本文選題：空氣質(zhì)量預(yù)測(cè)　切入點(diǎn)：遺傳算法　出處：《南京郵電大學(xué)》2017年碩士論文

【摘要】：空氣污染有礙人類健康,近年來人們對(duì)于空氣質(zhì)量預(yù)測(cè)的渴望有增無減。隨著空氣質(zhì)量檢測(cè)系統(tǒng)的大量建立,相關(guān)數(shù)據(jù)的變得逐漸豐富起來,這使得預(yù)測(cè)空氣質(zhì)量成為可能。本文根據(jù)南京市從2015年10月到2016年8月,10個(gè)月以來的空氣污染濃度數(shù)據(jù)及氣象數(shù)據(jù)作為研究的數(shù)據(jù)集,綜合考慮了涉及空氣質(zhì)量計(jì)算的六種有害物質(zhì)的當(dāng)前濃度以及它們所對(duì)應(yīng)的前一時(shí)刻的濃度、溫度、相對(duì)濕度、天氣形勢(shì)、大氣壓、降水、季節(jié)、是否交通高峰時(shí)段、風(fēng)力與所處的風(fēng)向這21個(gè)特征維度。并通過主成分分析法對(duì)數(shù)據(jù)在最大程度保留的基礎(chǔ)上進(jìn)行了降維,有效的縮減了輸入數(shù)據(jù)的規(guī)模。以此為基礎(chǔ),提出且證明了一種空氣質(zhì)量模型的可行性。該模型的主體仍然基于BP神經(jīng)網(wǎng)絡(luò),但是對(duì)BP神經(jīng)網(wǎng)絡(luò)易于陷入局部極小值、收斂速度慢、預(yù)測(cè)精確程度不高的缺點(diǎn)進(jìn)行了改良。模型的特點(diǎn)在于使用遺傳算法對(duì)參數(shù)進(jìn)行了尋優(yōu),使用了基于貝葉斯正則化改進(jìn)的Levenberg-Marquardt反向傳播算法(L-M反向傳播算法)以及啟用了雙隱層設(shè)計(jì)思路。論文論證了所提出模型是切實(shí)可行的,并且在與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量模型實(shí)驗(yàn)比較中證明了新的模型在收斂速度、訓(xùn)練精度、預(yù)測(cè)能力這些方面的提升十分顯著。
[Abstract]:Air pollution is harmful to human health, and the desire for air quality prediction has increased in recent years. With the establishment of a large number of air quality monitoring systems, the relevant data have become more and more abundant. This makes it possible to predict air quality. Based on data on air pollution concentrations and meteorological data from October 2015 to August 2016 in Nanjing, Taking into account the current concentrations of the six harmful substances involved in the calculation of air quality and their corresponding concentrations at the previous moment, temperature, relative humidity, weather situation, atmospheric pressure, precipitation, seasons, whether the traffic is in peak time, Wind force and wind direction are 21 characteristic dimensions. The dimension of data is reduced on the basis of maximum retention by principal component analysis, which effectively reduces the size of input data. The feasibility of an air quality model is presented and proved. The main body of the model is still based on BP neural network, but the BP neural network is prone to fall into a local minimum, and the convergence rate is slow. The model is characterized by the use of genetic algorithms to optimize the parameters. The improved Levenberg-Marquardt backpropagation algorithm based on Bayesian regularization is used, and the design idea of double hidden layer is enabled. The paper proves that the proposed model is feasible. Compared with the traditional BP neural network air quality model, it is proved that the new model can improve the convergence rate, training precision and prediction ability.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：X51;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊云;楊毅;;基于GA-BP神經(jīng)網(wǎng)絡(luò)的供暖期空氣質(zhì)量指數(shù)預(yù)測(cè)分析[J];陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年04期

2 陳國(guó)民;曹慶;白莉娜;;2014年西北太平洋熱帶氣旋預(yù)報(bào)精度評(píng)定[J];氣象;2015年12期

3 曲志堅(jiān);張先偉;曹雁鋒;劉曉紅;馮曉華;;基于自適應(yīng)機(jī)制的遺傳算法研究[J];計(jì)算機(jī)應(yīng)用研究;2015年11期

4 劉閩;王帥;林宏;許榮;;沈陽(yáng)市冬季環(huán)境空氣質(zhì)量統(tǒng)計(jì)預(yù)報(bào)模型建立及應(yīng)用[J];中國(guó)環(huán)境監(jiān)測(cè);2014年04期

5 王茜;;上海市秋季典型PM_(2.5)污染過程數(shù)值預(yù)報(bào)分析[J];中國(guó)環(huán)境監(jiān)測(cè);2014年02期

6 周兆媛;張時(shí)煌;高慶先;李文杰;趙凌美;馮永恒;徐明潔;施蕾蕾;;京津冀地區(qū)氣象要素對(duì)空氣質(zhì)量的影響及未來變化趨勢(shì)分析[J];資源科學(xué);2014年01期

7 胡春雨;劉弘;;基于遺傳算法的產(chǎn)品創(chuàng)新設(shè)計(jì)[J];山東科學(xué);2013年02期

8 汪小寒;張燕平;趙姝;張鈴;;基于動(dòng)態(tài)粒度小波神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2013年06期

9 張琛;詹志輝;;遺傳算法選擇策略比較[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年23期

10 王芳;程水源;李明君;范清;;遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)用于大氣污染預(yù)報(bào)[J];北京工業(yè)大學(xué)學(xué)報(bào);2009年09期

相關(guān)博士學(xué)位論文 前1條

1 高鵬毅;BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究[D];華中科技大學(xué);2012年

，

本文編號(hào)：1669473