改进遗传神经网络方法在大气环境质量评价中的应用
人工神经网络在大气环境质量评价中的应用
（． １国防科技工业 自然环境试验研究中心 ， 重庆 ４０ ３ ； ． ００ ９ ２ 重庆通信学院计算机应用中心 ， 重庆 ４０ ３ ） ０ ０５
摘要 ： 对 大 气环境 中的数 据 监测 与模 式识 别 问题 ， 用人 工神 经 网络理 论 ， 自然环 境 大 气腐蚀 试 验 针 应 பைடு நூலகம் 网站建 立大 气环境 质 量 Ｂ Ｐ网络评 价模 型 。江津 试验 站 成 功 地 应 用 了该 模 型 。通 过 １９ — ９ ６—２ ０ ０ ０年 大 气环
ｕ ｔｏ ａ ｉｎ．
Ｋｅ ｒ ｓ：ａｔｆ ｉｌｎ ｕ ａ ｅ ｗ ｒ ｙ ｗｏ ｄ ｒ ｉ ａ ｅ ｒｌｎ ｔ ｏ ｋ；ａ ｍｏ ｐ ｅ ｉ ｅ ｖ ｒ ｎ ｎ ；ｅ ｖ ｒｎ ｎ ａ ｖ ｌ ａ ｉｎ；Ｂ Ｐ ａｇ ｒ ｈ ｉｃ ｔ ｓ ｈ ｒ ｎ ｉｏ ｍｅ ｔ ｎ ｉ ｍｅ ｔ ｌｅ ａ ｕ ｔ ｃ ｏ ｏ — ｌ ｏｉ ｍ ｔ
维普资讯
装 备 环 境 工 程
・
８ ・ ２
Ｅ ＵＰ Ｅ Ｔ Ｎ ＩＯ Ｍ Ｎ Ａ Ｅ ＧＮ Ｅ ＩＧ Ｑ Ｉ Ｎ Ｅ ＶＲ Ｎ Ｅ Ｔ Ｌ Ｎ ＩＥ ＲＮ Ｍ
第３ 卷 第５ 期 ２０ 年 １ 月 ０６ ０
人 工神 经 网络在 大气 环 境 质 量 评 价 中 的应 用
近１ ０年来 ， 内外学 者根 据不 同 的大气环 境 污 国 染状 况 ， 提出 了不 同 的大 气 环境 质 量 评 价 的数 学 模 式 ｕ 。由于大 气 环 境 质 量 评 价 实 质 上 是 根 据 各 评 』 价 指标 的大气 环境 分 级 标 准 ， 被 评 价 的环 境 对 象 将 的各项 指标 的监测 数 据与各 级标 准进行 比较 、 别 ， 辨 看 它与 哪级标 准最 靠 近 ， 因此 大 气 环 境评 价 属 于 模
神经网络在空气污染预测中的应用研究
神经网络在空气污染预测中的应用研究随着城市化进程的加快和工业化程度的提高，空气污染成为了大家关注的焦点问题。
在过去的几十年间，科学家们通过不断的研究和运用各种技术手段，对空气质量的监控、预测和治理取得了一定的进展。
而其中一个被广泛运用的技术便是神经网络。
下面本文将结合案例，对神经网络在空气污染预测中的应用展开研究。
一、神经网络是什么神经网络是一种基于人造神经元之间相互连接而构建起来的拓扑结构，以实现对信息的处理和模拟人类大脑决策的机器学习模型。
它的核心思想是通过训练数据集来获得模型的隐式知识，使之能够自动预测、分类和识别目标，具有更强的自适应性和泛化性能。
在计算机科学、工业控制、金融服务、医学诊断等领域具有极广泛的应用。
二、神经网络在空气污染预测中的应用案例随着空气污染日益加剧，人们对于监测和预测空气污染的要求也越来越高，其中神经网络就成为了一种常用的预测手段。
以我国的广东省为例，广东省环境监测中心曾经利用神经网络对大气污染物进行预测，以辅助和改进环境监测与预警水平。
该研究从广东省2012年PM2.5实时数据中获得了67,869条统计数据，以外部数据因素（如湿度、温度、风速等）和PM2.5水平输入神经网络进行建模、模拟和优化。
经过训练和测试，该模型的准确度和稳定性得到了较高的确认，有效地提高了预测精度和预警预报能力。
三、神经网络在空气污染预测中的优势环境污染是一个非常复杂的系统问题，涉及到众多因素的综合作用，比如人类活动、气象因素、自然环境和生态系统等。
这其中，许多关键因素尤其是非线性因素，很难用传统的数学模型和统计学方法来描述。
