计算机网络故障诊断模型. 首先利用粗糙集算法对网络故障特征进行约简处理、提取最小诊断规则; 其次利用最小规则训练BP神经网络, 建立基于粗糙集和BP神经网络的计算机网络故障诊断模型; 最后将模型运用于真实网络故障数据诊断. 结果表明: 该模型具有学习效率高、诊断速度快、准确率高的特点, 能够快速诊断网络故障类型.     

基于理想方案的BP神经网络土地利用规划方案评价

将神经网络方法引入土地利用规划方案的评价中,并针对没有已知的学习样本可供学习的情况,提出了一种基于"理想方案"的学习和评价方法,并以北京市平谷区王辛庄镇的土地利用规划方案评价为例,进行了实证研究.结果表明:基于理想方案的BP神经网络评价方法实现了定性分析与定量分析的有机结合,较好地保证了评价结果的客观性,是一种有效评价方法.     

基于改进粒子群算法优化BP神经网络的甜菜产量预测方法

通过分析影响甜菜产量的自然因素,选取6个主要影响因子应用于一种改进粒子群算法优化BP神经网络的预测模型.首先,在标准粒子群算法(Particle Swarm Optimization,PSO)中引入自适应惯性权重的方法增强搜索能力并且提高收敛速度,使用反向逃逸策略避免早熟现象的发生;将改进的粒子群算法引入到BP中形成N...     

基于BP神经网络的陕西省县域乡村性分异研究

以陕西省83个县域为实证研究单元,基于城乡一体化思想构建了乡村性综合评价指标体系,运用BP神经网络确定其指标权重,在Visual Studio 2010平台上计算乡村性指数,并借助ArcGIS和GeoDA软件划分乡村发展类型,对乡村性数值分异及空间分异进行了定量化测度和分析.运用BP神经网络确定乡村性权重及强度具有一定的可行性;陕西省县域乡村性在数值分异特征上,两极分化严重,中低、中等、中高水平县域组内均衡;在空间分异特征上,呈陕南、陕北高,关中低,东低西高的分布格局,乡村性空间关联性较强,彼此联系紧密.进而对陕西省县域乡村性差异的成因做了初步探讨,提出了县域发展的方向.     

基于BP神经网络的CMOS电路平均功耗宏模型

提出了一种基于神经网络的功耗宏模型，该模型提取CMOS（互补金属氧化物半导体）集成电路原始输入／输出流的统计特征，采用反向传播BP神经网络对电路的平均功耗建模．与传统的基于查找表和经验方程的宏模型相比，该模型占用内存少，不需要根据不同的电路预先假定拟合函数的形式．基于ISCAS-85电路集的实验结果表明：功耗估计的平均相对误差小于10％，均方根误差可基本控制在5％以下.     

基于BP神经网络的城镇污水厂活性炭自动投加系统研究

近年来,活性炭吸附技术逐渐成为深度处理的主流技术,但粉末活性炭投加系统仍处于人工控制阶段,现场需要技术人员依靠经验确定活性炭投加量,易造成出水水质不稳定、活性炭药耗大等问题.以浙江省嘉善县某城镇污水处理厂的深度处理工艺为研究背景,以粉末活性炭投加系统为研究对象,针对活性炭投加控制系统滞后、非线性、复杂等问题,建立了BP神经网络前馈预测-PID反馈控制的自动投加控制系统.实践证明,该系统具有较强的自适应能力和较高的控制精度,出水COD达标率较人工控制提高了8.88%,活性炭日均消耗量削减了16.61%,取得了较好的经济效益.     

