人工神经网络（Artificial Neural Network-ANN）在大气科学中主要应用于三个方面:预测、函数模拟、归类。神经网络模型的种类有许多,适用的方向也各不相同。实验采用了在理论和性能上都比较成熟的BP网络来进行空气中PM₁₀浓度的模拟预测。本文介绍了大气中PM₁₀浓度模拟预测的研究现状和进展,重点讨论了PM₁₀浓度影响因子的筛选,神经网络模型的建立和修正,模型预测结果的分析及应用等。 我们应用Levenberg-Marquardt优化算法模型对相对湿度、风速、风向、NO_x浓度以及SO₂浓度与PM10浓度的相关性进行了分析,并得到这五个因子和PM10浓度之间的相关系数分别是0.503、0.213、0.159、0.629、0.757。实验表明SO₂对PM₁₀浓度的影响程度最大,风向最小,并在此基础上我们进行了影响因子的筛选。 通过因子筛选,我们确定了相对湿度、风速、NO_x浓度以及SO₂浓度为模型输入因子,实验数据采用杭州市监测站实际监测数据和气象数据。本实验建立了4个BP网络模型,分别采用了动量梯度下降算法、Levenberg-Marquardt优化算法、贝叶斯正则化方法、提前停止方法对模型进行训练。我们考察了训练算法的收敛性、对网络推广能力提高的效果以及隐层神经元数对模型的影响,最后采用几个统计指标来综合评价几个模型的性能。实验的结果表明:在隐层神经元数为4,目标误差为0.03,训练速率为0.2的情况下,4个模型的收敛速率分别为1000,100,100,600次循环左右;在推广能力上,在隐层神经元数为4时,BP3对新输入样本矢量的预测效果最好,而BP4在更大的隐层神经元数时有比较好的提高;另外,隐层神经元数在模型稳定性和收敛速率上都有明显的影响;最后,我们考察了4个模型的综合性能,发现模型3和模型2相比起模型1和模型4都有比较显著的提高,其MAE（平均绝对误差）和MSE（均方误差）都要小很多,特别是模型3对预测结果的回归分析其相关性也很好。以BP3和BP4为例:在测试集1的情况下,其MAE、MSE、和相关系数分别是:0.0448,0.0037,0.3224和0.0568,0.0064,0.1457;在测试集2的情况下,三个指标分别为:0.0473,0.0041,0.684和0.0591,0.0068,0.52。 最后,我们应用最优的模型来预测NO_x浓度和SO₂浓度的削减对PM₁₀浓度影响,通过实验我们发现模型得到的预测值和实际值非常的接近,误差仅为5%,当我们把SO₂浓度和NO_x浓度均削减10%、20%、30%时,PM₁₀浓度分别下降了13.4%、17.6%和26.9%,下降的比例比单单削减SO₂浓度时要提高了一些,但是提高的比例相当的小,而比单单削减NO_x浓度时要提高很多,这也表明控