而神经网络在解决这类问题时，具有如下的独特优势。
1. 非线性建模能力强神经网络可以通过多层连接和非线性转换来实现对于复杂污染影响因素和污染物间相互作用的深度解析和建模。
这样不仅可以为预测准确度提供了可靠依据，也可以在一定程度上解决传统模型面对较为复杂系统和多源数据集时可能出现的过拟合和欠拟合问题。
基于GA优化算法的平遥县大气环境质量评价研究
由公式 （ ） 出表 Ｉ中各 级标 准 的 ４种 污染 物 ７求
的污染危害指数的平均值 Ｉ， 得到大气环境质量评 价级别 Ｉ Ⅱ、 Ⅳ级与污染危害指数 Ｉ之间对应 、 Ⅲ、 ；
与表 １中的 ５ 个等级相应的 ｋ 值为 Ｏ３ ５７和 ，， ，
９ 故可 由公式（ ） ， ４ 计算 出表 １中各级标准相应 的污
和 ｂ 均 可 以设 定有 相 同值 ａ ｂ ｉ 和 ，得 出具有普 适性
Ｘ ＝ ｃ ｃ ｉ ．１ ／０
（） ３
式 中 ：ｉ ｉ Ｃ 污染 物在 大气 中 的浓度监 测 值 ； －
ｃ一 ｉ ． 污染 物 的某 一 设 定 值 ， 常取 ｉ 。 通 污 染 物 的天 然本底 浓度 值 。 ４种主要 大气 污染 物 的设 定值 （ 或本 底 浓度 值 ）
注 ：０ Ｉ、 Ⅱ、 Ⅲ 、 Ⅳ代 表 级 别 ． 、
对公式（ ）设定 ： ｘ ＝ 时， 。 ０ １ 当 Ｘ ＝ ２， 当 ｉ１ Ｉ＝ ． ； ｉ
均适用的大气质量污染危害指数公式 为 ：
， 一 厂７ 、
．
ｃ／ “ ｃ 时， Ｉ＝ ． 。并将 Ｉ∈［． ，． ］ 围的 Ｉ Ｉ ０９ ４ ｉ ０ １０９ 范 ｉ 按 “ 比赋 值 、 等 等差 分级 ” 的标 度 指 数 分 级 原则 ， 划 分为 ｋ＝０ １２ … ， ， ， ， ９共 １ 。其 中任 意 相邻 两 级 ０级
体情况对此结果进行 简单 的分析 。
关
键
词 ：遗传算法 ；大气环境质量 ；评价 ；污染危害指数
文献标识码 ： Ａ 文章 编号 ：０ １ ６４ ２ １ ）４０ ７ －３ １０ － ４ （０ １ ０ －０２０ ３
中图分类号 ： ８ ３ Ｘ ２
粗糙集-神经网络在大气污染判别分析中的应用
表示 中每 个对 象 的属性值 。
定 义 １ 对 于属 性 子集 尺 Ａ ， 的不 可分 辨 尺
于统计方法 的预测模型。由于所观 测的气象数据 组织分散 ， 且存 在非 线性及相关性 ， 因此传统的方 法具有一定的适用性。Ｂ Ｐ神经 网络可 以逼近任意
关系（ 等价关 系 ） ： 为
响因素， 提取 关键 因素作 为网络 的输入 ， 简化 了网络 结构。实例验 证 ， 糙神 经 网络模 型为大 气污染判别研 究提供 了一种有 粗
效 可行 的算 法 。
关键词 大 气污染
属性约简
Ｂ Ｐ神经 网络
中图法分类号 Ｘ ２ ．； ８０６
文献标识码
Ａ
目前 针 对 大 气 污 染 判 别 的研 究 广 泛 采 用 了基
＠
２０ Ｓｉ ｅｈ Ｅ ｇｇ ０ ７ ｃ．Ｔｃ ． ｎｎ ．
环 境 科 学
粗糙集 ． 神经 网络在大气污染判别 分析中的应 用
仝凌 云 潘 佳 刁 鑫
（ 河北 工业大学 管理学院 ， 天津 ３０ ０ ） ０ ４ １
摘
要 针对大气污染判别问题 的复杂性， 出了一种基于粗 糙集的 Ｂ 提 Ｐ神经 网络模型。该模型利用粗糙集理论 约简气象影
维普资讯
第 ７卷 第 １ ７期
２０ ０ ７年 ９月
科
学
技 术
与 工
程
Ｖｏ ． Ｎｏ １ １７ ．７
Ｓｐ ０ ７ ｅ ．２ ０
１７ —８ ９ ２ ０ ）７４ ４ —３ ６ １１ １ （ ０７ １—５ ５０
ቤተ መጻሕፍቲ ባይዱ