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络（recurrent neural network,RNN）中的门控循环单元（gate recurrent unit,GRU）模型与全连接神经网络（fully connected neural network,FCNN）,提出了改进的多元水质指标预测（MWQPP）模型,并用其预测长江流域水体的pH、溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH₃-N）。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。     

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。     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心,然而由于空间距离与自相关权重之间复杂的非线性关系,反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法,在求解权重精准解时存在一定的局限性。由此,利用神经网络超强的非线性拟合能力,通过融合神经网络与空间自回归方法,建立了空间自回归神经网络（SARNN）模型,实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性,采用两类模拟数据及海洋环境数据进行交叉验证,并与IDW法和Kriging法进行精度对比。实验结果表明,SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标,插值结果明显优于IDW法和Kriging法;同时,SARNN法在空间插值中对突变数据和极值数据的预测较为准确,改善了传统插值方法空间平滑过渡差,易出现“牛眼”、锯齿现象等问题,显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路,具有较为广泛的应用价值。     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心,然而由于空间距离与自相关权重之间复杂的非线性关系,反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法,在求解权重精准解时存在一定的局限性。由此,利用神经网络超强的非线性拟合能力,通过融合神经网络与空间自回归方法,建立了空间自回归神经网络（SARNN）模型,实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性,采用两类模拟数据及海洋环境数据进行交叉验证,并与IDW法和Kriging法进行精度对比。实验结果表明,SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标,插值结果明显优于IDW法和Kriging法;同时,SARNN法在空间插值中对突变数据和极值数据的预测较为准确,改善了传统插值方法空间平滑过渡差,易出现“牛眼”、锯齿现象等问题,显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路,具有较为广泛的应用价值。     

基于卷积神经网络的刺绣风格数字合成

针对刺绣风格数字化模拟方法立体感不强、缺少线条方向等问题,提出了一种基于深度学习和卷积神经网络的算法,将刺绣艺术风格传输到目标图像。利用图像语义分割网络及风格迁移网络,分别对目标内容图像与刺绣艺术风格图像进行目标提取和风格迁移。首先,输入目标内容图像与刺绣艺术风格图像,采用基于条件随机场的图像语义分割,将目标内容图与刺绣艺术风格图的前景与背景分离,并进行二值化处理,形成掩模图像;其次,将目标内容图与刺绣艺术风格图的RGB颜色空间转换为YIQ;最后,参照掩模图像使用VGG19网络模型提取目标内容图的内容特征及刺绣艺术风格图的风格纹理特征进行目标区域内的风格迁移,从而对刺绣艺术进行数字化模拟。该算法能模拟出具有刺绣艺术效果的结果图像,能更好地模拟真实刺绣艺术的线条方向,突出了线条的立体感。通过使用语义分割与风格迁移相结合的方法,有效模拟了色彩艳丽、立体感强的刺绣艺术风格图像,是对非真实感绘制的有效补充,为刺绣数字化保护与非物质文化传承奠定了基础。     

基于卷积神经网络的刺绣风格数字合成

针对刺绣风格数字化模拟方法立体感不强、缺少线条方向等问题,提出了一种基于深度学习和卷积神经网络的算法,将刺绣艺术风格传输到目标图像。利用图像语义分割网络及风格迁移网络,分别对目标内容图像与刺绣艺术风格图像进行目标提取和风格迁移。首先,输入目标内容图像与刺绣艺术风格图像,采用基于条件随机场的图像语义分割,将目标内容图与刺绣艺术风格图的前景与背景分离,并进行二值化处理,形成掩模图像;其次,将目标内容图与刺绣艺术风格图的RGB颜色空间转换为YIQ;最后,参照掩模图像使用VGG19网络模型提取目标内容图的内容特征及刺绣艺术风格图的风格纹理特征进行目标区域内的风格迁移,从而对刺绣艺术进行数字化模拟。该算法能模拟出具有刺绣艺术效果的结果图像,能更好地模拟真实刺绣艺术的线条方向,突出了线条的立体感。通过使用语义分割与风格迁移相结合的方法,有效模拟了色彩艳丽、立体感强的刺绣艺术风格图像,是对非真实感绘制的有效补充,为刺绣数字化保护与非物质文化传承奠定了基础。     

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。