掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡
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 版權(quán)信息
- ISBN：9787518947928
- 條形碼：9787518947928 ; 978-7-5189-4792-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
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 內(nèi)容簡介
《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)。《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》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(zhì)量濃度和時空分布，同時使用空氣質(zhì)量測評法AQI指數(shù)來評價和分析，通過Matlab軟件建立BP神經(jīng)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。
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 目錄
第1章 緒論
1．1 研究背景及研究意義
1．2 國內(nèi)外研究現(xiàn)狀
1．2．1 國外研究現(xiàn)狀
1．2．2 國內(nèi)研究現(xiàn)狀
1．3 研究內(nèi)容
1．4 創(chuàng)新點
1．5 研究區(qū)域及研究數(shù)據(jù)概況
1．5．1 研究區(qū)域概況
1．5．2 數(shù)據(jù)概況
1．6 研究方法
1．6．1 空氣質(zhì)量指數(shù)（AQI）方法
1．6．2 ArcGIS空間分析
第2章 人工神經(jīng)網(wǎng)絡
2．1 神經(jīng)網(wǎng)絡的產(chǎn)生及發(fā)展
2．2 人工神經(jīng)元的組成
2．3 神經(jīng)元模型
2．4 神經(jīng)網(wǎng)絡基本學習方式
2．5 3種神經(jīng)網(wǎng)絡
2．6 BP神經(jīng)網(wǎng)絡的基本原理
2．7 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)
2．8 BP神經(jīng)網(wǎng)絡的學習過程
2．9 基于粗糙集的神經(jīng)網(wǎng)絡
2．10 差分進化算法優(yōu)化神經(jīng)網(wǎng)絡
2．10．1 差分進化算法原理
2．10．2 差分進化算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．11 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡
2．11．1 粒子群算法的基本原理
2．11．2 基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的原理
2．12 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡
2．12．1 人工蜂群算法的基本原理
2．12．2 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．13 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡
2．13．1 蟻群算法的基本原理
2．13．2 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．14 BP神經(jīng)網(wǎng)絡的優(yōu)缺點
第3章 遺傳算法的一些改進及其應用
3．1 遺傳算法的生物學背景
3．1．1 遺傳變異理論
3．1．2 進化論
3．2 遺傳算法簡史
3．3 遺傳算法的基本概念
3．4 遺傳算法的操作流程
3．5 遺傳算法的技術(shù)實現(xiàn)
3．5．1 編碼
3．5．2 適應度函數(shù)
3．5．3 選擇算子
3．5．4 交叉算子
3．5．5 變異算子
3．5．6 遺傳算法有關(guān)參數(shù)的設置
3．5．7 遺傳算法的特點
3．6 順序選擇遺傳算法（SBOGA）
3．6．1 算法原理
3．6．2 算法步驟
3．6．3 仿真實例
3．7 大變異遺傳算法（GMGA）
3．7．1 算法步驟
3．7．2 仿真實例
3．8 雙切點交叉遺傳算法（DblGEGA）
3．8．1 算法原理
3．8．2 仿真實例
3．9 遺傳算法應用實例及其分析
3．9．1 3種常用的測試函數(shù)
3．9．2 仿真實例分析
3．10 小結(jié)
第4章 基于差分進化算法的函數(shù)優(yōu)化問題研究
4．1 引言
4．2 *優(yōu)化方法簡介
4．2．1 *優(yōu)化問題的一般模型
4．2．2 *優(yōu)化問題的分類
4．2．3 *優(yōu)化問題的求解方法
4．3 智能進化算法綜述
4．3．1 產(chǎn)生背景
4．3．2 研究進化算法的意義
4．3．3 國內(nèi)外研究現(xiàn)狀
4．4 差分進化算法概述與進展
4．4．1 差分進化算法的發(fā)展．過程
