隨著氣象科技的不斷發(fā)展,空氣質(zhì)量預(yù)報(bào)技術(shù)也在不斷完善�？諝赓|(zhì)量數(shù)值預(yù)報(bào)方法主要是通過氣象模式模擬大氣運(yùn)作流程,考慮大氣中各個(gè)因素的相互影響進(jìn)而預(yù)報(bào)污染物濃度,最終預(yù)報(bào)空氣質(zhì)量。由于數(shù)值預(yù)報(bào)的初始條件存在不確定性,以及模式本身誤差和大氣混沌特性等,導(dǎo)致模式預(yù)報(bào)存在較大誤差。多模式集成技術(shù)是解決數(shù)值預(yù)報(bào)不確定性問題的一種方法,能夠綜合各模式優(yōu)點(diǎn),減小模式預(yù)報(bào)誤差。神經(jīng)網(wǎng)絡(luò)集成方法在降水和溫度預(yù)報(bào)中已有應(yīng)用,但在空氣質(zhì)量模式集成預(yù)報(bào)上的研究較少。本文提出了基于神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)報(bào)多模式集成技術(shù),比較了多個(gè)神經(jīng)網(wǎng)絡(luò)集成模型對(duì)每個(gè)污染物的適用性,找出適用于空氣質(zhì)量預(yù)報(bào)的集成方法。進(jìn)而對(duì)該模型的學(xué)習(xí)算法進(jìn)行改進(jìn),并利用改進(jìn)的粒子群算法對(duì)模型進(jìn)行優(yōu)化。本文的核心內(nèi)容如下:（1）評(píng)估了 CUACE、BREMPS和WRF-Chem三個(gè)環(huán)境氣象模式在京津冀重點(diǎn)城市的預(yù)報(bào)能力。研究了算術(shù)平均集成、權(quán)重集成以及多元線性回歸集成等傳統(tǒng)集成方法,實(shí)驗(yàn)結(jié)果表明,傳統(tǒng)的方法存在明顯不足。（2）建立了基于BP神經(jīng)網(wǎng)絡(luò)的多模式集成模型,通過敏感性實(shí)驗(yàn)確定了訓(xùn)練樣本長度和BP網(wǎng)絡(luò)參數(shù),實(shí)驗(yàn)結(jié)果表明,該方法相對(duì)于單一業(yè)務(wù)模... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：90 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 選題背景及研究意義
    1.2 研究現(xiàn)狀
        1.2.1 國內(nèi)外研究現(xiàn)狀
        1.2.2 神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量預(yù)報(bào)中的應(yīng)用
        1.2.3 環(huán)境氣象數(shù)值預(yù)報(bào)模式介紹
    1.3 論文主要內(nèi)容
    1.4 論文組織安排
第二章 數(shù)據(jù)處理及相關(guān)方法
    2.1 數(shù)據(jù)處理
        2.1.1 模式數(shù)據(jù)
        2.1.2 數(shù)據(jù)預(yù)處理
    2.2 相關(guān)檢驗(yàn)方法
        2.2.1 空氣質(zhì)量指數(shù)檢驗(yàn)
        2.2.2 污染物濃度檢驗(yàn)
    2.3 傳統(tǒng)多模式集成方法
        2.3.1 算術(shù)平均集成
        2.3.2 權(quán)重集成
        2.3.3 多元線性回歸集成
        2.3.4 實(shí)驗(yàn)結(jié)果及分析
    2.4 本章小結(jié)
第三章 基于BP神經(jīng)網(wǎng)絡(luò)的多模式集成預(yù)報(bào)模型
    3.1 BP神經(jīng)網(wǎng)絡(luò)
    3.2 基于BPANN的多模式集成模型的建立
    3.3 BPANN模型參數(shù)確定
    3.4 BPANN集成預(yù)報(bào)結(jié)果分析
        3.4.1 污染物濃度預(yù)報(bào)結(jié)果分析
        3.4.2 空氣質(zhì)量預(yù)報(bào)結(jié)果分析
        3.4.3 重污染過程分析
    3.5 本章小結(jié)
第四章 多種神經(jīng)網(wǎng)絡(luò)在多模式集成預(yù)報(bào)中的研究
    4.1 神經(jīng)網(wǎng)絡(luò)集成方法
        4.1.1 徑向基神經(jīng)網(wǎng)絡(luò)
        4.1.2 Elman神經(jīng)網(wǎng)絡(luò)
        4.1.3 小波神經(jīng)網(wǎng)絡(luò)
