论文部分内容阅读
随着社会经济的发展、城市人口的膨胀,大气污染问题日趋严重。为了更好地反映环境污染变化趋势,加强空气污染防治,预防严重污染事件发生,研究空气质量预测方法、开展大气污染预测意义重大。济南市环境保护监测站自1999年开始进行了城市空气质量自动监测工作,积累了大量的空气质量监测历史数据,这些数据对整个城市环境空气质量进行分析和预测具有十分重要的意义,随着空气质量实时监测系统和重点污染源实时在线监测系统的建立,监测数据的增长更加迅速。由于大气环境系统自身复杂多变且已经积累了海量历史监测数据,传统预测方法难以充分挖掘历史数据中的有用信息实现比较精确的预测。本文将人工神经网络应用到空气质量预测领域中,借助神经网络的非线性处理能力和容噪能力,根据实际应用,对常用的神经网络模型做相应的改进并应用到特定环境中,分别建立了基于样本自组织聚类的误差反向传播(Back Propagation,BP)神经网络空气质量预测模型和基于隐节点剪枝的资源分配网络(ResourceAllocating Network,RAN)空气质量预测模型,为环境管理决策提供及时、准确、全面的空气质量信息。本文所做的主要工作有以下几个方面:(1)研究了BP神经网络和径向基(Radial Basis Function,RBF)神经网络的结构、学习方法,对BP神经网络存在的缺陷进行了分析,对RBF神经网络的各种学习算法进行了探讨。(2)根据空气质量预测实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。(3)针对空气质量预测中多种非线性因素对预测精度的影响,及空气污染的时变性,采用能够在线学习的资源分配网络算法;并结合隐节点相关性剪枝方法和无用隐节点删除策略,精简网络结构,提高泛化能力;建立一种结构简单,并且具有在线学习能力的空气质量预测模型。通过对网络模型的训练和测试,结果表明基于隐节点剪枝的RAN预测方法不仅简化了RAN的网络结构,而且预测精度也好于普通RAN。