利用BP神经网络方法预测西湖叶绿素a的浓度

在西湖共设了 8个采样点 ,通过主成分分析选取了最能代表西湖水质状况的 7号点 (湖心 )作为研究对象。根据 2 0 0 0年 1月至 2 0 0 1年 4月西湖常规监测的水生生态数据 ,并用插值的方法使其生成足够多的样本数 ,利用 BP人工神经网络 ,探索其用于西湖水生生态状况 (叶绿素 a的浓度 )的短期变化趋势预测的可行性 ,从中找出最能反映西湖水生生态状况变化趋势的水质因子用来建立网络。并用 3号点的数据来检验网络的泛化性能 ,发现网络输出值与实际值吻合度较高。结果表明 ,水温和叶绿素a对未来一周的叶绿素 a含量影响最大 ,以这两者作为输入变量建立的网络简单、快捷 ,比其他线性数值模拟预测有较大的优势。说明人工神经网络对叶绿素 a的预测是一种有效工具 ,可为西湖富营养化治理提供科学依据。     

巢湖叶绿素a浓度的时空分布及其与氮、磷浓度关系

基于巢湖水体2002~2007年水质监测资料,对叶绿素a浓度的分布、动态及与TN、TP的关系进行了统计分析。巢湖叶绿素a浓度与TN、TP的浓度分布存在明显的空间差异,西半湖叶绿素a浓度全年高于20μg/L,TN为1.94~3.84mg/L,TP为0.20~0.42mg/L;东半湖叶绿素a浓度全年小于5.5μg/L,TN为0.95~1.83mg/L,TP为0.08~0.14mg/L。在东半湖,叶绿素a含量与TN呈不明显的正线性关系,当TP浓度较低时,叶绿素a随TP的增加小幅上升,但是当TP>0.15mg/L时,叶绿素a随TP的增加而明显上升;在西半湖,当水体TN<5.8mg/L或者TP<2.0mg/L时,叶绿素a含量与TN、TP关系为正线性关系,当TN在5.8~9.4mg/L或者TP介于0.2~0.3mg/L间时,叶绿素a含量与TN、TP关系为不显著的负线性关系,当TP浓度>0.3mg/L时,叶绿素a含量与TP关系又为正线性关系。西半湖叶绿素a浓度的变化可能是藻类生物活动与沉积物及水体中营养盐的相互作用结果。在治理巢湖富营养化时,应优先控制西半湖的磷元素。     

基于小波分析与BP神经网络的西湖叶绿素a浓度预测模型

小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络。选择合适的小波基和分解尺度对西湖水体Chl—a进行小波分析,将原序列分解成一个低频概貌分量和多个高频细节分量,再通过BP网络建立西湖叶绿素a浓度短期预测模型Ⅰ和模型Ⅱ。模型Ⅰ将小波分析去除高频细节信息后的低频概貌部分作为输入变量预测Chl-a含量;模型Ⅱ则对低频部分和高频部分分别进行预测,最后汇总各分网络输出得到最终结果。对确证集预测时,模型Ⅰ的平均误差为4．4％,模型Ⅱ仅为1．9％,且误差范围较模型Ⅰ小,表明模型Ⅱ具有较高的预测精度和稳定性。最后运用模型Ⅱ进行水质预测,预测值与实际值的平均相对误差为6．4％,并选取3号点（中山码头）进行模型的泛化,平均相对误差为6．9％,取得了较理想的预测效果,说明小波神经网络能成功预测西湖水体中Chl—a含量的短期变化趋势,为西湖水质管理提供科学依据。     

几个水塘叶绿素a浓度与理化测试指标的关系

对三个水塘的水体进行了两年叶绿素a含量的测定,同时对一系列理化指标（pH值,悬浮物,化学需氧量,溶解氧,硝酸盐氮,严硝酸盐氮,锰,镉,六价铬,挥发酚,铜,锌,铅,硫）进行了测试。检测的数据表明：两年来3个水塘的几个理化指标均超过国家《渔业水质标准》GB11607－89,尤其以西区水塘的水质较差,餐厅水塘次之,附小水塘稍微好一些;同时各水塘藻类叶绿素a浓度的测试数据分析结果与上述各项理化测试结果相符。叶绿素a的浓度与理化测试指标数据均能反映了不同水质的相应情况,也为采取相应的防治方法提供了依据。     

