基于遗传算法改进的多模式污染物集成预报的研究

发布时间：2021-07-03 04:34

　　目前,我国大气污染物浓度预报技术已经进入了快速平稳的发展时期,随着数值预报技术的不断完善,大气污染物浓度预报水平已经显著提升,但随着数值预报技术逐渐成熟,目前只依靠数值模式已无法使大气污染物浓度预报获得很大提高。针对上述问题,本文做了以下工作:第一,天津市气象台数值预报产品在不同环境下预报能力不同,本文在分析数值预报产品的基础上提出一种筛选判别分析方法:首先,利用2015年的八种数值模式进行数据分析并比较八种数值模式在不同季节下的预报能力,验证集成有效性;然后,将八种数值模式分季节进行显著性检验,并引入相关性结合偏差的筛选方法作为分类器,在四个季节中分别进行筛选分类,最后,将筛选的数值模式进行主元分析,将分析后的主成分作为集成改进算法的输入。第二,针对数值模式下大气污染物浓度精度不高的问题,提出一种有效的引入遗传算子的极限学习机（ELM）改进遗传算法的多模式污染物集成预报的方法。改进算法首先借助极限学习机优秀的非线性映射能力,定量模拟遗传算法种群进化的算子操作从而构建ELM进化机制,然后将ELM进化机制与遗传算法结合来建立多模式污染物集成预报模型,整个算法采用30天滚动预报。本文进行了... 

【文章来源】：天津科技大学天津市

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图２－１?ＢＰ神经网络模型??

很多研究成果。曲志坚等［５１］通过自适应方法改进遗传算法，有效地把握总体的进化方??向，提高全局收敛能力。陈璐璐等［５２］将遗传算法与粒子群算法相混合，用粒子群方法??优化速度和位置，从而提高运算速度和精度。如图２－２所不。??开始??初始化种群的设定????????—？?计算适应度，得到权重系数???Ｙ???保留最优个体???ｊ＿???选择???Ｙ???交叉???５???变异???＾???输出适应度值最优的个体，并??保存相应的权重系数??结束??图２－２遗传算法基本流程图??Ｆｉｇ．２－２?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｇｅｎｅｔｉｃ?ａｌｇｏｒｉｔｈｍ??７??

?３?大气数值模式分析判别筛选方法???模式成员的数量同时增加的时候，集合预报会获得最好的整体表现［６１＿６２］。但是，参与??集成的各个模式成员必须具备一定的条件，而不是数值模式的简单叠加：??（１）在分析参与集成的数值预报成员时，每个数值预报成员准确度应大致相同，??不存在有某种模式成员一直优于其他成员。同样，不存在某种模式成员准确度一直处??于最差。??（２）筛选出的各模式集成预报成员应该涵盖尽可能多的大气状态，这样得到的集??成预报才是真实可信的。??（３）各数值模式成员之间的离散度应能够反映真实大气的预报可信度［６４］。??本节根据八种模式下的日均大气污染物浓度数据进行分析，以ＰＭ２．５浓度为例，??运用各模式的相对误差分析整体预报能力。如下图３－１所示：??


本文编号：3261879