貴陽空氣中PM-,10-濃度的神經網絡模擬預測與運用.pdf

1、由于大氣是人類賴以生存的基本條件，對人類至關重要。近年來，隨著信息技術特別是人工智能技術的發(fā)展，為科學、準確的預測和評價城市空氣質量創(chuàng)造了有利條件。從這個角度出發(fā)，將人工智能最先進的神經網絡技術引入到空氣質量評價及預報領域，并在這一思想的指導下，進行了基于人工神經網絡(ArtificialNeuralNetwork-ANN)的空氣質量中的重要因子PM10的評價及預報方法的研究。本文提出了改進的BP神經網絡的有關城市空氣質量中PM10的預

2、報法。根據氣象因素與污染物質量濃度的關系，設計并實現了基于誤差反向傳播算法的神經網絡的城市空氣污染預報模型。預報結果表明，利用改進算法后的BP網絡技術所建立的模型，具有較高的預報率，在實際污染控制與防治中，具有重要的應用價值。 從大氣質量預測介紹和PM10對大氣質量影響開始，介紹了國內外目前空氣質量及其空氣質量中的主要因子PM10預測的現狀、方法，并對神經的結構、類型、仿真、學習、訓練，以及BP算法及模型的改進研究。利用MATL

3、AB建模軟件，對影響PM10濃度的污染物及大氣因子等相關條件進行了對比研究和選取，利用貴陽市2004年、2005年的有關污染物濃度和氣象數據來訓練和預測，比較了不同的數據處理方法的預測圖形和相關性的不同，發(fā)現采用各個測量點平均值濃度有著較大的相關性。在能得到的現有的污染物和氣象數據條件下，各個因子相對PM10的相關性情況是：RNO2＞RSO2＞R風速＞R溫度＞R降雨＞R風向。選用影響因子相關性較大的因子建立了四個BP預測模型，它們分別是

4、采用動量梯度下降算法訓練網絡、采用L-M優(yōu)化算法訓練網絡、用貝葉斯正則化算法提高推廣能力、采用提前停止方法提高推廣能力。比較了四種不同的BP預測模型的穩(wěn)定性、收斂性、相關性、MAE、MSE值、隱含層神經元數等相關參數，選取BP3即用貝葉斯正則化算法提高推廣能力作為最優(yōu)預測模型。建立了實際的預測模型并進行了運用，發(fā)現在不同的削減污染條件下，NO2相比SO2對PM10有著更重要的影響，并結合貴陽市的環(huán)境政策作了說明。最后對模型的一些特性作了