近些年以來,我國經(jīng)濟(jì)的不斷地發(fā)展和提高,隨之而來的就是日益增長的能源消耗和環(huán)境污染的問題�！办F霾”和空氣污染也成為了人們?nèi)粘Ｉ钪械囊粋�(gè)熱門的大話題。如何有效的利用各個(gè)城市已有的各種歷史數(shù)據(jù)對(duì)城市空氣質(zhì)量進(jìn)行比較準(zhǔn)確有效的分析和預(yù)測,不僅能為人們的生活出行帶來便利,也能為空氣污染的治理提供一定的幫助。本文研究的主要內(nèi)容是以南昌市的空氣質(zhì)量的指數(shù)作為研究的對(duì)象,以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立一個(gè)針對(duì)南昌市的空氣質(zhì)量的預(yù)測模型。首先是依據(jù)果蠅優(yōu)化算法和其他相關(guān)學(xué)者提出的改進(jìn),進(jìn)一步進(jìn)行算法的優(yōu)化,提出了改進(jìn)的ACFOA算法。改進(jìn)的內(nèi)容主要是在果蠅的味道濃度的判定值中加入一個(gè)跳脫參數(shù),改善了該值不能小于零的缺陷,并使用了概率分布更加均勻的Tent映射替代了 Logistic映射,使得混沌映射的分布均勻提升了算法的尋優(yōu)能力。除此之外還進(jìn)行了實(shí)驗(yàn)來證明改進(jìn)的算法的性能。最后,將改進(jìn)的算法作為BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值和閾值的算法。接下來,通過分析空氣質(zhì)量指數(shù)AQI的計(jì)算方式,提出了兩種預(yù)測空氣質(zhì)量指數(shù)一種是直接使用AQI值和當(dāng)天的天氣數(shù)據(jù)對(duì)下一天的AQI值進(jìn)行預(yù)測。另一種是先分別根據(jù)空氣中各項(xiàng)污染物的含... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１?ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??ＢＰ神經(jīng)網(wǎng)絡(luò)的算法的訓(xùn)練的過程主要由輸入信號(hào)的正向傳播和誤差的反向??

?發(fā)的味道的濃度最高的果蠅個(gè)體的位置是本次搜索運(yùn)動(dòng)尋找到的最佳位置。???Ａ??Ｆｏｏｄ??Ｆｌｙ２?（Ｘ２，Ｙ２）??—ｄｌ２?Ｘｅｒａ，ｖ，??／?（Ｘ?Ｙ）?／??，?／?Ｆ＾３?（Ｘ３．?Ｙ３）??，?Ｊ?ｙ?Ｆｒｕｉｔ?％?３?Ｓｍｅｌｌ３??／?Ｓ３＝ｌ／Ｄｉｓｔ３??１?Ｆ：’１?Ｙ１）?Ｓｍｄｌ３＝?Ｆｕｎｃｔｉｏｎ??／?一?Ｆｒｕｒｔ?ｆｌｙ?１??／?，?－?－?＾?Ｏ．ｓｔｌ?ＳｍｅＨ１??Ｌ－—??（０．０）??圖３．１果蠅群體覓食行為尋優(yōu)過程示意圖??對(duì)果蠅覓食行為尋優(yōu)過程抽象出來的算法用圖中的例子進(jìn)行說明。如圖所示，??有３只果蠅屬于一個(gè)果蠅群體，它們從上一次搜索后的群體位置（ＸＫ）隨機(jī)在搜??索范圍內(nèi)飛行，分別到達(dá)現(xiàn)在的位置（；＾，匕）、（ｘ２，ｒ２）、（ｘ３，ｆ３），將它們與原點(diǎn)??（０，０）的距離Ｄｉｓｋ、Ｚ）ｉｓｔ２、Ｄｉｓｔ３計(jì)算出來，把距離的倒數(shù)代入規(guī)定的味道的濃度??的判定函數(shù)Ｆｉｍｃｔｉｏｎ計(jì)算得到味道的濃度５＞ｎｅｉ７２、ＳｍｅＺＺ３。比較味道的??濃度，選擇最佳的個(gè)體位置作為下一次搜索的果蠅的群體的位置，即所有果蠅個(gè)??體朝著群體中最佳的個(gè)體的位置飛過去。之后反復(fù)的迭代和搜索，直到尋找到食??物的位置，也就是最優(yōu)解的位置，或者是迭代次數(shù)達(dá)到設(shè)定的迭代次數(shù)。??１４??

圖３Ｊ所示：??（３??備??ｍ＊ｍ．，?ｔ．??大送代這紹始的杲繩群依位??置，以及混沌斷織???廠?、

【參考文獻(xiàn)】：
期刊論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測研究[J]. 吳慧靜,赫曉慧.  安徽師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]環(huán)境檢測對(duì)環(huán)境治理的促進(jìn)性探討[J]. 蔡啟浩,黃美娟.  化工管理. 2019(17)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量建模分析[J]. 何曉云,羅澤蓉,李明悅,李亞斌,趙盛萍.  山東工業(yè)技術(shù). 2018(17)
[4]基于改進(jìn)粒子群優(yōu)化BPAdaboost神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測[J]. 李曉理,梅建想,張山.  大連理工大學(xué)學(xué)報(bào). 2018(03)
[5]基于隨機(jī)森林回歸分析的PM2.5濃度預(yù)測模型[J]. 杜續(xù),馮景瑜,呂少卿,石薇.  電信科學(xué). 2017(07)
[6]霧霾與供暖[J]. 周宏春.  人民周刊. 2016(24)
[7]基于灰色預(yù)測模型對(duì)我國鐵路貨運(yùn)量的預(yù)測[J]. 左小雨,黃先軍.  物流科技. 2016(08)
[8]基于AGNES算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和GIS系統(tǒng)的大氣污染物濃度預(yù)測[J]. 姚寧,馬青蘭,張晶,文印.  中國環(huán)境監(jiān)測. 2015(03)
[9]上海市一次重霧霾過程的天氣特征及成因分析[J]. 王靜,施潤和,李龍,張璐.  環(huán)境科學(xué)學(xué)報(bào). 2015(05)
[10]空氣質(zhì)量指數(shù)計(jì)算的數(shù)學(xué)模型[J]. 張鴻艷,王葳.  高師理科學(xué)刊. 2014(05)

碩士論文
[1]基于BP-GA神經(jīng)網(wǎng)絡(luò)的六安市空氣質(zhì)量預(yù)測研究[D]. 鮑慧.安徽大學(xué) 2015
[2]灰色神經(jīng)網(wǎng)絡(luò)模型及其在空氣污染預(yù)報(bào)中的應(yīng)用研究[D]. 何俊.吉林大學(xué) 2006



本文編號(hào)：3249023