        4.1.4 T-S模糊神經(jīng)網(wǎng)絡(luò)
    4.2 多種神經(jīng)網(wǎng)絡(luò)集成模型的建立
    4.3 各模型參數(shù)確定
    4.4 集成預(yù)報(bào)結(jié)果及分析
        4.4.1 污染物濃度預(yù)報(bào)結(jié)果比較
        4.4.2 AQI序列比較
        4.4.3 PM_(2.5)預(yù)報(bào)結(jié)果比較
    4.5 本章小結(jié)
第五章 基于IWNN的多模式集成預(yù)報(bào)模型
    5.1 改進(jìn)小波神經(jīng)網(wǎng)絡(luò)
    5.2 基于IWNN的多模式集成預(yù)報(bào)算法流程
    5.3 附加動(dòng)量的確定
    5.4 IWNN集成結(jié)果分析
        5.4.1 不同污染物預(yù)報(bào)結(jié)果分析
        5.4.2 PM_(2.5)預(yù)報(bào)結(jié)果分析
    5.5 本章小結(jié)
第六章 基于IPSO-IWNN的多模式集成預(yù)報(bào)模型
    6.1 粒子群算法
    6.2 改進(jìn)粒子群算法
    6.3 基于IPSO-IWNN的多模式集成預(yù)報(bào)模型
        6.3.1 IPSO算法參數(shù)設(shè)置
        6.3.2 基于IPSO-IWNN的多模式集成預(yù)報(bào)算法流程
    6.4 IPSO與PSO對(duì)比分析
    6.5 IPSO-IWNN集成結(jié)果分析
        6.5.1 不同污染物預(yù)報(bào)結(jié)果分析
        6.5.2 PM_(2.5)預(yù)報(bào)結(jié)果分析
        6.5.3 與傳統(tǒng)方法及IPSO-BPANN的比較
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
攻讀碩士期間的成果與參加的項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]臭氧數(shù)值預(yù)報(bào)模型綜述[J]. 劉烽,徐怡珊.  中國環(huán)境監(jiān)測. 2017(04)
[2]北京市PM2.5和反應(yīng)性氣體濃度的變化特征及其與氣象條件的關(guān)系[J]. 江琪,王飛,張恒德,呂夢瑤.  中國環(huán)境科學(xué). 2017(03)
[3]基于徑向基函數(shù)的變量預(yù)測模型模式識(shí)別方法[J]. 潘海洋,楊宇,鄭近德,程軍圣.  航空動(dòng)力學(xué)報(bào). 2017(02)
[4]上海市PM2.5濃度統(tǒng)計(jì)釋用綜合集成研究[J]. 李亞云,束炯,沈愈.  中國環(huán)境科學(xué). 2017(02)
[5]基于CUACE模式的合肥地區(qū)空氣質(zhì)量預(yù)報(bào)效果檢驗(yàn)[J]. 楊關(guān)盈,鄧學(xué)良,吳必文,霍彥峰,翟菁,于彩霞,田磊.  氣象與環(huán)境學(xué)報(bào). 2017(01)
[6]基于小波變換和壓縮感知的語音信號(hào)壓縮研究[J]. 高悅,臧明相,郭馥英.  計(jì)算機(jī)應(yīng)用研究. 2017(12)
[7]基于CUACE系統(tǒng)沈陽地區(qū)春季空氣質(zhì)量預(yù)報(bào)的校驗(yàn)及修正[J]. 李曉嵐,馬雁軍,王揚(yáng)鋒,趙胡笳,劉洪利.  氣象與環(huán)境學(xué)報(bào). 2016(06)
[8]基于CAFSA-FNN的扭矩加載系統(tǒng)控制研究[J]. 白國振,朱靈康,楊雷,周媛.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[9]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在城市用水量預(yù)測中的應(yīng)用[J]. 嚴(yán)旭,李思源,張征.  計(jì)算機(jī)科學(xué). 2016(S2)
[10]京津冀地區(qū)主要排放源減排對(duì)PM2.5污染改善貢獻(xiàn)評(píng)估[J]. 吳文景,常興,邢佳,王書肖,郝吉明.  環(huán)境科學(xué). 2017(03)

碩士論文
[1]基于數(shù)值預(yù)報(bào)的空氣質(zhì)量預(yù)測模型的研究[D]. 姚文強(qiáng).浙江理工大學(xué) 2017
[2]基于數(shù)據(jù)挖掘的氣象集成預(yù)報(bào)技術(shù)的研究與應(yīng)用[D]. 郭尚坤.重慶大學(xué) 2010



本文編號(hào)：3170650