人妻在厨房被色诱中文字幕,午夜成人电影

武裝著的《京津冀地區(qū)PM2.5及其他空氣污染物的時空分布特征研究》收集了真實、可靠、科學的大量數(shù)據(jù)。本書通過研究京津冀地區(qū)空氣污染特征及影響因素，利用可視化軟件分析污染物的質量濃度和時空分布，同時使用空氣質量測評法AQI指數(shù)來評價和分析，通過Matlab軟件建立BP神經網(wǎng)絡模型對樣本數(shù)據(jù)進行預測，此項研究對京津冀地區(qū)及我國其他城市空氣預測有著一定的科學意義。

第1章緒論 1
1.1 研究背景及研究意義 1
1.2 國內外研究現(xiàn)狀 3
1.2.1 國外研究現(xiàn)狀 3
1.2.2 國內研究現(xiàn)狀 4
1.3 研究內容 5
1.4 創(chuàng)新點 6
1.5 研究區(qū)域及研究數(shù)據(jù)概況 6
1.5.1 研究區(qū)域概況 6
1.5.2 數(shù)據(jù)概況 7
1.6 研究方法 7
1.6.1 空氣質量指數(shù)(AQI)方法 7
1.6.2 ArcGIS 空間分析 9

第2章人工神經網(wǎng)絡 10
2.1 神經網(wǎng)絡的產生及發(fā)展 10
2.2 人工神經元的組成 11
2.3 神經元模型 12
2.4 神經網(wǎng)絡基本學習方式 13
2.5 3種神經網(wǎng)絡 14
2.6 BP 神經網(wǎng)絡的基本原理 15
2.7 BP神經網(wǎng)絡的結構 18
2.8 BP神經網(wǎng)絡的學習過程 19
2.9 基于粗糙集的神經網(wǎng)絡 19
2.10 差分進化算法優(yōu)化神經網(wǎng)絡 21
2.10.1 差分進化算法原理 21
2.10.2 差分進化算法優(yōu)化神經網(wǎng)絡的原理 23
2.11 粒子群算法優(yōu)化神經網(wǎng)絡 25
2.11.1 粒子群算法的基本原理 25
2.11.2 基于粒子群算法優(yōu)化BP神經網(wǎng)絡的原理 26
2.12 人工蜂群算法優(yōu)化神經網(wǎng)絡 27
2.12.1 人工蜂群算法的基本原理 27
2.12.2 人工蜂群算法優(yōu)化神經網(wǎng)絡的原理 30
2.13 蟻群算法優(yōu)化神經網(wǎng)絡 32
2.13.1 蟻群算法的基本原理 32
2.13.2 蟻群算法優(yōu)化神經網(wǎng)絡的原理 34
2.14 BP神經網(wǎng)絡的優(yōu)缺點 36

第3章遺傳算法的一些改進及其應用 38
3.1 遺傳算法的生物學背景 38
3.1.1 遺傳變異理論 38
3.1.2 進化論 39
3.2 遺傳算法簡史 39
3.3 遺傳算法的基本概念 41
3.4 遺傳算法的操作流程 42
3.5 遺傳算法的技術實現(xiàn) 43
3.5.1 編碼 43
3.5.2 適應度函數(shù) 44
3.5.3 選擇算子 45
3.5.4 交叉算子 46
3.5.5 變異算子 46
3.5.6 遺傳算法有關參數(shù)的設置 47
3.5.7 遺傳算法的特點 48
3.6 順序選擇遺傳算法(SBOGA) 48
3.6.1 算法原理 48
3.6.2 算法步驟 49
3.6.3 仿真實例 49
3.7 大變異遺傳算法(GMGA) 50
3.7.1 算法步驟 51
3.7.2 仿真實例 51
3.8 雙切點交叉遺傳算法(DblGEGA) 53
3.8.1 算法原理 53
3.8.2 仿真實例 54
3.9 遺傳算法應用實例及其分析 55
3.9.1 3種常用的測試函數(shù) 55
3.9.2 仿真實例分析 56
3.10 小結 59

