移動(dòng)污染源是指位置隨時(shí)間和空間變化的、移動(dòng)的污染源,主要包括在移動(dòng)過程中的機(jī)動(dòng)車、工程車、移動(dòng)式建筑機(jī)械、船舶和飛機(jī)等在工作過程中排放處大量有害廢氣�？諝馕廴�,特別是移動(dòng)污染源中的超細(xì)顆粒物和揮發(fā)性有機(jī)物(Volatile Organic Compounds,VOCs)引起的大范圍霧霾己經(jīng)成為中國最突出的環(huán)境問題之一。因此,提前預(yù)測大氣污染物濃度是加強(qiáng)大氣污染防治,實(shí)現(xiàn)全面環(huán)境管理的基礎(chǔ),對(duì)人們的日常健康和政府決策具有重要意義。本文在國內(nèi)外空氣污染物濃度時(shí)空特征和預(yù)測方法研究的基礎(chǔ)上,對(duì)神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、深度學(xué)習(xí)等方法就行深入研究,探索不同預(yù)測條件建立多種濃度預(yù)測模型,提高濃度預(yù)測精度,系統(tǒng)地對(duì)污染物濃度演變趨勢進(jìn)行分析和實(shí)驗(yàn)研究。(1)由于污染物濃度序列固有的復(fù)雜性,描述污染物濃度的演變趨勢和準(zhǔn)確預(yù)測是困難的。為了掌握空氣污染物濃度時(shí)間分布規(guī)律,實(shí)現(xiàn)預(yù)測的準(zhǔn)確性和實(shí)時(shí)性,本文提出了一種自適應(yīng)模糊加權(quán)極限學(xué)習(xí)機(jī)(ANFIS-WELM),基于極限學(xué)習(xí)機(jī)(ELM)的正則化策略,以提高模糊神經(jīng)網(wǎng)絡(luò)的性能。所提出的ANFIS-WELM,具有降低隨機(jī)性,降低計(jì)算復(fù)雜度和更好的泛化的優(yōu)點(diǎn)。通過使用模糊隸屬函數(shù)結(jié)合顯式知識(shí)表示,隨機(jī)選擇ANFIS-WELM模糊層的參數(shù),在加權(quán)極限學(xué)習(xí)機(jī)正則化策略中求解約束優(yōu)化問題來確定模型神經(jīng)層的參數(shù)。實(shí)驗(yàn)表明,相較于GA-BPNN、SVR、ELM、WELM、ANFIS、R-ELANFIS模型,提出的方法在預(yù)測準(zhǔn)確性和實(shí)時(shí)性能之間實(shí)現(xiàn)了良好的平衡,并且在自主開發(fā)的移動(dòng)污染源在線監(jiān)測數(shù)據(jù)中心軟件系統(tǒng)上完成了算法包的工程化應(yīng)用,實(shí)現(xiàn)在時(shí)間軸上對(duì)污染物濃度的多尺度預(yù)測。(2)現(xiàn)有的研究方法未能有效地提取空氣污染物濃度數(shù)據(jù)的時(shí)空特征,未能有效地模擬長期依賴性,并且大多數(shù)忽略了大氣影響因子對(duì)空間相關(guān)性分析。本文提出了一種時(shí)空注意力卷積長短期記憶神經(jīng)網(wǎng)絡(luò)模型(Attention-CNN-LSTM),通過收集當(dāng)前站以及最近鄰站的歷史空氣污染物濃度,該模型分析最近鄰站點(diǎn)之間的Granger因果關(guān)系并設(shè)計(jì)出一個(gè)超參數(shù)高斯向量權(quán)重函數(shù)以確定空間自相關(guān)變量,作為輸入特征的一部分,然后使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來提取LSTM網(wǎng)絡(luò)使用的數(shù)據(jù)的時(shí)空間特征,同時(shí)注意力模型分別用于加權(quán)特征圖和通道以增強(qiáng)特征的有效性,除了在歷史空氣污染物數(shù)據(jù)中自動(dòng)提取固有的有用特征之外,并將氣象數(shù)據(jù)和時(shí)間戳數(shù)據(jù)合并到所提出的模型中以提高模型的預(yù)測性能。實(shí)驗(yàn)表明提出的方法具有良好的穩(wěn)定性和預(yù)測性能,優(yōu)于ARIMA、SVR、LSTM、CNN和CNN-LSTM模型。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：X51;TP18
【部分圖文】：

圖２．１具有２個(gè)輸入和５個(gè)層的ＡＮＨＳ體系結(jié)構(gòu)??，采用ＡＮＦＩＳ模型主要是因?yàn)樗哂辛己玫膶W(xué)習(xí)，構(gòu)建，擴(kuò)展。該模型具有基于模糊規(guī)則的輸入數(shù)據(jù)中的提取模式的優(yōu)點(diǎn)，以尋建規(guī)則庫。在由于數(shù)據(jù)本身的混亂性質(zhì)而導(dǎo)致濃度預(yù)測問題通常很型可以智能地提取信息并將其轉(zhuǎn)換為模糊系統(tǒng)，但是在訓(xùn)練模型中估計(jì)是必要的［８５＿８７］。有關(guān)ＡＮＦＩＳ結(jié)構(gòu)的更多細(xì)節(jié)可以在Ｃｈａｎｇ和Ｃ機(jī)??本原理??是一種訓(xùn)練單隱層前饋神經(jīng)網(wǎng)絡(luò)（Ｓｉｎｇｌｅ?Ｈｉｄｄｅｎ?Ｌａｙｅｒ?Ｆｅｅｄ－Ｆｏｒｗａｒｄ方法，具有優(yōu)異的學(xué)習(xí)準(zhǔn)確性和速度。假設(shè)有Ｎ個(gè)訓(xùn)練數(shù)據(jù)［ｘｙ?＋?］，／＾２，－，；＾］７６?１＾是樣本，１：＾／１４２，＂＿４，；／￡艫為樣本＼的期應(yīng)著輸入和輸出的維數(shù)。對(duì)于ａ／個(gè)訓(xùn)練樣本，對(duì)于；個(gè)隱層節(jié)點(diǎn)，標(biāo)／??ｈｇ（ａｉｘｊ?＋?＾７／）?＝?ｔ；－／?／?＝?１，２，？?？?？，?Ｎ．／＝ｉ??

