简介：运用离子色谱法间接测定水质总硬度。本法与EDTA-2Na滴定法对比，绝对误差、相对误差均在允许范围内，对标准样品的测定值，在允许范围内，相对误差1．2％。

简介：对吹扫捕集-气质法测定海水水质中甲苯含量的不确定度进行评定。分析不确定度的主要来源,包括测量重复性、标准溶液配制、定容体积和检测设备引入的不确定度。分别计算了各分量的不确定度,再计算出合成标准不确定度和扩展不确定度。[1]结果表明,吹扫捕集-气质法测定海水水质中甲苯含量的扩展不确定度为0.3μg/L（k=2）。

简介：从2003年富屯溪邵武段水文实测资料、水质例行监测结果以及境内污染源监测结果等方面,定性或定量分析该水域水质氟化物超标的成因,同时针对本地区实际,提出相应的对策和措施,防范于未然.

简介：本文主要介绍了AOC的概念,检测意义,检测方法及其相关理论,研究了福州几个水厂出厂水和管网水中AOC指标值的变化情况,从而为用AOC指标评价饮用水生物稳定性提供科学依据.

简介：为了能够对鱼塘、河流的水质进行长时间的在线监测,本文设计了一款在线式多参数水质监测系统.该系统具有灵活多变的传感器接入能力及数据融合性能,可以实时跟踪水质参数的变化、追踪污染源、辅助渔民养殖.系统以STM32F103为核心处理器,包括传感器及数据处理电路,通过RS485/MODBUS协议与PC进行通讯.采集的水质参数包括温度、pH、ORP、电导率、水位等五个常用基本参数.

简介：针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络（LSTM）的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络（RNN）和门控循环网络（GRU）.

简介：本文用稳健统计—迭代法作为水质自动监测测量不确定度评定的方法,对高锰酸盐指数和氨氮两个项目的标样考核数据进行统计,并将不确定度评估结果与相对误差评价结果进行比较,结果表明高锰酸盐指数合格率分别为92.1%、93.4%,氨氮合格率分别为95.1%、96.7%。

简介：短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机（SVM）的短期光伏发电预测方法.该方法先使用多个不同的初级SVM对预测样本进行一次预测得到多个预测输出;然后对训练集进行聚类,使用与预测样本同类别的训练样本训练次级SVM;最后使用次级SVM对多个预测输出进行结合得到最终预测结果.经光伏发电系统的实际运行数据实验,结果表明本文提出的方法相较于单一预测模型精度有了明显提升.

简介：通过对山仔水库水体中藻类数量、种群结构、叶绿素-a含量及一些水质理化因子的分析,结果表明(1)藻类的生长呈现季节性的变化,叶绿素-a含量与水环境中藻类的数量、氨氮、pH值、高锰酸盐指数显著相关;(2)该水已富营养化;(3)富营养化对水处理造成不利影响.

简介：本文根据九龙江北溪甲藻水华事件中各水质因子的监测结果，对各水质因子与叶绿素a进行相关性分析。探讨水华发生时各水质因子之间的内在联系，以寻求影响水华程度的关键因子，并提出今后甲藻水华时应增加水质监测因子的选择，以及时空布点采样的建议。

简介：马尔科夫预测模型具有＂无后效性＂,即预测未来的销售情况只与当前的销售数据有关,而与过去的销售数据无关.事实上,过去不同的时间点对当前的销售结果会有不同程度的影响.而指数平滑法恰好弥补了马尔科夫预测模型的缺点,它认为最近的过去销售数据,在某种程度上会持续到未来.因此本文利用二次指数平滑系数法优化马尔科夫预测模型,并以某品牌电动车的销售情况为例进行验证,发现优化后预测模型的绝对误差均小于马尔科夫模型的预测结果.由此得出结论,基于二次指数平滑法优化的马尔科夫预测模型具有可行性.

简介：针对因影响因素众多而难以预测的隧道沉降问题,使用粒子群算法（PSO）优化支持向量回归模型（SVR）并结合灰色理论中的等维新息,提出了混合模型对隧道沉降时间序列数据进行预测研究.与ELM极限学习机预测模型及PSO-BP神经网络预测模型进行了对比实验.发现等维新息SVR模型在预测精度上要优于其它两个模型,于是得出该模型可以有效地应用于隧道沉降时间序列的预测研究.

简介：基于傅里叶变换中红外光谱技术（FTIR）,结合改进型偏最小二乘回归法（MPLS）,建立豆奶中的快速预测方法。结果表明选取有效波段,不使用散射校正,使用导数和平滑校正光谱基线漂移后定标效果最好,各指标的预测值与实测值相关性良好,脂肪（Fat）、蛋白质（Protein）、蔗糖（Sucrose）和总糖（TotalSugar）预测标准偏差（SEP）分别为0.061、0.039、0.039、0.047;预测相关系数（RSQ）分别为：0.98、0.99、0.99、0.99。该方法可应用于豆奶中脂肪（Fat）、蛋白（Protein）、蔗糖（Sucrose）和总糖（TotalSugar）含量的快速分析检测。