金属叶绿素a配位结构的研究

在丙酮溶液中合成得到镧-叶绿素a、钐-叶绿素a和铜-叶绿素a复合物,并研究了它们的紫外可见光谱（UV-Vis）、Fourier红外光谱（FT-IR）和EXAFS结构.镧-叶绿素a、钐-叶绿素a和铜-叶绿素a的UV-Vis谱、FT-IR谱与叶绿素a（含镁）的光谱性质相似,但与脱镁叶绿素a的光谱性质差异很大.证明了La³⁺、Sm³⁺、Cu²⁺已配位到脱镁叶绿素的卟啉环上,形成了镧-叶绿素a、钐-叶绿素a和铜-叶绿素a复合物.通过扩展X射线吸收精细结构谱(EXAFS)研究表明：合成镧-叶绿素a、钐-叶绿素a具有双层夹心结构.La(Ⅲ)、Sm(Ⅲ)夹于两个卟啉环之间, 与上下卟啉环上共八个N原子配位, La-N平均键长0.261 nm,Sm-N平均键长0.243 nm, 而铜-叶绿素a的EXAFS表明为一单层结构,Cu(Ⅱ)与卟啉环中的四个N原子配位,Cu-N平均键长0.197 nm.元素分析也证明镧-叶绿素a、钐-叶绿素a为双层结构,铜-叶绿素a为单层结构.     

风场对太湖叶绿素a空间分布的影响

叶绿素a的浓度是水环境评价的重要参数。根据2005—2009年太湖全湖32个采样点的20次太湖采样数据,结合气象要素资料模拟的太湖风场,探求了风场对太湖叶绿素a空间分布的影响。结果表明:叶绿素a浓度的高值中心位于太湖西北侧、竺山湾以及梅梁湾流域,而太湖东南部的叶绿素a浓度较低;全太湖全年以东南风为主,南部风速较大,北部风速较弱;风场对叶绿素a的输移作用明显,在风场作用下,叶绿素向太湖西北部和北部输移,造成了该地区太湖流域叶绿素浓度普遍偏高。     

桑沟湾春季叶绿素a浓度分布及其影响因素

依据2014年5月走航和定点连续调查资料,分析了桑沟湾叶绿素a的空间分布及昼日变化特征,结合理、化环境因素的相关性分析,探讨影响叶绿素a浓度的主要因素。(1)走航调查的结果显示,桑沟湾春季叶绿素a浓度较低,叶绿素a浓度范围为0.11—1.40μg/L,平均为(0.64±0.36)μg/L。叶绿素a浓度从湾内向湾外逐步降低,贝类区混养区海带区外海区;湾内表层叶绿素a浓度均高于底层,而湾外的非养殖区则相反(2)网箱区叶绿素a浓度最高,日平均为1.70μg/L,显著高于其它3个区;海草区最低,为0.57μg/L,与海带养殖区无显著性差异,显著低于贝类养殖区和网箱区。叶绿素a浓度的总体趋势为:网箱区贝类区海带区和海草区。而且,不同养殖区域,叶绿素a浓度昼夜变化规律各不相同,反映了养殖活动的影响。海草区白天表层高于底层,而夜间则相反;网箱区底层均高于表层;贝类区表层均高于底层;海带区表底层叶绿素a浓度呈现出升降交替的规律。(3)叶绿素a浓度与硅酸盐、水温显著正相关,与其他环境因子,如氨氮、亚硝酸盐、磷酸盐等无显著相关性。硅酸盐和温度可能为影响桑沟湾春季浮游植物生长的主要限制性因素。(4)桑沟湾春季浮游植物生长受多重因素的限制,湾内营养盐浓度与叶绿素a浓度并未呈现显著的规律性,营养盐的上行控制和贝类摄食的下行控制均能影响浮游植物的生长。     

基于高光谱影像湖泊叶绿素a浓度反演分析

针对湖泊叶绿素a浓度的快速变化及水体富营养化问题,以太湖水体为例,利用太湖区域2019年10月、11月和12月的珠海一号高光谱影像,采用波谱特征分析、主成分分析、皮尔逊相关系数、建立反演模型分析江苏省太湖区域水体叶绿素a浓度的分布状态以及时空变化状况。通过主成分分析划分与水体信息相关的成分,提出采用珠海一号高光谱影像的中红外波段建立耦合可见光和近红外辐射信号的WCI模型。结果表明:(1)水体光谱曲线特征与主成分分析结果一致,分别为光合作用波段、细胞散射波段和水体增温波段。(2)改进的耦合可见光与中红外辐射信号的建立的WCI模型的反演精度最高,均方根误差RMSE为(1.4008 mg·L^-1),平均相对误差(MRE)为10.69%。(3)2019年10月一12月间,湖泊叶绿素浓度整体变化不大,太湖叶绿素a浓度的遥感反演结果总体上呈现为湖西区域浓度较低,湖东区域浓度较高的特征。     

香溪河库湾春季叶绿素a 浓度动态及其影响因子分析

2005年3月至4月,对三峡水库香溪河库湾的叶绿素a动态及其与TN、TP等环境因子的关系进行了研究。结果表明,从香溪河库湾下游到上游,叶绿素a存在明显的水平分布。在时间分布上,3月17日暴发一次大规模的水华,4月份水华的暴发有一个明显的平面推移的过程。叶绿素a浓度与TN、TP之间存在着一定的负相关关系,TN与叶绿素a浓度的相关性较显著。香溪河库湾极可能是N限制型水体,而不受P限制。叶绿素a与透明度存在反双曲线关系,与溶解氧呈显著正相关关系。     