4．4．2 差分進化算法的特征
4．4．3 幾種基準測試函數(shù)
4．5 基本差分進化算法
4．5．1 變異操作
4．5．2 交叉操作
4．5．3 選擇操作
4．6 差分進化算法的算法流程
4．7 參數(shù)因子的選擇
4．7．1 種群大小NP的選擇
4．7．2 縮放因子F的選擇
4．7．3 交叉因子CR的選擇
4．8 測試5種改進DE算法
4．9 差分進化算法在函數(shù)優(yōu)化中的應用
4．9．1 單目標優(yōu)化問題
4．9．2 多目標優(yōu)化問題
4．10 小結(jié)
第5章 PM2．5 及其他空氣污染物的時空分布
5．1 PM2．5 的時空分布
5．1．1 PM2．5 氣年際變化
5．1．2 PM2．5 季節(jié)分布特征
5．2 其他空氣污染物的時空分布
5．2．1 PM10的時空分布
5．2．2 SO2的時空分布
5．2．3 NO2的時空分布
5．2．4 CO的時空分布
5．2．5 O3的時空分布
第6章 京津冀地區(qū)空氣質(zhì)量評價
6．1 主要污染物濃度達標率分析
6．1．1 PM2．5 達標率分析
6．1．2 PM10達標率分析
6．1．3 SO2達標率分析
6．1．4 NO2達標率分析
6．2 空氣質(zhì)量評價
6．3 空氣質(zhì)量變化規(guī)律
6．3．1 空氣質(zhì)量季節(jié)變化規(guī)律
6．3．2 空氣質(zhì)量月份變化規(guī)律
6．4 主要空氣污染物月均濃度變化趨勢
6．5 預測模型
6．5．1 春季PM2．5 預測模型
6．5．2 夏季PM2．5 預測模型
6．5．3 秋季PM2．5 預測模型
6．5．4 冬季PM2．5 預測模型
6．6 小結(jié)
第7章 基于BP神經(jīng)網(wǎng)絡的霧霾預測
7．1 影響PM2．5 預測濃度的因素分析
7．2 訓練樣本選取
7．3 數(shù)據(jù)歸一化處理
7．4 BP神經(jīng)網(wǎng)絡的設計
7．5 BP神經(jīng)網(wǎng)絡的訓練
7．6 BP神經(jīng)網(wǎng)絡的仿真
7．7 遺傳算法優(yōu)化
7．8 霧霾的治理建議
7．9 小結(jié)
第8章 京津冀地區(qū)的霧霾成因分析
8．1 研究區(qū)域與數(shù)據(jù)來源
8．2 研究方法
8．2．1 空間自相關(guān)
8．2．2 PLS1模型及通徑分析
8．2．3 BP神經(jīng)網(wǎng)絡
8．3 結(jié)果分析
8．3．1 時空演變分析
8．3．2 空間相關(guān)性分析
8．4 PM2．5 的PLS1模型及通徑分析
8．4．1 PM2．5 的PLS1模型
8．4．2 通徑分析
8．5 PM2．5 與影響因子之間的非線性關(guān)系分析
8．6 小結(jié)
第9章 基于GAM的PM2．5 濃度影響因素及擴散演化過程研究
9．1 引言
9．2 數(shù)據(jù)與研究方法
9．2．1 數(shù)據(jù)
9．2．2 PM2．5 時空特征分析
9．2．3 廣義加性模型（GAM）
9．3 分析結(jié)果
9．3．1 北京市PM2．5 污染概況
9．3．2 PM2．5 與單影響因素的GAM分析
9．4 小結(jié)
參考文獻
1．1 研究背景及研究意義
1．2 國內(nèi)外研究現(xiàn)狀
1．2．1 國外研究現(xiàn)狀
1．2．2 國內(nèi)研究現(xiàn)狀
1．3 研究內(nèi)容
1．4 創(chuàng)新點
1．5 研究區(qū)域及研究數(shù)據(jù)概況
1．5．1 研究區(qū)域概況
1．5．2 數(shù)據(jù)概況
1．6 研究方法
1．6．1 空氣質(zhì)量指數(shù)（AQI）方法
1．6．2 ArcGIS空間分析
第2章 人工神經(jīng)網(wǎng)絡
2．1 神經(jīng)網(wǎng)絡的產(chǎn)生及發(fā)展
2．2 人工神經(jīng)元的組成
2．3 神經(jīng)元模型
2．4 神經(jīng)網(wǎng)絡基本學習方式
2．5 3種神經(jīng)網(wǎng)絡
2．6 BP神經(jīng)網(wǎng)絡的基本原理
2．7 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)
2．8 BP神經(jīng)網(wǎng)絡的學習過程
2．9 基于粗糙集的神經(jīng)網(wǎng)絡
2．10 差分進化算法優(yōu)化神經(jīng)網(wǎng)絡
2．10．1 差分進化算法原理
2．10．2 差分進化算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．11 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡
2．11．1 粒子群算法的基本原理
2．11．2 基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的原理
2．12 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡
2．12．1 人工蜂群算法的基本原理
2．12．2 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．13 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡
