基于人工神经网络的空气颗粒物浓度预测模型

发布时间：2020-06-12 23:46

【摘要】：近年来,大气污染问题受到公众的广泛关注。空气颗粒物浓度预测模型能够为大气污染治理工作提供有价值的参考数据,已经成为学术界的研究热点。本文在人工神经网络基本原理和深度学习算法的基础上,建立了基于受限玻尔兹曼机的双层BP神经网络模型,并将其应用到PM_(2.5)浓度值的预测研究工作中。本文的主要工作包括以下三个方面:1)本文将受限玻尔兹曼机与双层BP神经网络相结合,建立基于受限玻尔兹曼机的双层BP神经网络模型。在该模型中,受限玻尔兹曼机可以在训练过程中获得输入参数的特征信息并将这些信息作为双层神经网络的初始值,弥补了双层BP神经网络极易陷入局部最优的缺点。本文利用上海、杭州、成都三座城市2013年12月至2017年4月的相关监测数据来进行数据处理,其中包括空气质量指数(AQI)、PM_(2.5)、PM_(10)、SO_2、CO、NO_2、温度、露点、气压。经数据的相关性筛选和归一化处理后,将所有数据按照80%、10%、10%的比例进行分组分别用作模型的训练,验证和测试。2)本文的数据结果不考虑天气,人为等突发情况。数值计算结果表明,与传统的单层BP神经网络模型(BPNN)相比,基于受限玻尔兹曼机的双层BP神经网络模型(RBM-DL-BPNN)的预测结果更接近真实监测值,准确率更高。本文利用性能指标RMSE、MAE、MAPE来对网络模型进行客观评价。以杭州为例,RBM-DL-BPNN模型的性能指标RMSE、MAE、MAPE的计算结果值分别为13.947μg/m3、5.945μg/m3、12.637%,BPNN模型为17.653μg/m3、13.150μg/m3、27.655%。为了进一步分析预测结果,本文还进行了绝对误差率分析和预测准确率分析。以杭州为例,RBM-DL-BPNN模型的124组预测结果的APEi在0-20%、20%-50%、50%这三个档次内的数据量分别是107、12、5,BPNN模型为64、44、16。3)开发了一款MATLAB环境下的PM_(2.5)浓度值预测的软件。用户只需在该软件中输入相关的历史数据就可以轻松的得到PM_(2.5)的预测浓度值,从而可以提前做好适当的预防措施。
【图文】：

BP神经网络,单层,神经元

图 2-1 单层 BP 神经网络结构 BP 神经网络中，我们假设输入神经元个数为 M，隐层神经元个数为 J。输入层第 m 个神经元记为mx ，隐输出层第 j 个神经元记为jy 。从mx 到ik 的连接权值记值记为ij 。隐含层传递函数为 Log-Sigmoid 函数，。Log-Sigmoid 函数可由下式确定：xefx 11( )接受一个长度为 M 的向量作为输入，最终输出一个和 v 分别表示每一层的输入输出，如1Iu 表示 I 层（即入。则网络的实际输出可以表示为：()[,,...,]1 2JJJJY n vvv

BP神经网络,神经网络

图 2-2 双层 BP 神经网络结构从网络结构上看，双层 BP 神经网络比单层 BP 神经网络仅多了一层隐含他网络层结构相同。理论上讲，神经网络的隐含层节点的数量越多，神经网非线性的表达能力就越强，随之其训练难度就越大[46]。所以增加神经网络隐数量的目的主要是为了降低在每层隐含层中的节点数量，降低神经网络每层层的训练难度。隐含层数量的增加可以在不增加隐含层节点数量的前提下更的表示非线性问题，相同的非线性问题，在双层 BP 神经网络中可以由较少含层节点表示，而在单层 BP 神经网络需要更多的隐含层节点表示。在神经网络的训练算法方面，双层 BP 神经网络与单层 BP 神经网络一样差反向传播的方式来调整各网络层之间的连接权值。所以双层 BP 神经网络层神经网络的训练过程类似，但是之所以为什么隐含层不是越多越好是因为差反向传播的时候，由于隐含层数量的增加，，输出层的误差需要经过两层隐才能达到输入层，在误差反向传播的过程中，误差信号会变的越来越小。这
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;X831

【相似文献】