基于BP-GA神经网络的六安市空气质量预测研究

发布时间：2017-04-16 07:06

  本文关键词：基于BP-GA神经网络的六安市空气质量预测研究，由笔耕文化传播整理发布。

【摘要】：我国目前的空气质量环境存在很多问题,其中PM2.5和PM10的大气污染物较为突出。空气污染不仅影响当地人们的身心健康,而且严重破环生态环境,对城市的经济发展、投资环境影响甚大。我们如果能在实时检测大气污染的同时,再研发出空气质量预测系统,这将会使我们达到主动预防的目的从而改善环境。国务院也在相关计划中明确提出全国各地需“建立监测预警体系,提高监测预警的准确度,及时发布监测预警信息。”经典的回归统计模型和数值预报模型是当前国内外大多数城市用于空气质量预测所采取的方法,但不能满足海量数据的管理和利用,准确率较低,没有形成良好的决策支持功能。BP人工神经网络主要用于函数逼近,具备非线性处理能力和容噪能力。然而在实际应用中BP也会有很多缺陷,网络训练可能会陷入局部极小点,学习算法的收敛速度慢等。故本文用遗传算法来优化BP神经网络模型的初始权阈值以进一步提高空气质量预测能力。为此本文研究了在Delphi环境下实现基于遗传算法和BP神经网络相结合的空气质量预测模型。本文所做的主要工作有以下几个方面：(1)根据收集的2011-2015年5年的空气污染物浓度数据研究得出规律,从2015年的1月到2月可看出主要要污染物为PM10和PM2.5,且浓度在增加。在2011-2014全年中,S02年均浓度前两年相同,后两年年均浓度在增加；N02年均浓度在前2年年增加,13年少降,14年又大幅增加；可吸入颗粒物年均浓度在11-14年中,一直在不断增加。分析了六安气候特征,空气质量如何划分等级,为后面基于时间序列的网络模型确立输入因子。(2)研究了BP神经网络的结构、学习方法,用Delphi编制了BP神经网络模型。概述了经典统计模型,预测2011年1月到12月的S0：污染物浓度值。再用5-5-1网络结构的BP模型,以10月份为训练数据预测11月份值,并与经典统计模型预测的11月份值进行实验对比,结果显示BP网络模型性能较好。(3)分析BP神经网络模型的缺陷,研究了遗传算法,在其算法实现中如何进行选择、交叉、变异,以及遗传算法如何解决编码、适应度函数和在本文中如何用它来优化BP神经网络初始权阈值的问题。优化后的BP模型较优化前的BP模型,其实验对比结果显示优化后的网络误差在进一步减小。(4)用Delphi编制出BP-GA相结合的空气质量预测模型。分别用5-5-1网络结构的BP模型、BP-GA模型与传统的统计模型去预测S02的污染物浓度值,对3种模型的实验结果进行分析；均用5-5-1网络结构的BP模型和BP-GA模型分别预测PM10,PM2.5,NO2的值,两种模型性能作比较；用10-5-1网络结构的BP-GA模型预测PM10与5-5-1网络结构的BP-GA模型预测PM1o,两种网络结构分别作比较。
【关键词】：人工神经网络 BP神经网络 遗传算法 BP-GA神经网络模型 空气质量预测
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：X51;TP18
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-19
• 1.1 引言10
• 1.2 研究背景与意义10-11
• 1.3 人工神经网络在国内外的研究现状11-14
• 1.4 空气质量预报方法14-15
• 1.5 本文研究的主要内容15-17
• 1.6 本文组织结构17-18
• 1.7 本章小结18-19
• 第二章 六安市空气质量的污染特征19-28
• 2.1 六安市地形、气候特征19
• 2.2 六安市空气污染的监测站点19-21
• 2.3 六安市空气污染的变化趋势21-24
• 2.4 空气质量指数划分24-26
• 2.5 本章小结26-28
• 第三章 基于神经网络的空气质量预测28-51
• 3.1 人工神经网络的特征28-32
• 3.1.1 人工神经元参数及其特征28-31
• 3.1.2 人工神经网络的基本结构31-32
• 3.2 BP神经网络原理32-39
• 3.2.1 BP神经网络的模型32-33
• 3.2.2 BP神经网络的学习算法33-39
• 3.3 基于回归统计模型的空气质量预测39-44
• 3.3.1 基于气象因子的样本分类40
• 3.3.2 空气质量预测40-44
• 3.4 基于BP神经网络模型的空气质量预测44-47
• 3.5 对比试验47-50
• 3.6 本章小结50-51
• 第四章 基于遗传算法的BP神经网络优化51-67
• 4.1 BP神经网络的缺陷51
• 4.2 遗传算法的基本原理51-57
• 4.2.1 遗传算法的基本操作52-54
• 4.2.2 遗传算法需解决的问题54-56
• 4.2.3 遗传算法的步骤56-57
• 4.3 基于遗传算法优化BP神经网络的权阈值57-61
• 4.4 对比实验61-66
• 4.5 本章小结66-67
• 第五章 基于BP-GA神经网络的空气质量预测67-86
• 5.1 基于BP-GA神经网络模型67-70
• 5.2 基于BP-GA神经网络空气质量预测模型实现70-76
• 5.3 对比实验76-85
• 5.4 本章小结85-86
• 第六章 总结与展望86-88
• 6.1 总结86
• 6.2 展望86-88
• 参考文献88-91
• 致谢91-92
• 攻读硕士学位期间发表的学术论文92

【相似文献】

中国期刊全文数据库 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 杨自厚;神经网络技术及其在钢铁工业中的应用第8讲人工神经网络在钢铁工业中的应用(下)[J];冶金自动化;1997年05期

3 李润生,李延辉,胡学军,刘壮,王守俭;神经网络在冶金中的应用[J];钢铁研究;1998年02期

4 刘海玲,刘树深,尹情胜,夏之宁,易忠胜;线性神经网络及在多组分分析中的初步应用[J];计算机与应用化学;2000年Z1期

5 王继宗,王西娟;用神经网络确定梁上裂纹位置的研究[J];煤炭学报;2000年S1期

6 赵学庆,袁景淇,周又玲,贺松;生物发酵过程神经网络状态预报器的验证[J];无锡轻工大学学报;2000年06期

7 李智,姚驻斌,张望兴,贺超武;基于神经网络的混匀配料优化方法[J];钢铁研究;2000年04期

8 胡敏艺,马荣骏;神经网络在冶金工业中的应用[J];湖南有色金属;2000年05期

9 倪建军,邵琳;利用神经网络进行观测数据的分析与处理[J];连云港化工高等专科学校学报;2000年04期

10 裴浩东,苏宏业,褚健;材料工程中基于神经网络的稳态优化策略[J];材料科学与工程;2001年02期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺，

本文编号：310261