钱塘江干流杭州段水体叶绿素a浓度及与环境因子的关系

2006年1月至2007年12月,对钱塘江干流杭州段水体的叶绿素a时空分布及其与环境因子的关系进行研究.结果表明钱塘江干流杭州段的叶绿素a浓度时间差异显著,空间差异不显著.叶绿素a浓度呈现夏秋季节高、冬春季节低的规律.叶绿素a浓度与温度呈显著正相关,叶绿素a与透明度在不同范围内表现出不同的相关关系,叶绿素a与TN、TP之间的相关关系在不同江段有所差异.钱塘江干流杭州段总氮和总磷浓度均很高,足够满足藻类生长需要;氮磷比较低,基本在8～30之间,说明氮磷含量可能不是钱塘江藻类生长的限制因子.     

基于BP神经网络和RBF神经网络预测老年痴呆症疾病进展的对比研究

目的:比较反向传播算法(BP)神经网络和径向基函数(RBF)神经网络预测老年痴呆症疾病进展的效果。方法:以老年痴呆症随访数据为研究对象,以性别、年龄、受教育程度、有无高血压、有无高胆固醇、有无心脏病、有无中风史、有无家族史8个指标作为输入变量,以五年随访的MMSE差值为输出变量,构建基于BP神经网络和RBF神经网络的老年痴呆症疾病进展预测模型。结果:与BP神经网络模型相比,RBF神经网络预测的结果更好,能够有效地预测老年痴呆症疾病进展。结论:神经网络模型将老年痴呆症疾病进展预测问题转化为随访数据中相关测量指标与MMSE差值的非线性问题,为复杂的老年痴呆症疾病进展预测提供了新思路。     

1988-2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数（Leaf Area Index,LAI）高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988-2013年10期遥感影像,基于反向传播（Back Propagation,BP）神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明：（1）该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;（2）统计分析去除耕地后全市LAI变化,低植被覆盖（LAI<2）面积不断增加,高植被覆盖区（LAI>3）面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;（3）主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。     

基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

在低碳经济发展背景下,针对山东省碳排放数据更新迟缓、以往预测模型难以满足现实需求的问题,统计相关数据,根据政府间气候变化专门委员会(IPCC)推荐方法测算山东省2000—2017年碳排放量和排放强度,并借助脱钩分析、碳承载力和碳赤字探究碳排放的动态变化趋势;基于5项最重要的碳排放影响因素,建立改进的粒子群算法(IPSO...     

CODEX,a neural network approach to explore signaling dynamics landscapes

Current studies of cell signaling dynamics that use live cell fluorescent biosensors routinely yield thousands of single‐cell, heterogeneous, multi‐dimensional trajectories. Typically, the extraction of relevant information from time series data relies on predefined, human‐interpretable features. Without a priori knowledge of the system, the predefined features may fail to cover the entire spectrum of dynamics. Here we present CODEX, a data‐driven approach based on convolutional neural networks (CNNs) that identifies patterns in time series. It does not require a priori information about the biological system and the insights into the data are built through explanations of the CNNs'' predictions. CODEX provides several views of the data: visualization of all the single‐cell trajectories in a low‐dimensional space, identification of prototypic trajectories, and extraction of distinctive motifs. We demonstrate how CODEX can provide new insights into ERK and Akt signaling in response to various growth factors, and we recapitulate findings in p53 and TGFβ‐SMAD2 signaling.     

人工神经网络在发酵工业中的应用

人工神经网络技术具有很强的非线性映射能力,用于系统的非线性建模,具有无可比拟的优势,广泛应用于发酵过程中培养基的优化和系统建模与控制方面,本主要介绍了人工神经网络的基本原理与使用方法,以及BP神经网络在非线性函数逼近的优点,详细介绍了其在发酵培养基优化,连续搅拌反应器神经网络估计,分批发酵及补料分批发酵过程建模与控制优化中的应用实例。     

基于小波神经网络的麦蚜发生程度预测模型

【目的】建立基于小波神经网络病虫害预测预报模型,对提前采取防病防虫措施、减少农作物病虫害损失、提高农作物产量与质量具有重要意义。【方法】本研究以山西省运城市芮城县1980-2014年麦蚜发生程度和气象因子数据为基础,采用主成分分析法从40个基础气象因子中整合形成9个新的自变量输入模型,采用试凑法筛选隐含层节点数,用1980-2009年的数据进行网络训练,对2010-2014年麦蚜发生程度进行回测,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较。【结果】小波和BP神经网络两种模型对训练样本的平均拟合精度均有10年以上超过80%,两者MAPE 值分别为 89.83% 和83.07%,MSE 值分别为0.0578和0.6192。【结论】两个模型都能较好地描述麦蚜发生程度;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络。