【摘要】：日益嚴(yán)峻的空氣污染問(wèn)題是我國(guó)亟需解決的環(huán)境問(wèn)題之一,對(duì)其進(jìn)行預(yù)測(cè)研究是有效治理環(huán)境問(wèn)題的重要環(huán)節(jié)。本文對(duì)神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)和對(duì)其參數(shù)進(jìn)行優(yōu)化的粒子群優(yōu)化算法進(jìn)行了研究,根據(jù)河南省內(nèi)17個(gè)城市的數(shù)據(jù)樣本,針對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中存在預(yù)測(cè)精度低等弊端及粒子群優(yōu)化算法中存在誤差大、收斂慢等問(wèn)題,建立了基于改進(jìn)粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。本文的主要研究工作如下:首先,基于有監(jiān)督的前向型神經(jīng)網(wǎng)絡(luò)模型,通過(guò)編程實(shí)現(xiàn)了對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)的可調(diào)節(jié)性,根據(jù)神經(jīng)網(wǎng)絡(luò)中不同的輸入變量和隱含層中激活函數(shù)的不同,本文設(shè)計(jì)了4種不同的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。其次,本文對(duì)粒子群優(yōu)化算法進(jìn)行改進(jìn)方面的研究,將Levenberg-Marquart算法與粒子群優(yōu)化算法相耦合,利用Matlab工具箱,得到基于Levenberg-Marquart算法的神經(jīng)網(wǎng)絡(luò)的優(yōu)化參數(shù),并將其作為粒子群優(yōu)化算法的初始值,以提出改進(jìn)的粒子群優(yōu)化算法。并通過(guò)編程實(shí)現(xiàn)了對(duì)粒子群優(yōu)化算法的內(nèi)部誤差函數(shù)的可自主選取性。最后,分別利用聚類(lèi)分析和皮爾遜相關(guān)性分析對(duì)河南省內(nèi)17個(gè)城市的數(shù)據(jù)進(jìn)行預(yù)處理,找出相關(guān)性較強(qiáng)、類(lèi)別相近的數(shù)據(jù),進(jìn)而選出模型中要用的數(shù)據(jù)樣本,將改進(jìn)的粒子群優(yōu)化算法和標(biāo)準(zhǔn)粒子群優(yōu)化算法在實(shí)例應(yīng)用中對(duì)比分析,結(jié)果表明前者對(duì)神經(jīng)網(wǎng)絡(luò)中參數(shù)優(yōu)化后的預(yù)測(cè)效果更好。在此基礎(chǔ)上建立了4種基于改進(jìn)粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)空氣污染預(yù)測(cè)模型,并將建立好的4個(gè)模型分別在河南省內(nèi)實(shí)例應(yīng)用,對(duì)其預(yù)測(cè)結(jié)果進(jìn)行分析及對(duì)比。結(jié)果表明模型2的預(yù)測(cè)效果最佳,模型3次之,模型1和模型4預(yù)測(cè)效果不好。本文在河南省建立了有效的基于改進(jìn)粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)空氣污染預(yù)測(cè)模型,不僅豐富了神經(jīng)網(wǎng)絡(luò)模型和對(duì)其參數(shù)進(jìn)行優(yōu)化的粒子群優(yōu)化算法的理論,而且可為河南省的空氣環(huán)境治理工作提供一定的參考。
【學(xué)位授予單位】：華北水利水電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：X51;TP183
【圖文】：

技術(shù)路線圖

-10 -8 -6 -4 -2 0 2 4 6 8 10012345678910 人工神經(jīng)網(wǎng)絡(luò)的模型工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成，每層又有若干的神經(jīng)人們按照不同的角度將人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了分類(lèi)：按拓?fù)浣Y(jié)構(gòu)可分為前向型神反饋型神經(jīng)網(wǎng)絡(luò)；按照網(wǎng)絡(luò)性能可分為連續(xù)型神經(jīng)網(wǎng)絡(luò)和離散型神經(jīng)網(wǎng)絡(luò)、隨網(wǎng)絡(luò)和確定型神經(jīng)網(wǎng)絡(luò)等等。本文主要在前向型神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行研究，單介紹了其模型結(jié)構(gòu)及運(yùn)算過(guò)程。前向型神經(jīng)網(wǎng)絡(luò)中，相互之間連接的神經(jīng)元只存在于前后相鄰的兩層之間，每其輸入的信號(hào)求和或在激活函數(shù)的作用下處理后，將信息輸出到下一層各節(jié)點(diǎn)有向無(wú)環(huán)的網(wǎng)絡(luò)。如圖 2-2 所示。

012f = c+c，f>迭代次數(shù)。更新公式為（3.1）和（3.7）的粒子群優(yōu)化算法為標(biāo)準(zhǔn)子群優(yōu)化算法的基本步驟為：先設(shè)定算法中的相關(guān)參數(shù)的取值，如 c1=c2=2,12r， r為（0，始化粒子的位置和速度： (,,...,)002010iiiiNW =www，(,0010iiiV = vv算粒子群算法中每個(gè)粒子的適應(yīng)值，同時(shí)計(jì)算出粒子的最置；據(jù)公式(3.1)和公式(3.7)，更新粒子的速度和位置；達(dá)到最大迭代次數(shù)，算法停止計(jì)算，進(jìn)入步驟 6；否則，出最優(yōu)值。圖 3-1 所示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 白鶴鳴;沈潤(rùn)平;師華定;董鈺春;;基于BP神經(jīng)網(wǎng)絡(luò)的空氣污染指數(shù)預(yù)測(cè)模型研究[J];環(huán)境科學(xué)與技術(shù);2013年03期

2 石靈芝;鄧啟紅;路嬋;劉蔚巍;;基于BP人工神經(jīng)網(wǎng)絡(luò)的大氣顆粒物PM_(10)質(zhì)量濃度預(yù)測(cè)[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

3 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年05期

4 王芳;程水源;李明君;范清;;遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)用于大氣污染預(yù)報(bào)[J];北京工業(yè)大學(xué)學(xué)報(bào);2009年09期

5 徐星;李元香;姜大志;湯銘端;方慎林;;一種基于分子動(dòng)理論的改進(jìn)粒子群優(yōu)化算法[J];系統(tǒng)仿真學(xué)報(bào);2009年07期

6 郎君,蘇小紅,周秀杰;基于有機(jī)灰色神經(jīng)網(wǎng)絡(luò)模型的空氣污染指數(shù)預(yù)測(cè)[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2004年12期

7 王儉,胡筱敏,鄭龍熙,劉振山;基于BP模型的大氣污染預(yù)報(bào)方法的研究[J];環(huán)境科學(xué)研究;2002年05期

8 劉罡,李昕,胡非;大氣污染物濃度的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)[J];中國(guó)環(huán)境科學(xué);2000年05期

9 李祚泳,鄧新民;環(huán)境污染預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型[J];成都?xì)庀髮W(xué)院學(xué)報(bào);1997年04期

10 焦李成;劉芳;;神經(jīng)網(wǎng)絡(luò)理論 學(xué)習(xí)、識(shí)別與計(jì)算的現(xiàn)代途徑[J];計(jì)算機(jī)科學(xué);1989年02期

本文編號(hào)：2747232