导读:本文包含了浓度预报方法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:浓度,方法,因子,太原市,门限,多模,南京市。
浓度预报方法论文文献综述
张天航,王继康,张恒德,张碧辉,吕梦瑶[1]（2019）在《一种最优多模式集成方法在我国重污染区域PM_(2.5)浓度预报中的应用》一文中研究指出为了提高我国重污染区域PM_(2. 5)浓度预报准确率,基于4套国家级以及区域环境气象业务中心发展和维护的空气质量数值预报模式,通过均值集成、权重集成、多元线性回归集成和BP-ANNs集成分别建立集成预报,在实时预报效果评估基础上,建立了最优多模式集成预报。对2015—2016年预报效果进行评估,结果表明:相对于单个空气质量数值预报模式,均值和权重集成对预报偏差的改进幅度有限,但多元线性回归、BP-ANNs和最优集成能较大幅度降低预报偏差;最优集成预报与观测值间的归一化平均偏差(NMB)和均方根误差(RMSE)分别为-10%～10%和10～70μg/m3,且在更多的站点表现出强相关性,但依然低估了高污染等级的PM_(2. 5)浓度。对2018年2月25日—3月4日京津冀地区污染过程进行评估,结果表明:最优集成能较好预报出该过程中PM_(2. 5)浓度的变化趋势和量级;在北京、石家庄和郑州3个代表城市中,预报和观测值间的NMB和相关系数(R)分别为-26%～-4%和0. 49～0. 77;最优集成对轻度污染及中度污染的TS评分为0. 39～0. 73,重度污染及以上TS评分为0. 13～0. 30,能为预报员提供客观参考,但对污染峰值的预报能力还需进一步改进。(本文来源于《环境工程技术学报》期刊2019年05期）
赵亮,卢绍文,张亚军,柴天佑,赵楷文[2]（2019）在《基于平滑交替辨识的氧化铝蒸发过程碱液浓度在线预报方法》一文中研究指出氧化铝蒸发过程的关键指标是产品碱液浓度。然而蒸发过程存在大滞后,碱液浓度的检测值难以使用于设定值的优化。针对以上问题,本文介绍一种氧化铝蒸发过程在线预报方法。考虑到蒸发过程闭环控制系统的波动以及边界条件的变化,本文采用交替辨识算法实现碱液浓度的在线终端预报。本文的主要贡献是引入正则化因子,从而抑制交替辨识参数的方差,提高预测的稳定性,并给出了正则化因子的取值策略。通过仿真实验以及工业数据的实验说明本方法能够在较高精度的基础上有效的降低模型参数的方差,满足实际工业生产在线优化控制的要求。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
侯俊雄,李琦,林绍福,冯逍,朱亚杰[3]（2018）在《门限重复单元的PM2.5浓度预报方法》一文中研究指出针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。(本文来源于《测绘科学》期刊2018年07期）
王雁,陈二萍,闫世明,李明明,郭伟[4]（2017）在《太原市大气污染物浓度特征分析及预报方法研究》一文中研究指出本文利用太原市2013年PM_(10)、SO_2、NO_2、PM_(2.5)、O_3和CO六种大气污染物的监测资料,分析了这六种大气污染物浓度及AQI变化规律。结果表明,2013年太原市六种主要大气污染物月均浓度的变化规律存在明显差异。NO_2浓度整体上未呈现显着的年变化规律,波动较小。O_3浓度月均值全年大致呈"倒V"型分布。SO_2月均值全年呈现较明显的"V"型分布。CO浓度月均值变化幅度不大,11-12月为全年最大值。PM_(10)浓度月均值全年大致呈"M"型分布。PM_(2.5)浓度变化总体趋势同PM_(10)类似。太原AQI月均值处于92~181之间,AQI最小值出现在7月~9月,最大值出现在1月~2月,呈现典型的采暖季和非采暖季的区别。太原市全年环境质量以轻度污染为主,AQI日均值主要集中于50~200,所占频率最大的区间为100~150,占总频率的34.79%。利用7种气象要素以及前一天浓度值与太原市最典型的两种大气污染物SO_2和PM_(2.5)浓度建立采暖期和非采暖期的回归方程,并运用2015年冬季资料进行检验,结果显示拟合方程能较好地预报太原大气污染物浓度水平。(本文来源于《2017中国环境科学学会科学与技术年会论文集（第一卷）》期刊2017-10-20）
杨忠,童楚东,俞杰,傅晓钦,汪伟峰[5]（2017）在《加权因子的PSO-SVR区域空气PM2.5浓度预报方法》一文中研究指出针对区域PM2.5浓度预报这一问题进行了研究,通过结合支持向量回归机(SVR)和粒子群优化算法(PSO),提出了一种加权因子的预报方法(W-PSO-SVR)。该方法采用了对预报模型的输入变量进行[0,1]间的不均等加权赋值,权重值由PSO搜索求得,通过不断寻优迭代,赋予输入变量的不均等权重,从而建立预报模型。采用该方法的区域空气的PM2.5浓度预报结果表明,与单独的支持向量回归机模型和0或1的加权因子的支持向量回归模型相比,W-PSO-SVR预报精度提高明显,能较好地实现对模型输入参数的有效选择。(本文来源于《计算机应用研究》期刊2017年02期）
