隨著人工智能技術(shù)的快速發(fā)展,其應(yīng)用已經(jīng)遍布在我們生活的各個(gè)領(lǐng)域,RBF神經(jīng)網(wǎng)絡(luò)作為人工智能的重要方法是學(xué)者們現(xiàn)階段的重點(diǎn)研究問題。RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近的前饋型神經(jīng)網(wǎng)絡(luò),它模擬了人腦神經(jīng)網(wǎng)絡(luò)中局部調(diào)節(jié)和接受閾相互覆蓋的結(jié)構(gòu),目前已經(jīng)廣泛的應(yīng)用于非線性函數(shù)的逼近、人工智能、模式識(shí)別、圖像分類等領(lǐng)域。在環(huán)境污染日益嚴(yán)重的今天,越來越多的人開始對(duì)霧霾問題重視起來,它不僅對(duì)我們的身心造成傷害,也影響我們的出行。因此,利用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)從誘發(fā)霧霾的污染源出發(fā),實(shí)現(xiàn)對(duì)霧霾天氣的預(yù)測(cè),從而提高人們的生活質(zhì)量,是本文的主要研究?jī)?nèi)容。但傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)在算法上存在缺陷,比如,在訓(xùn)練過程中誤差收斂速度慢,對(duì)不確定的模糊信息呈現(xiàn)較差的性能等,這些都會(huì)影響霧霾預(yù)測(cè)的準(zhǔn)確率。本文從提高RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)霧霾預(yù)測(cè)準(zhǔn)確性的角度出發(fā),在傳統(tǒng)算法的基礎(chǔ)上進(jìn)行革新,提出了新的優(yōu)化算法,主要包括以下幾個(gè)方面的工作和成果:（1）針對(duì)RBF神經(jīng)網(wǎng)絡(luò)的初始參數(shù)選擇問題,引入人工蜂群算法優(yōu)化的方法,將人工蜂群算法產(chǎn)生的最優(yōu)解作為RBF神經(jīng)網(wǎng)絡(luò)的初始參數(shù),設(shè)計(jì)出人工蜂群算法與RBF神經(jīng)網(wǎng)絡(luò)算法結(jié)合后的模型,驗(yàn)證可行性... 

【文章來源】：中國(guó)地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

M-P神經(jīng)元模型圖

中國(guó)地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文9（1）階躍函數(shù)階躍函數(shù)又稱為閾值函數(shù)，每一個(gè)神經(jīng)元的輸出要么為‘0’，表示抑制狀態(tài)，要么為‘1’，表示興奮狀態(tài)。二值形式的階躍函數(shù)公式表示為：()=00,<01,≥0（2-2）函數(shù)圖像表示為：圖2-2階躍函數(shù)圖像階躍函數(shù)的雙極形式，又稱對(duì)稱型階躍函數(shù)，公式表示為：()=01, <01, ≥0（2-3）函數(shù)圖像表示為：圖2-3對(duì)稱型階躍函數(shù)圖像（2）線性函數(shù)()=+（2-4）函數(shù)圖像表示為：圖2-4線性函數(shù)圖像

中國(guó)地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文9（1）階躍函數(shù)階躍函數(shù)又稱為閾值函數(shù)，每一個(gè)神經(jīng)元的輸出要么為‘0’，表示抑制狀態(tài)，要么為‘1’，表示興奮狀態(tài)。二值形式的階躍函數(shù)公式表示為：()=00,<01,≥0（2-2）函數(shù)圖像表示為：圖2-2階躍函數(shù)圖像階躍函數(shù)的雙極形式，又稱對(duì)稱型階躍函數(shù)，公式表示為：()=01, <01, ≥0（2-3）函數(shù)圖像表示為：圖2-3對(duì)稱型階躍函數(shù)圖像（2）線性函數(shù)()=+（2-4）函數(shù)圖像表示為：圖2-4線性函數(shù)圖像

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)人工蜂群算法的地下水埋深預(yù)測(cè)研究[J]. 朱洪生,王繼華,陳新.  人民黃河. 2020(03)
[2]基于GA-BP神經(jīng)網(wǎng)絡(luò)的“霧霾”天氣預(yù)測(cè)研究[J]. 艾洪福.  綠色科技. 2019(22)
[3]基于人工免疫RBF神經(jīng)網(wǎng)絡(luò)的分類模型研究[J]. 翁權(quán)杰.  信息通信. 2018(01)
[4]支持向量機(jī)在霧霾天氣預(yù)測(cè)中的應(yīng)用[J]. 杜二玲,盧秀麗,竇林立.  內(nèi)蒙古科技與經(jīng)濟(jì). 2017(17)
[5]基于數(shù)據(jù)挖掘的霧霾預(yù)測(cè)和分析[J]. 陳嘉昊,劉佳.  制造業(yè)自動(dòng)化. 2017(06)
[6]基于三次指數(shù)平滑模型的霧霾天氣預(yù)測(cè)[J]. 李慧敏.  中國(guó)環(huán)境管理干部學(xué)院學(xué)報(bào). 2017(03)
[7]2016年彭山城區(qū)環(huán)境空氣質(zhì)量及分布特征分析[J]. 張汝波.  環(huán)境與可持續(xù)發(fā)展. 2017(02)
[8]基于人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)[J]. 李文越,周思源,龐京城.  山東交通學(xué)院學(xué)報(bào). 2017(01)
[9]CGA優(yōu)化改進(jìn)型T-S模糊神經(jīng)網(wǎng)絡(luò)的三級(jí)倒立擺控制[J]. 張秀玲,郝爽,齊晴,程艷濤,侯代標(biāo).  沈陽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[10]一種快速火災(zāi)識(shí)別方法[J]. 張永梅,杜國(guó)平,邢闊.  計(jì)算機(jī)與現(xiàn)代化. 2016(03)

碩士論文
[1]基于深度學(xué)習(xí)的城市霧霾預(yù)測(cè)方法研究[D]. 宋靜靜.長(zhǎng)春工業(yè)大學(xué) 2019
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量預(yù)測(cè)研究[D]. 謝崇波.西南科技大學(xué) 2019
[3]基于模糊神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障預(yù)警系統(tǒng)研究[D]. 崔佳.江蘇科技大學(xué) 2019
[4]人工蜂群算法與BP神經(jīng)網(wǎng)絡(luò)并行集成學(xué)習(xí)研究[D]. 賈凱.合肥工業(yè)大學(xué) 2019
[5]人工蜂群算法的改進(jìn)及其應(yīng)用[D]. 白蕓.西安科技大學(xué) 2018
[6]數(shù)據(jù)挖掘技術(shù)在北京市霧霾預(yù)測(cè)及霧霾經(jīng)濟(jì)模型中的應(yīng)用研究[D]. 周旭.內(nèi)蒙古財(cái)經(jīng)大學(xué) 2018
[7]RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)及應(yīng)用[D]. 錢旭升.蘇州大學(xué) 2017
[8]基于RBF神經(jīng)網(wǎng)絡(luò)的港口客戶價(jià)值分類研究[D]. 王頌.北京交通大學(xué) 2016
[9]基于模糊RBF神經(jīng)網(wǎng)絡(luò)的磁懸浮系統(tǒng)研究[D]. 戴賽.哈爾濱理工大學(xué) 2012
[10]模糊控制和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制在太陽能新風(fēng)系統(tǒng)中的應(yīng)用研究[D]. 肖愛林.北京郵電大學(xué) 2011



本文編號(hào)：3035359