2．13．1 蟻群算法的基本原理
2．13．2 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡的原理
2．14 BP神經(jīng)網(wǎng)絡的優(yōu)缺點
第3章 遺傳算法的一些改進及其應用
3．1 遺傳算法的生物學背景
3．1．1 遺傳變異理論
3．1．2 進化論
3．2 遺傳算法簡史
3．3 遺傳算法的基本概念
3．4 遺傳算法的操作流程
3．5 遺傳算法的技術(shù)實現(xiàn)
3．5．1 編碼
3．5．2 適應度函數(shù)
3．5．3 選擇算子
3．5．4 交叉算子
3．5．5 變異算子
3．5．6 遺傳算法有關(guān)參數(shù)的設置
3．5．7 遺傳算法的特點
3．6 順序選擇遺傳算法（SBOGA）
3．6．1 算法原理
3．6．2 算法步驟
3．6．3 仿真實例
3．7 大變異遺傳算法（GMGA）
3．7．1 算法步驟
3．7．2 仿真實例
3．8 雙切點交叉遺傳算法（DblGEGA）
3．8．1 算法原理
3．8．2 仿真實例
3．9 遺傳算法應用實例及其分析
3．9．1 3種常用的測試函數(shù)
3．9．2 仿真實例分析
3．10 小結(jié)
第4章 基于差分進化算法的函數(shù)優(yōu)化問題研究
4．1 引言
4．2 *優(yōu)化方法簡介
4．2．1 *優(yōu)化問題的一般模型
4．2．2 *優(yōu)化問題的分類
4．2．3 *優(yōu)化問題的求解方法
4．3 智能進化算法綜述
4．3．1 產(chǎn)生背景
4．3．2 研究進化算法的意義
4．3．3 國內(nèi)外研究現(xiàn)狀
4．4 差分進化算法概述與進展
4．4．1 差分進化算法的發(fā)展．過程
4．4．2 差分進化算法的特征
4．4．3 幾種基準測試函數(shù)
4．5 基本差分進化算法
4．5．1 變異操作
4．5．2 交叉操作
4．5．3 選擇操作
4．6 差分進化算法的算法流程
4．7 參數(shù)因子的選擇
4．7．1 種群大小NP的選擇
4．7．2 縮放因子F的選擇
4．7．3 交叉因子CR的選擇
4．8 測試5種改進DE算法
4．9 差分進化算法在函數(shù)優(yōu)化中的應用
4．9．1 單目標優(yōu)化問題
4．9．2 多目標優(yōu)化問題
4．10 小結(jié)
第5章 PM2．5 及其他空氣污染物的時空分布
5．1 PM2．5 的時空分布
5．1．1 PM2．5 氣年際變化
5．1．2 PM2．5 季節(jié)分布特征
5．2 其他空氣污染物的時空分布
5．2．1 PM10的時空分布
5．2．2 SO2的時空分布
5．2．3 NO2的時空分布
5．2．4 CO的時空分布
5．2．5 O3的時空分布
第6章 京津冀地區(qū)空氣質(zhì)量評價
6．1 主要污染物濃度達標率分析
6．1．1 PM2．5 達標率分析
6．1．2 PM10達標率分析
6．1．3 SO2達標率分析
6．1．4 NO2達標率分析
6．2 空氣質(zhì)量評價
6．3 空氣質(zhì)量變化規(guī)律
6．3．1 空氣質(zhì)量季節(jié)變化規(guī)律
6．3．2 空氣質(zhì)量月份變化規(guī)律
6．4 主要空氣污染物月均濃度變化趨勢
6．5 預測模型
6．5．1 春季PM2．5 預測模型
6．5．2 夏季PM2．5 預測模型
6．5．3 秋季PM2．5 預測模型
6．5．4 冬季PM2．5 預測模型
6．6 小結(jié)
第7章 基于BP神經(jīng)網(wǎng)絡的霧霾預測
7．1 影響PM2．5 預測濃度的因素分析
7．2 訓練樣本選取
7．3 數(shù)據(jù)歸一化處理
7．4 BP神經(jīng)網(wǎng)絡的設計
7．5 BP神經(jīng)網(wǎng)絡的訓練
7．6 BP神經(jīng)網(wǎng)絡的仿真
7．7 遺傳算法優(yōu)化
7．8 霧霾的治理建議
7．9 小結(jié)
第8章 京津冀地區(qū)的霧霾成因分析
8．1 研究區(qū)域與數(shù)據(jù)來源
8．2 研究方法
8．2．1 空間自相關(guān)
8．2．2 PLS1模型及通徑分析
8．2．3 BP神經(jīng)網(wǎng)絡
8．3 結(jié)果分析
8．3．1 時空演變分析
8．3．2 空間相關(guān)性分析
8．4 PM2．5 的PLS1模型及通徑分析
8．4．1 PM2．5 的PLS1模型
8．4．2 通徑分析
8．5 PM2．5 與影響因子之間的非線性關(guān)系分析
8．6 小結(jié)
第9章 基于GAM的PM2．5 濃度影響因素及擴散演化過程研究
9．1 引言
9．2 數(shù)據(jù)與研究方法
9．2．1 數(shù)據(jù)
9．2．2 PM2．5 時空特征分析
9．2．3 廣義加性模型（GAM）
9．3 分析結(jié)果
9．3．1 北京市PM2．5 污染概況
9．3．2 PM2．5 與單影響因素的GAM分析
9．4 小結(jié)
參考文獻
展開全部
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
名家?guī)阕x魯迅:故事新編
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
姑媽的寶刀
- >
羅曼·羅蘭讀書隨筆-精裝
- >
自卑與超越
- >
我與地壇
- >
羅庸西南聯(lián)大授課錄
本類暢銷
