SSA-BP神经网络在无人机点云孔洞修补的应用

为了解决无人机点云数据中的孔洞修补问题,本文提出了基于麻雀搜索算法（SSA）优化BP神经网络的无人机点云孔洞修补方法。首先利用麻雀搜索算法对传统的BP神经网络进行初始权重与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于无人机点云数据中孔洞的修补。为了验证算法的可行性,将SSA-BP神经网络与传统的BP神经网络、最小二乘支持向量机（LSSVM）两组算法进行精度比较。试验结果表明：SSA-BP神经网络算法的修补精度高于另外两组对比算法,且SSA优化后的BP神经网络稳定性更强,在复杂地形孔洞的修补中仍具有较好的修补效果。     

基于遗传小波神经网络的PM_(2.5)浓度预测模型

目前,雾霾天气频发,为了提高PM_(2.5)浓度的预测精度,建立了基于遗传算法优化的小波神经网络模型(GA-WNN)。该方法综合了遗传算法的全局搜索能力和小波神经网络(WNN)强大的非线性拟合的优点,弥补了传统神经网络容易陷入局部最小值和收敛速度慢的缺点。以河北省邢台市实时监测的PM_(2.5)浓度数据为样本进行建模预测,预测结果的平均相对误差为11%。将其小波神经网络进行对比分析,实验结果表明:该方法有效地提高了预测精度,为短时的PM_(2.5)含量预测提供了一个新途径。     

基于深度学习的PM2.5预测模型建立

本文以京津冀地区为例,选择大气气溶胶光学厚度AOD(Aerosol Optical Depth)和气象参数为影响因子,建立基于深度置信网络DBN(Deep Belief Nets)的PM2.5预测模型,对PM2.5进行有效预测,并与BP神经网络预测结果对比,最后形成整个京津冀地区的PM2.5预测专题图。实验结果表明基于深度学习的置信网络对PM2.5浓度预测效果比BP神经网络更佳,预测精度有较大提高。     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题，该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维，消除其所包含的冗余信息；然后利用SAPSO优化BP神经网络的权值与阈值；最后使用训练样本训练模型，利用训练后的模型预测5组测试样本的下沉系数，并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合，其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低，可以有效提高下沉系数预测的准确性。     

NPP卫星VIIRS微光资料反演夜间PM2.5质量浓度

为研究城市夜间PM_(2.5)质量浓度,利用NPP卫星上可见光红外成像辐射套件(VIIRS)DNB通道的微光辐射数据,以辐射传输理论为基础,建立了夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度的关系,并基于支持向量机方法建立了夜间城市PM_(2.5)质量浓度反演模型。以北京市作为研究对象,选取2015-03—2015-05期间无月、无云且晴朗夜空条件下4个PM_(2.5)监测站点的微光辐射数据与时空匹配的PM_(2.5)质量浓度数据对模型进行验证。研究结果表明:夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度呈现负相关性,相关系数最高的定陵站点达到–0.83。基于支持向量机方法建立的PM_(2.5)反演模型获得的PM_(2.5)质量浓度与实际PM_(2.5)质量浓度的相关系数达到0.95,反演结果较优,为进一步大范围监测PM_(2.5)质量浓度空间分布以及改善城市夜间空气质量状况评估方法提供了可行性参考。     

PM_(2.5)浓度空间估算的神经网络与克里格方法对比

针对人工神经网络与克里格插值在PM_(2.5)浓度空间估算中精度随样本点数量与耦合因素不同差异较大的问题,基于相关分析与径向基函数(radical basis function, RBF)筛选PM_(2.5)空间变异关键影响因素,对比不同比例训练样本下普通克里格插值(ordinary Kriging, OK),仅考虑地理坐标RBF神经网络,耦合关键因素的协同克里格插值(CoKriging, CK)及RBF神经网络(CoRBF)的效果差异,并基于最优方法开展PM_(2.5)浓度空间制图。结果表明:4种方法均能有效实现PM_(2.5)浓度空间估算,且精度随训练样本比例增大而波动上升。考虑关键因素人口密度的CoRBF最能表现数据变化趋势,而CK在误差指标上更优越。基于CK与CoRBF的PM_(2.5)浓度空间估算结果较好展示了污染的分异特征,前者较后者更平滑。     

利用高分一号卫星监测开封地区PM_(2.5)

PM_(2.5)是影响开封地区空气质量的首要污染物,利用卫星遥感手段可以快速获得PM_(2.5)浓度的空间分布。通过采用过境开封市的GF-1卫星数据,获取气溶胶光学厚度,结合地面PM_(2.5)监测数据与边界层高度、相对湿度和气温等辅助数据,采用多元线性回归,建立了基于GF-1的PM_(2.5)遥感反演模型。研究表明,2015年6—9月GF-1数据反演得到的PM_(2.5)浓度与地面监测结果较为接近,且有较高的相关性;加入地理加权回归能明显提高模型精度,较好地反映PM_(2.5)的空间分布;但在PM_(2.5)浓度较高时,该模型会出现低估现象。     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

基于深度学习的中国连续空间覆盖PM2.5浓度预报

实现全国连续空间覆盖未来小时尺度的PM_2.5浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM_2.5浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM_2.5浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM_2.5浓度精细化制图。然后,利用2016—2019年中国PM_2.5监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R²分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM_2.5浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。     