程兴宏,刁志刚,胡江凯,徐祥德,张建春[6]（2016）在《基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM_(2.5)浓度动力-统计预报方法研究》一文中研究指出采用CMAQ模式和自适应偏最小二乘回归法相结合的动力-统计预报方法,对2014年1—12月全国252个环境监测站的PM_(2.5)浓度逐时预报值进行了滚动订正,分析了订正前后PM_(2.5)浓度的时空变化特征,重点研究该方法在中国不同地区不同季节的适用性.结果表明:CMAQ模式预报的PM_(2.5)浓度年平均和秋冬季季节平均偏差表现为非均匀空间分布特征,即辽宁、山东部分地区、川渝地区及华中、华东、华南大部分地区预报偏高,京津冀和西部大部分地区预报偏低;订正后PM_(2.5)浓度与实测值的空间分布较一致,上述偏高和偏低地区的PM_(2.5)浓度预报误差显着减小;秋冬季PM_(2.5)浓度预报和订正偏差均大于年平均值.全国区域平均PM_(2.5)浓度实测值存在明显的季节变化特征,1—3月和11—12月较大,其他月份较小;PM_(2.5)浓度预报误差较大,多数时刻预报偏低,尤其是1—3月和11—12月偏低较明显;订正后PM_(2.5)浓度与实测值较接近,而且时间变化趋势较一致,秋冬季PM_(2.5)浓度预报和订正偏差亦明显大于春夏季.秋冬季4个重点污染区域中,京津冀地区PM_(2.5)实测浓度的区域平均值较大,川渝地区次之,长叁角和珠叁角地区较小;珠叁角地区PM_(2.5)浓度预报和订正效果较好,川渝和长叁角地区次之,京津冀地区相对较差;经滚动订正后,全年和秋冬季时段PM_(2.5)浓度订正值与实测值的相关系数均显着增加,误差显着减小,尤其是秋冬季订正效果较好.川渝地区的订正改进幅度最大,长叁角和京津冀地区次之,珠叁角地区较小.本文方法均适用于非污染日和污染日全国范围的PM_(2.5)预报浓度订正,两种天气过程PM_(2.5)浓度的订正效果均较好;该方法对于改进京津冀地区污染日的PM_(2.5)浓度预报更有效,其他3个地区非污染日的订正改进效果优于污染日.本文研究结果可为改进空气质量预报、重霾污染天气预警和防治提供新技术途径和科学依据.(本文来源于《环境科学学报》期刊2016年08期）
付文欢[7]（2010）在《基于RBF神经网络多模型的青霉素浓度预报方法研究》一文中研究指出青霉素作为一种重要的抗生素是通过发酵进行生产的,其发酵过程是一个极为复杂的难以建立准确机理模型的生化反应过程,具有强非线性、时变性和不确定性等特点。为了对发酵过程进行优化与控制,要求对其中重要的生物量如基质浓度、菌体浓度,以及青霉素浓度等进行实时监测。目前,主要是通过取样离线化验对这些生物量进行检测,具有很大的时滞性,而且取样时可能会使发酵罐感染杂菌,导致青霉素产量与质量下降。青霉素浓度是最重要的一个生物量,本文对其在线预报方法进行深入研究。目前,一般是建立一个全局预报模型对青霉素浓度进行在线预报。但是当发酵初始条件及操作参数的波动增大时,发酵批次间差异就随之增大,全局预报模型由于模型单一而导致预报精度下降,预报误差增大。针对上述不足,本文提出一种多模型建模方法。首先采用减聚类法对样本中的批次按发酵初始条件和操作参数自动划分类别,使得类中批次差异尽可能小,类间批次差异尽可能大。然后以批次为单位建立各批次RBF神经网络预报模型。在着重分析发酵过程机理及工艺基础上,确定关键过程变量作为RBF神经网络的输入,包括采样时间、培养体积、二氧化碳浓度、溶解氧浓度、pH、发酵罐温度、空气流率、搅拌器功率、补给基质流率和补给基质温度。RBF神经网络训练算法采用基于减聚类的K-均值梯度算法,该算法根据训练数据的特点自动确定网络隐层神经元的个数,对网络径向基函数中心、基宽,以及网络隐层到输出层的权系数均进行训练调整,使得建模精度更高。采用类内各批次模型最优加权组合的方法建立类预报模型,通过极小化类内所有批次模型的加权组合预测误差平方和求取加权系数,使得类模型是该类的一个最优模型。这样针对发酵过程批次间波动较大情形形成类模型库。当进行青霉素浓度在线预报时,以当前批次发酵初始条件和操作参数与各类中心距离最小为依据选择类模型作为预报模型。最后,利用Pensim青霉素发酵仿真平台,采用正交试验方法设计批次少、信息全面且分布均匀的建模样本,对提出的预报方法进行实验仿真。结果表明,发酵过程批次间波动较大时,预报模型的精度与泛化能力均得到了很好的保证,较单一模型效果要好。(本文来源于《东北大学》期刊2010-06-01）
