近年來,隨著我國經(jīng)濟(jì)的快速發(fā)展以及城市化進(jìn)程的快速推進(jìn),空氣污染問題愈發(fā)的嚴(yán)重。空氣污染不僅嚴(yán)重影響人們的日常生活和身心健康,同時(shí)對(duì)社會(huì)的可持續(xù)發(fā)展也帶來了巨大的阻礙,已經(jīng)引起了社會(huì)各界的高度重視。因此,對(duì)空氣質(zhì)量進(jìn)行精確的評(píng)價(jià)與預(yù)測(cè)具有重要的現(xiàn)實(shí)意義和社會(huì)價(jià)值。隨著大數(shù)據(jù)和人工智能技術(shù)的興起,傳統(tǒng)的空氣質(zhì)量預(yù)測(cè)方法已經(jīng)不能滿足對(duì)大數(shù)據(jù)進(jìn)行智能化處理的需求,許多學(xué)者開始基于大數(shù)據(jù),利用智能化的方法對(duì)空氣質(zhì)量進(jìn)行評(píng)價(jià)與預(yù)測(cè)。深度學(xué)習(xí)是人工智能技術(shù)的重要分支,具有強(qiáng)大的特征提取和數(shù)據(jù)擬合能力,在圖像識(shí)別和分類預(yù)測(cè)等方面具有廣泛的應(yīng)用。鑒于此,本文將深度學(xué)習(xí)引入到空氣質(zhì)量預(yù)測(cè)中,用西安市2013年11月至2019年2月的空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)構(gòu)建訓(xùn)練樣本庫,以深度信念網(wǎng)絡(luò)(DBN)和自動(dòng)編碼器(AE)為基礎(chǔ),構(gòu)建了DBN、DBN-ELM和DAE-BP三個(gè)基于深度學(xué)習(xí)的空氣質(zhì)量預(yù)測(cè)模型。主要研究內(nèi)容如下:(1)通過對(duì)國內(nèi)外相關(guān)文獻(xiàn)的調(diào)研,選取CO、NO₂、SO₂、O₃、PM_2.5、PM₁₀六...

【文章頁數(shù)】：91 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景和研究意義
        1.1.1 課題背景
        1.1.2 研究的意義與目的
    1.2 國內(nèi)外研究進(jìn)展
    1.3 研究內(nèi)容與論文結(jié)構(gòu)安排
        1.3.1 研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
第二章 相關(guān)理論分析
    2.1 空氣質(zhì)量預(yù)測(cè)的定義
    2.2 空氣中主要污染物介紹
    2.3 空氣質(zhì)量指數(shù)及其分級(jí)
    2.4 預(yù)測(cè)流程和評(píng)價(jià)指標(biāo)
        2.4.1 空氣質(zhì)量預(yù)測(cè)的流程
        2.4.2 模型的評(píng)價(jià)指標(biāo)
    2.5 深度學(xué)習(xí)概述
        2.5.1 深度學(xué)習(xí)原理及本質(zhì)
        2.5.2 深度學(xué)習(xí)的特點(diǎn)
    2.6 深度學(xué)習(xí)常用的模型及方法
        2.6.1 深度信念網(wǎng)絡(luò)
        2.6.2 自編碼器
        2.6.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.7 深度學(xué)習(xí)的應(yīng)用
    2.8 本章小結(jié)
第三章 數(shù)據(jù)的獲取及預(yù)處理
    3.1 引言
    3.2 空氣質(zhì)量數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)預(yù)處理
        3.2.3 空氣質(zhì)量數(shù)據(jù)集變量關(guān)系可視化
    3.3 本章小結(jié)
第四章 基于深度信念網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)
    4.1 引言
    4.2 試驗(yàn)環(huán)境搭建
    4.3 深度信念網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.1 深度信念網(wǎng)絡(luò)
        4.3.2 訓(xùn)練方法
    4.4 BP神經(jīng)網(wǎng)絡(luò)
    4.5 基于深度信念網(wǎng)絡(luò)(DBN)的空氣質(zhì)量評(píng)價(jià)預(yù)測(cè)模型
        4.5.1 空氣質(zhì)量評(píng)價(jià)預(yù)測(cè)模型的構(gòu)建過程
        4.5.2 DBN模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    4.6 仿真試驗(yàn)結(jié)果分析
        4.6.1 仿真設(shè)置
        4.6.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)分析
        4.6.3 預(yù)測(cè)及結(jié)果分析
        4.6.4 模型對(duì)比
    4.7 本章小結(jié)
第五章 基于改進(jìn)深度信念網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)
    5.1 引言
    5.2 深度信念網(wǎng)絡(luò)
    5.3 極限學(xué)習(xí)機(jī)(ELM)
        5.3.1 算法介紹及應(yīng)用
        5.3.2 算法的結(jié)構(gòu)及原理
    5.4 基于DBN-ELM的空氣質(zhì)量預(yù)測(cè)模型
        5.4.1 DBN-ELM預(yù)測(cè)模型構(gòu)建過程
        5.4.2 基于交叉熵稀疏懲罰因子機(jī)制的DBN特征學(xué)習(xí)
        5.4.3 ELM預(yù)測(cè)
        5.4.4 算法的實(shí)現(xiàn)
        5.4.5 DBN-ELM模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    5.5 仿真結(jié)果分析
        5.5.1 仿真設(shè)置
        5.5.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)分析
        5.5.3 預(yù)測(cè)結(jié)果
        5.5.4 模型對(duì)比
    5.6 本章小結(jié)
第六章 基于深度自編碼器模型的空氣質(zhì)量預(yù)測(cè)
    6.1 引言
    6.2 深度自動(dòng)編器網(wǎng)絡(luò)結(jié)構(gòu)
    6.3 基于DAE-BP的空氣質(zhì)量評(píng)價(jià)預(yù)測(cè)模型
        6.3.1 DAE-BP預(yù)測(cè)模型構(gòu)建過程
        6.3.2 深度自編碼網(wǎng)絡(luò)特征提取
        6.3.3 DAE-BP預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    6.4 仿真與結(jié)果分析。
        6.4.1 仿真設(shè)置
        6.4.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)分析
        6.4.3 空氣質(zhì)量指數(shù)預(yù)測(cè)及結(jié)果分析
        6.4.4 模型對(duì)比
    6.5 本章小結(jié)
第七章 結(jié)論與展望
    7.1 本文總結(jié)
    7.2 論文的創(chuàng)新點(diǎn)
    7.3 本文的不足及今后工作展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3939287