基于优化的BP神经网络与SVR算法对AQI的预测研究

发布时间：2020-08-06 19:51

【摘要】：随着工业、科技的发展,空气质量问题越来越引起了大家的重视。治理空气污染是一个长期存在的问题,短期内很难见效~([1])。为了更好地计算空气质量指数(Air Quality Index,AQI),提高空气质量指数(AQI)的计算效率~([2]),本文引入了人工神经网络算法。传统的空气质量评价与预测方法具有工作量大、统计数据困难、预测精度不高等缺陷。该方法具有良好的非线性拟合能力,在处理非线性问题中得到了广泛的应用,尤其是BP神经网络算法和SVM算法,有效的解决了存在的一些问题。本文所使用数据均来自于中国环境监测站太原市的实时监测数据。人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是一种元启发式群智能算法,模仿了蜜蜂群分工找蜜源的行为。主要特点是不需要了解问题的特殊信息,只需要对问题进行优劣的比较,通过各人工蜂个体的局部寻优行为,最终在群体中使优值突显出来,有着较快的收敛速度。但ABC算法可能陷入局部最优,针对这一不足之处,本文提出了BP-ABC和BP-IABC模型算法,主要利用ABC算法对BP算法的权重和阈值进行优化。通过BP模型对AQI指数进行拟合预测,实验结果表明BP-IABC模型比BP模型和BP-ABC模型具有更高的拟合精度和更小的均方误差。灰狼优化算法(Grey Wolf Optimizer,GWO)模拟了灰狼群体的种群等级制度与围捕猎物的活动。灰狼分散开去找目标,初始种群的好坏直接影响算法的全局收敛速度与解的质量。为了提高全局优化能力,并利用改进算法优化支持向量机回归算法(SVR)的参数,建立了MGWO-SVR预测模型。并利用MGWO-SVR模型和SVR模型对太原市的空气质量指标进行预测和拟合,仿真实验结果表明改进后的模型在预测精度与性能都有良好的表现。
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X51;TP18
【图文】：

示意图,模型,示意图,神经网络

利用各种工程和数学神经元和神经网络作为模型，通一定的自适应和自学习能力。在人工神经网络系统中，每个神经网络训练过程中，神经网络的权值在自适应训练过程中不断更新，最终得到满意的输出结果。特别是在人工智能、模式识别、信号复杂的系统控制和大数据处理等领域有广泛应用[19]。元结构神经元的启发下，学者们提出了基本的神经网络神经元模型。通对接收到的信息进行处理，实现一维输出模型。神经元的外部信作为神经元的基本信息。按照生物神经元，我们建立 M-P（McC型。为了使得建模更加简单，以便于进行形式化表达，我们忽略期等复杂因素，并把神经元的突触时延和强度当成常数[20]。图 2示意图。

函数图像,函数图像,梯度,激活函数

图 2.2 Sigmoid 函数图像的求导推导为： xefx11() fxfxeexx ()112作为非线性激活函数，但是其并不被经常使过图 2.2 我们可以看到，sigmoid 函数的 f ( x接近 0，使得梯度更新十分缓慢，即梯度

函数图像,函数图像,梯度,修正线

图 2.3 tanh 函数图像近很短一段区域内可看做线性的。tanh样，存在梯度消失问题；但是 tanh 函数正单元）为修正线性单元（Rectified Linear Unigmoid 函数以及 tanh 函数的梯度消失 0,0,0max(0,),xxx x x x

【相似文献】