ＬＳＴＭ存儲(chǔ)器塊是具有許多單元的復(fù)雜處理單元。存儲(chǔ)器單元利用來自三個(gè)自適應(yīng)乘法??門控單元的控制在多個(gè)時(shí)間步驟中存儲(chǔ)信息。單元激活的輸入和輸出由存儲(chǔ)器單元的輸入和??輸出門控制。當(dāng)自回歸值變得不相關(guān)時(shí)，使用遺忘門重置自回歸值。遺忘門使用值０和１通??過與存儲(chǔ)單元相乘來刪除和保留值到下一步。存儲(chǔ)器單元和所有門都有窺視孔連接，以了解??輸出的精確時(shí)序。訓(xùn)練ＬＳＴＭ神經(jīng)網(wǎng)絡(luò)基于時(shí)間的截?cái)喾聪騻鞑ニ惴ǎǎ拢幔悖?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｒｏｕｇｈ??Ｔｉｍｅ，?ＢＰＴＴ）和使用梯度下降優(yōu)化方法的實(shí)時(shí)遞歸學(xué)習(xí)（Ｒｅａｌ－Ｔｉｍｅ?Ｒｅｃｕｒｒｅｎｔ?Ｌｅａｒｎｉｎｇ，?ＲＴＲＬ）??的修改版本［９７＿９８］，共同的目標(biāo)函數(shù)是最小化平方誤差之和。??２．４注意力機(jī)制概述??２．４．１注意力機(jī)制原理??當(dāng)生物視覺系統(tǒng)試圖解釋視覺場景時(shí)，不可能一次處理在視網(wǎng)膜上發(fā)生的所有視覺刺激，??然后采用稱為視覺注意機(jī)制。在這種機(jī)制中，場景中的一些選擇性地指向或集中于特定對(duì)象??將受到關(guān)注，以便進(jìn)一步分析。先前的研究人員已經(jīng)進(jìn)行了大量的研究來解釋這種機(jī)制。許??多關(guān)注模型的基礎(chǔ)可以追溯到Ｔｒｅｉｓｍａｎ和Ｇｅｌａｄｅ的特征整合理論。Ｋｏｃｈ和Ｕｌｌｍａｎ隨后提出??了一種前饋模型，將這些特征結(jié)合起來以獲得顯著圖。在２０世紀(jì)８０年代到９０年代，科學(xué)家??一經(jīng)。。一

（ａ）卷積層?（ｂ）池化層??圖２．４典型ＣＮＮ架構(gòu)中的卷積和池化操作??２．５．２３Ｄ卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)是一種深度神經(jīng)網(wǎng)絡(luò)模型ｎｗｉ，已被廣泛用于語音分析ｉｍｙ和圖像識(shí)別［１Ｑ６］。??ＣＮＮ模型具有兩個(gè)特征：局部感受野和權(quán)重共享。局部感受野意味著網(wǎng)絡(luò)的每層中的單個(gè)神??經(jīng)元僅連接到其輸入層的對(duì)應(yīng)鄰域中的神經(jīng)元。權(quán)重共享可以大大減少網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)，??并且需要相對(duì)較少的訓(xùn)練樣本。２Ｄ－ＣＮＮ通過權(quán)重共享和卷積運(yùn)算直接處理二維矩陣，避免??了傳統(tǒng)模式識(shí)別算法中的復(fù)雜特征提取和數(shù)據(jù)重建過程。但是，２Ｄ－ＣＮＮ不考慮時(shí)間維度的??特征。出于這個(gè)原因，Ｄｕ提出在ＲＧＢ視頻數(shù)據(jù)集上使用３Ｄ?ＣｏｎｖＮｅｔｓ來訓(xùn)練深度三維卷積??網(wǎng)絡(luò)以學(xué)習(xí)時(shí)空特征｜１Ｇ７】。三維卷積公式如下：??Ｐ－１?Ｑ－ｌ?Ｒ－１??；＞＝０?＜／＝０?ｒ＝０??其中ｗ是卷積核，ｗ是輸入特征映射，是輸出特征映射，上標(biāo)表示相應(yīng)位置的元素值，??Ｐ，＊）和〖分別是三維的大小。??參??圖２．５從連續(xù)幀中提取多個(gè)特征
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 許建明;徐祥德;劉煜;丁國安;陳懷亮;胡江凱;張建春;吳昊;李維亮;何金海;楊元琴;王佳禾;;CMAQ-MOS區(qū)域空氣質(zhì)量統(tǒng)計(jì)修正模型預(yù)報(bào)途徑研究[J];中國科學(xué)(D輯:地球科學(xué));2005年S1期

本文編號(hào)：2844651