第4章基于差分進化算法的函數(shù)優(yōu)化問題研究 61
4.1 引言 61
4.2 最優(yōu)化方法簡介 62
4.2.1 最優(yōu)化問題的一般模型 63
4.2.2 最優(yōu)化問題的分類 63
4.2.3 最優(yōu)化問題的求解方法 64
4.3 智能進化算法綜述 65
4.3.1 產生背景 65
4.3.2 研究進化算法的意義 66
4.3.3 國內外研究現(xiàn)狀 67
4.4 差分進化算法概述與進展 68
4.4.1 差分進化算法的發(fā)展過程 69
4.4.2 差分進化算法的特征 69
4.4.3 幾種基準測試函數(shù) 69
4.5 基本差分進化算法 72
4.5.1 變異操作 72
4.5.2 交叉操作 72
4.5.3 選擇操作 73
4.6 差分進化算法的算法流程 73
4.7 參數(shù)因子的選擇 74
4.7.1 種群大小NP的選擇 74
4.7.2 縮放因子F的選擇 76
4.7.3 交叉因子CR的選擇 79
4.8 測試5種改進DE算法 81
4.9 差分進化算法在函數(shù)優(yōu)化中的應用 85
4.9.1 單目標優(yōu)化問題 85
4.9.2 多目標優(yōu)化問題 86
4.10 小結 90

第5章 PM2.5及其他空氣污染物的時空分布 92
5.1 PM2.5的時空分布 92
5.1.1 PM2.5年際變化 92
5.1.2 PM2.5季節(jié)分布特征 94
5.2 其他空氣污染物的時空分布 96
5.2.1 PM10 的時空分布 96
5.2.2 SO2的時空分布 100
5.2.3 NO2的時空分布 102
5.2.4 CO的時空分布 104
5.2.5 O3的時空分布 106
第6章京津冀地區(qū)空氣質量評價 109
6.1 主要污染物濃度達標率分析 109
6.1.1 PM2.5達標率分析 109
6.1.2 PM10達標率分析 110
6.1.3 SO2達標率分析 110
6.1.4 NO2達標率分析 111
6.2 空氣質量評價 112
6.3 空氣質量變化規(guī)律 113
6.3.1 空氣質量季節(jié)變化規(guī)律 113
6.3.2 空氣質量月份變化規(guī)律 114
6.4 主要空氣污染物月均濃度變化趨勢 115
6.5 預測模型 118
6.5.1 春季PM2.5預測模型 118
6.5.2 夏季PM2.5預測模型 120
6.5.3 秋季PM2.5預測模型 122
6.5.4 冬季PM2.5預測模型 124
6.6 小結 126

第7章基于BP神經網(wǎng)絡的霧霾預測 128
7.1 影響PM2.5預測濃度的因素分析 128
7.2 訓練樣本選取 131
7.3 數(shù)據(jù)歸一化處理 132
7.4 BP神經網(wǎng)絡的設計 133
7.5 BP 神經網(wǎng)絡的訓練 136
7.6 BP 神經網(wǎng)絡的仿真 141
7.7 遺傳算法優(yōu)化 144
7.8 霧霾的治理建議 149
7.9 小結 151
第8章京津冀地區(qū)的霧霾成因分析 153
8.1 研究區(qū)域與數(shù)據(jù)來源 153
8.2 研究方法 154
8.2.1 空間自相關 154
8.2.2 PLS1模型及通徑分析 155
8.2.3 BP神經網(wǎng)絡 157
8.3 結果分析 159
8.3.1 時空演變分析 159
8.3.2 空間相關性分析 165
8.4 PM2.5的PLS1模型及通徑分析 168
8.4.1 PM2.5的PLS1模型 168
8.4.2 通徑分析 171
8.5 PM2.5與影響因子之間的非線性關系分析 178
8.6 小結 180

第9章基于GAM的PM2.5濃度影響因素及擴散演化過程研究 182
9.1 引言 182
9.2 數(shù)據(jù)與研究方法 183
9.2.1 數(shù)據(jù) 183
9.2.2 PM2.5時空特征分析 184
9.2.3 廣義加性模型(GAM) 185
9.3 分析結果 186
9.3.1 北京市PM2.5污染概況 186
9.3.2 PM2.5與單影響因素的GAM分析 188
9.4 小結 195

參考文獻197

你還可能感興趣

我要評論