张云海,孙财涛,杨洪斌[8]（2009）在《基于逐步回归分析方法的PM_(10)浓度预报模型》一文中研究指出根据沈阳市2003～2005年的PM10浓度资料以及同期的气象要素资料,采用逐步回归方法建立了分季节的空气污染物PM10与气象因子的关系模型,并且利用2006年PM10资料和气象资料对模型进行了验证。结果表明:PM10预报浓度准确率和等级准确率最好的是夏秋两季,最差的是春季。春季当PM10日均浓度出现很高值时,预报结果与实测值有较大的误差,但趋势是一致的。秋季趋势的一致性不好,但波动比较小。冬季和夏季预报值与实测值的变化趋势基本上一致。(本文来源于《环境科学与技术》期刊2009年05期）
魏建苏,刘梅,顾亚进,张军,张静[9]（2008）在《南京市花粉浓度变化规律及预报方法研究》一文中研究指出在花粉观测和气象观测资料的基础上,分析了南京地区花粉季节变化规律和日变化规律,以及南京地区不同种类花粉的季节分布特点,发现南京地区花粉分布呈单峰型分布,具有很强的周期性和季节性。3月中旬起,花粉数量迅速增多,到4月中旬达到顶峰,此后缓慢下降,但起伏较大。同时,根据同期气象条件分析了气象因子(温度、湿度、降水、风速)对花粉浓度的影响,建立了花粉浓度预报方程:Y=0.703X1+0.005X2+0.005X3+0.452。其中,Y为花粉浓度预报值;X1为前一日花粉实况;X2为气压差;X3为温度差。(本文来源于《安徽农业科学》期刊2008年22期）
秦汝祥,张国枢,杨应迪[10]（2008）在《瓦斯浓度序列的煤与瓦斯突出预报方法及应用》一文中研究指出对监测到的瓦斯浓度序列进行深入研究的基础上,提出了利用瓦斯浓度序列预报煤与瓦斯突出的新方法,设计了突出预报软件,并以某矿实际突出前瓦斯浓度序列进行了验证。结果表明:瓦斯浓度序列在突出发生2h前表现了突出前兆信号,并且随着突出的临近,该信号越来越强。由此可见,该方法是可行的,且能弥补常规预报方法中的不足,使预报更为准确、可靠。(本文来源于《安徽理工大学学报(自然科学版)》期刊2008年01期）
浓度预报方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
氧化铝蒸发过程的关键指标是产品碱液浓度。然而蒸发过程存在大滞后,碱液浓度的检测值难以使用于设定值的优化。针对以上问题,本文介绍一种氧化铝蒸发过程在线预报方法。考虑到蒸发过程闭环控制系统的波动以及边界条件的变化,本文采用交替辨识算法实现碱液浓度的在线终端预报。本文的主要贡献是引入正则化因子,从而抑制交替辨识参数的方差,提高预测的稳定性,并给出了正则化因子的取值策略。通过仿真实验以及工业数据的实验说明本方法能够在较高精度的基础上有效的降低模型参数的方差,满足实际工业生产在线优化控制的要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
浓度预报方法论文参考文献
[1].张天航,王继康,张恒德,张碧辉,吕梦瑶.一种最优多模式集成方法在我国重污染区域PM_(2.5)浓度预报中的应用[J].环境工程技术学报.2019
[2].赵亮,卢绍文,张亚军,柴天佑,赵楷文.基于平滑交替辨识的氧化铝蒸发过程碱液浓度在线预报方法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[3].侯俊雄,李琦,林绍福,冯逍,朱亚杰.门限重复单元的PM2.5浓度预报方法[J].测绘科学.2018
[4].王雁,陈二萍,闫世明,李明明,郭伟.太原市大气污染物浓度特征分析及预报方法研究[C].2017中国环境科学学会科学与技术年会论文集（第一卷）.2017
[5].杨忠,童楚东,俞杰,傅晓钦,汪伟峰.加权因子的PSO-SVR区域空气PM2.5浓度预报方法[J].计算机应用研究.2017
[6].程兴宏,刁志刚,胡江凯,徐祥德,张建春.基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM_(2.5)浓度动力-统计预报方法研究[J].环境科学学报.2016
[7].付文欢.基于RBF神经网络多模型的青霉素浓度预报方法研究[D].东北大学.2010
[8].张云海,孙财涛,杨洪斌.基于逐步回归分析方法的PM_(10)浓度预报模型[J].环境科学与技术.2009
[9].魏建苏,刘梅,顾亚进,张军,张静.南京市花粉浓度变化规律及预报方法研究[J].安徽农业科学.2008
[10].秦汝祥,张国枢,杨应迪.瓦斯浓度序列的煤与瓦斯突出预报方法及应用[J].安徽理工大学学报(自然科学版).2008
论文知识图