中国重点区域PM2.5时空变化分析与预测

在我国工业化和城市化迅速发展的背景下,细小颗粒物PM_2.5污染已经成为当前主要空气污染物。本文使用基于Python编程语言的网络爬虫技术获取了中国京津冀、长三角、珠三角3个重点区域的PM_2.5日均值数据,分别基于Excel软件和ArcGIS软件进行PM_2.5时空变化特征分析。最后,通过建立分数阶累加灰色预测模型对北京市2018年PM_2.5月均值浓度进行预测。结果显示:1)时间上,我国PM_2.5浓度表现为“冬高夏低”的“U”形变化趋势;2)空间上,我国PM_2.5浓度整体表现为由南北地区向中部地区PM_2.5浓度逐渐增加;3)分数阶GM(1,1)模型对PM_2.5月均值浓度数据的预测精确度较高,结合预测结果可从长期或短期提出PM_2.5污染治理的措施建议。     

一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC），利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值，初步建立GA-BP神经网络预测模型，结合马尔科夫链的无后效性修正模型预测值，形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据，分别与BP神经网络、GA-BP神经网络预测模型进行对比，结果表明，该预测模型精度最高。     

基于遗传BP神经网络模型的土地利用变化预测模型研究

针对已有的遗传BP神经网络土地利用变化预测模型存在BP神经网络隐层节点不易确定、创建过程烦琐等问题,本文利用输入层与隐藏层神经节点数量关系原理确定隐层节点,在Sheffield工具箱环境下进行遗传算法的编程,简化遗传BP神经网络土地利用变化预测模型的创建。结果表明,利用输入层和隐含层节点数量关系创建的遗传BP神经网络土地利用变化预测模型,可以实现土地利用变化的预测,而且在效率和精度上均优于传统BP神经网络模型,且操作简便。     

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。     

基于GNSS的空间PM2.5检测系统设计及应用

针对PM_2.5浓度空间检测难度大、传统检测设备灵活性低下等缺点,提出了基于GNSS的空间PM_2.5检测系统.系统包括主控、PM_2.5传感器、GNSS定位模块、电源模块、数据记录模块、4G网络模块等部分,在工作过程中可同时获得位置信息和PM_2.5浓度数据,并将两者进行匹配、保存及发送.该系统具有体积小、重量轻、灵活性好和使用方便等优点,大大拓展了空气质量监测的作业空间,提高了传统作业方式的灵活性,具有广阔的应用前景.      

基于改进LUR模型的大区域PM2.5浓度空间分布模拟

针对采用传统土地利用回归（land use regression,LUR）模型进行大气污染物浓度模拟时预测变量信息损失的缺陷,将主成分分析（principle component analysis,PCA）与逐步多元线性回归（stepwise multiple line regression,SMLR）相结合,提出了一种改进的LUR（PCA+SMLR）模型模拟大区域PM_2.5浓度空间分布的方法。首先采用相关分析筛选与PM_2.5显著相关的预测变量,然后对筛选出的预测变量进行主成分变换（PCA）,最后保留所有主成分变量进行SMLR建立回归模型模拟PM_2.5浓度。并以京津冀为研究区域进行实验验证,对PCR、SMLR、PCA+SMLR这3种模型的实验结果进行对比分析,结果表明,PCA+SMLR模型可提高预测变量对回归模型的贡献度,调整后R2达0.883,并且其精度检验指标及制图效果皆优于传统的LUR模型,证明了该模型可有效提高PM_2.5浓度的模拟精度,对PM_2.5区域联防联控具有指导意义。     

2015—2019年冬季黄河流域中游大气污染物空间分布特征

本文基于2015—2019年冬季黄河流域中游地区（山西段和陕西段）6种大气污染物的浓度数据,研究了黄河流域中游冬季大气污染物的变化特征。研究结果表明,2015—2019年黄河流域中游地区,PM₁₀和CO浓度持续降低,O₃浓度持续升高,PM_2.5、SO₂及NO₂平均浓度呈先上升后下降的规律。2019年主要污染物NO₂、CO、PM_2.5、PM₁₀及SO₂浓度均最低;2019年冬季O₃平均浓度达到最高（54μg/m³）。研究地区下游的PM_2.5浓度高于上游,且沿黄河由北向南其浓度逐渐增加,黄河东侧山西段的PM_2.5浓度高于西侧陕西段。研究区域PM₁₀污染浓度由2015—2016年的黄河东侧高西侧低转变为2017—2019年上游低下游高的分布特征。SO₂浓度呈黄河东岸比西岸高的分布。NO₂高值区域从2015—2017年黄河西侧下游地区变为2018—2019年中上游地区;CO平均浓度高值区域位于黄河东侧下游地区;O₃浓度空间分布特征不明显,但近5年浓度大幅增加,需要加强对臭氧的防控。     

区域CORS网在PM2.5监测中的应用研究

在雾霾频发的冬季大气可降水量PWV与大气污染物PM_2.5之间存在一定的关联关系，本文通过对河南地区CORS网的GNSS大气可降水量与PM_2.5之间的相关性进行分析并建立了实时监测模型。试验研究发现：河南地区冬季雾霾频发期大气可降水量PWV与PM_2.5之间存在着较强的正相关关系，通过建立的PM_2.5实时监测模型验证了可以依据大气可降水量PWV对PM_2.5进行实时监测，并取得了较为理想的结果，可以为当前进行PM_2.5监测提供一种新的参考。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。