期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
Manufactured nanoparticle:A prediction model for understanding PM2.5 toxicity to human
1
作者 Weiyue Feng Yuliang Zhao 《Green Energy & Environment》 SCIE 2017年第1期3-4,共2页
Epidemiological studies have demonstrated that chronic exposure to polluted concentration of fine ambient particulate matter(PM2.5)can induce markedly harmful effects on human health,however,an enormous research effor... Epidemiological studies have demonstrated that chronic exposure to polluted concentration of fine ambient particulate matter(PM2.5)can induce markedly harmful effects on human health,however,an enormous research effort is still need to the comprehensive understanding of PM2.5 induction of new negative health outcomes.Recently,Maher and colleges[1]from Environmental Magnetism and Paleomagnetism at Lancaster University 展开更多
关键词 PM Manufactured nanoparticle:A prediction model for understanding pm2.5 toxicity to human
在线阅读 下载PDF
中小型旅馆室内污染物分布规律与预测
2
作者 齐子姝 郭利敏 +1 位作者 张语 徐阳 《吉林建筑大学学报》 CAS 2022年第5期51-56,共6页
本文通过对寒冷地区中小型旅馆室内PM 2.5,CO_(2),CH2O进行实际测试,得出污染物浓度变化规律.通过现场调研与实测数据,分析室内污染物浓度的影响因素,利用线性回归的方法得出PM 2.5,CO_(2),CH2O的预测模型和常规残差,构建了污染物传播... 本文通过对寒冷地区中小型旅馆室内PM 2.5,CO_(2),CH2O进行实际测试,得出污染物浓度变化规律.通过现场调研与实测数据,分析室内污染物浓度的影响因素,利用线性回归的方法得出PM 2.5,CO_(2),CH2O的预测模型和常规残差,构建了污染物传播的数学模型,对各污染物进行多因素分析,得到了各因素及因素之间的交互效应对室内PM 2.5,CO_(2),CH2O浓度影响的程度,对改善室内环境起到了指导作用,为下一步采取特定方法降低污染物浓度以及为中小型旅馆的室内设计提供理论依据. 展开更多
关键词 污染物 中小型旅馆 预测模型 PM 2.5 CO_(2) CH_(2)O 多因素分析
在线阅读 下载PDF
基于BP神经网络的PM_(2.5)浓度值预测模型 被引量:3
3
作者 张丹宁 吴巧丽 张博 《建材技术与应用》 2023年第2期9-13,共5页
PM_(2.5)对空气质量的恶劣影响和对生命健康的严重威胁日益引起了各界的关注。揭示PM_(2.5)时间分布规律,对其浓度进行有效预测,有助于大众及时采取防控措施和降低污染暴露强度。故以西安市为研究区,基于反向传播神经网络(BP神经网络),... PM_(2.5)对空气质量的恶劣影响和对生命健康的严重威胁日益引起了各界的关注。揭示PM_(2.5)时间分布规律,对其浓度进行有效预测,有助于大众及时采取防控措施和降低污染暴露强度。故以西安市为研究区,基于反向传播神经网络(BP神经网络),应用2014年1月1日至2017年11月4日的1400组大气污染物监测数据进行训练学习,并用2017年11月4日至2018年8月31日的300组数据进行测试和检验,最终建立了精度较高的PM_(2.5)浓度预测模型,用以预测次日PM_(2.5)浓度值,并针对偏差较大的预测结果,进行了成因分析和讨论。 展开更多
关键词 PM_(2.5)浓度值 预测模型 反向传播神经网络 成因分析
在线阅读 下载PDF
基于PSO算法优化BP神经网络的PM_(2.5)浓度预测模型
4
作者 李佳林 侯利明 张聪 《现代信息科技》 2025年第7期47-51,57,共6页
针对传统的BP神经网络收敛速度较慢且易陷入局部最优解的问题,文章提出了一种基于粒子群优化(PSO)算法优化BP神经网络的PM_(2.5)浓度预测模型,从而能够快速收敛并得到全局最优解。首先,通过皮尔逊相关性分析筛选出与PM_(2.5)浓度相关性... 针对传统的BP神经网络收敛速度较慢且易陷入局部最优解的问题,文章提出了一种基于粒子群优化(PSO)算法优化BP神经网络的PM_(2.5)浓度预测模型,从而能够快速收敛并得到全局最优解。首先,通过皮尔逊相关性分析筛选出与PM_(2.5)浓度相关性较高的污染物指标作为输入变量。其次,利用PSO算法优化BP神经网络的初始权重和阈值,克服了BP神经网络易陷入局部最优、收敛速度慢的缺点。最后,利用成都市2021年7月至2024年6月的大气污染物数据对模型进行训练和测试。结果表明,测试集的R^(2)达到0.944,测试集的MAE为4.231,测试集的RMSE为6.364。与未优化的BP神经网络模型相比,PSO-BP模型具有更高的预测精度和更快的收敛速度,能够有效地预测成都市次日的PM_(2.5)浓度。 展开更多
关键词 PM_(2.5)浓度 预测模型 PSO算法 BP神经网络
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部