近年來,隨著我國經濟的快速發(fā)展以及城市化進程的快速推進,空氣污染問題愈發(fā)的嚴重。空氣污染不僅嚴重影響人們的日常生活和身心健康,同時對社會的可持續(xù)發(fā)展也帶來了巨大的阻礙,已經引起了社會各界的高度重視。因此,對空氣質量進行精確的評價與預測具有重要的現(xiàn)實意義和社會價值。隨著大數(shù)據(jù)和人工智能技術的興起,傳統(tǒng)的空氣質量預測方法已經不能滿足對大數(shù)據(jù)進行智能化處理的需求,許多學者開始基于大數(shù)據(jù),利用智能化的方法對空氣質量進行評價與預測。深度學習是人工智能技術的重要分支,具有強大的特征提取和數(shù)據(jù)擬合能力,在圖像識別和分類預測等方面具有廣泛的應用。鑒于此,本文將深度學習引入到空氣質量預測中,用西安市2013年11月至2019年2月的空氣質量監(jiān)測數(shù)據(jù)構建訓練樣本庫,以深度信念網(wǎng)絡(DBN)和自動編碼器(AE)為基礎,構建了DBN、DBN-ELM和DAE-BP三個基于深度學習的空氣質量預測模型。主要研究內容如下:(1)通過對國內外相關文獻的調研,選取CO、NO₂、SO₂、O₃、PM_2.5、PM₁₀六...

【文章頁數(shù)】：91 頁

【學位級別】：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 國內外研究進展
    1.3 研究內容與論文結構安排
        1.3.1 研究內容
        1.3.2 論文結構安排
第二章 相關理論分析
    2.1 空氣質量預測的定義
    2.2 空氣中主要污染物介紹
    2.3 空氣質量指數(shù)及其分級
    2.4 預測流程和評價指標
        2.4.1 空氣質量預測的流程
        2.4.2 模型的評價指標
    2.5 深度學習概述
        2.5.1 深度學習原理及本質
        2.5.2 深度學習的特點
    2.6 深度學習常用的模型及方法
        2.6.1 深度信念網(wǎng)絡
        2.6.2 自編碼器
        2.6.3 卷積神經網(wǎng)絡
    2.7 深度學習的應用
    2.8 本章小結
第三章 數(shù)據(jù)的獲取及預處理
    3.1 引言
    3.2 空氣質量數(shù)據(jù)預處理
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)預處理
        3.2.3 空氣質量數(shù)據(jù)集變量關系可視化
    3.3 本章小結
第四章 基于深度信念網(wǎng)絡的空氣質量預測
    4.1 引言
    4.2 試驗環(huán)境搭建
    4.3 深度信念網(wǎng)絡結構
        4.3.1 深度信念網(wǎng)絡
        4.3.2 訓練方法
    4.4 BP神經網(wǎng)絡
    4.5 基于深度信念網(wǎng)絡(DBN)的空氣質量評價預測模型
        4.5.1 空氣質量評價預測模型的構建過程
        4.5.2 DBN模型網(wǎng)絡結構設計
    4.6 仿真試驗結果分析
        4.6.1 仿真設置
        4.6.2 網(wǎng)絡結構參數(shù)分析
        4.6.3 預測及結果分析
        4.6.4 模型對比
    4.7 本章小結
第五章 基于改進深度信念網(wǎng)絡的空氣質量預測
    5.1 引言
    5.2 深度信念網(wǎng)絡
    5.3 極限學習機(ELM)
        5.3.1 算法介紹及應用
        5.3.2 算法的結構及原理
    5.4 基于DBN-ELM的空氣質量預測模型
        5.4.1 DBN-ELM預測模型構建過程
        5.4.2 基于交叉熵稀疏懲罰因子機制的DBN特征學習
        5.4.3 ELM預測
        5.4.4 算法的實現(xiàn)
        5.4.5 DBN-ELM模型網(wǎng)絡結構設計
    5.5 仿真結果分析
        5.5.1 仿真設置
        5.5.2 網(wǎng)絡結構參數(shù)分析
        5.5.3 預測結果
        5.5.4 模型對比
    5.6 本章小結
第六章 基于深度自編碼器模型的空氣質量預測
    6.1 引言
    6.2 深度自動編器網(wǎng)絡結構
    6.3 基于DAE-BP的空氣質量評價預測模型
        6.3.1 DAE-BP預測模型構建過程
        6.3.2 深度自編碼網(wǎng)絡特征提取
        6.3.3 DAE-BP預測模型的網(wǎng)絡結構設計
    6.4 仿真與結果分析。
        6.4.1 仿真設置
        6.4.2 網(wǎng)絡結構參數(shù)分析
        6.4.3 空氣質量指數(shù)預測及結果分析
        6.4.4 模型對比
    6.5 本章小結
第七章 結論與展望
    7.1 本文總結
    7.2 論文的創(chuàng)新點
    7.3 本文的不足及今后工作展望
參考文獻
攻讀學位期間取得的研究成果
致謝



本文編號：3939287