Ｓ ｉｎ ｅ Ｔ ｃ ｎ ｌｇ ｎ ｎ ｉ ｅ ｒ ｇ ｃ ｅ ｃ ｅ ｈ ｏｏ ｙ ａ ｄ Ｅ ｇ ｎ ｅｉ ｎ
基于遗传神经网络的环境质量评价
（） １ 参数初始化（ 种群大小 优 为 １ ０其个体
题， 使网络训练达到比较理想 的效果 ．
（） ２ 产生的第 ｉ 体基 因值解码 初始 ３ 用（ ） 个
化Ｂ Ｐ网络的权值、 阈值 ；
（） Ｐ网络训练权值和阈值 ， ４Ｂ 直到到达一定
２ 基于遗传算法的 Ｂ Ｐ神经网络
遗传 Ｂ Ｐ网络的主要机理是利用遗传算法全
收稿 日期 ：２ ０ —１ ０ ５ ２—０ ４
反向传播 （ Ｐ 算法又称为误差逆传播校正 Ｂ）
方法 ， 它是 １７ 年 Ｐ Ｗｅｂｓ哈佛大学） ９４ ． ｒ０（ 提出的 ．
优解的优点． ２ １ 遗传 Ｂ ． Ｐ网络权值、 阈值优化
已知某一网络结构 （ 网络层数 、 隐节点、 输入
节点 、 输出节点 ）用遗传 Ｂ ， Ｐ算法对该 网络进行 阈值优化（ 先通过遗传学习算法进行全局训 Ｂ 算法用来训练多层前馈神经网络， Ｐ 属于监督学 权值 、 再用权重调整 Ｂ Ｐ算法进行精 确训练） 具体 ， 习算法 ．Ｐ网络具有结构清晰 、 Ｂ 易实现 、 计算功能 练 ，
摘
要： 介绍了基于遗传神经网络的环境质量评价方法． 这一算法克服了 Ｂ Ｐ算法收敛速度慢、 易陷入
局部极小等缺陷， 环境质量评价实例证明提高了预测精度． 阐述该方法的评价结果 比传统的专家评价法的评 价结果更加准确， 为环境质量评价提供了一种新的研究思路和分析方法． 关 键 词：环境质量评价； 遗传算法；Ｐ算法； Ｂ 预测精度； 遗传神经网络
强大等特点 。 因而是 目前最常见， 使用最广泛的一 种神经网络… ．
方 法如下 ：
（） １ 参数初始化 ， 包括遗传算法 （ 种群大小
基于长短期记忆神经网络模型的空气质量预测
基于长短期记忆神经网络模型的空气质量预测在城市空气质量预测的研究中，基于长短期记忆（LSTM）神经网络模型已经广泛应用。
LSTM是一种特殊的循环神经网络（RNN），专门处理和预测具有时间顺序关系的数据，如时间序列和语音识别。
空气质量预测是一个复杂的问题，因为它受到许多因素的影响，包括气象条件、城市排放和环境特征等。
传统的统计方法常常过于简化和线性，无法很好地捕捉这些复杂关系。
而LSTM模型通过其内部的门机制，可以记住和利用过去的信息，具有较强的非线性建模能力，能够更好地捕捉数据的时间依赖性。
在空气质量预测中，通常需要输入一组历史空气质量数据，然后预测未来时刻的空气质量指标。
LSTM模型首先通过一个或多个LSTM单元来对输入数据进行编码，然后通过全连接层将编码结果映射到输出空间。
在LSTM单元的每个时间步，模型都会根据输入数据和当前状态更新其内部状态，并产生一个输出。
通过不断重复这个过程，模型能够有效地学习到数据的时间依赖性和模式。
在构建LSTM模型时，有几个关键的参数需要注意调整。
首先是LSTM单元的数量和层数。
更多的LSTM单元和层数意味着更复杂的模型，能够更好地拟合数据，但也容易过拟合。
其次是输入序列的长度，过长的输入序列可能会导致模型难以捕捉到长期的时间依赖性，而过短的输入序列则会丧失一些重要的信息。
最后是模型的优化算法和学习率，不同的优化算法和学习率可能会对模型的收敛速度和预测性能产生显著影响。
在训练LSTM模型时，一般采用反向传播算法来优化模型参数。
通常将数据集分为训练集、验证集和测试集，通过训练集来学习模型的参数，通过验证集来调整模型的超参数（如LSTM单元数量和学习率），最后通过测试集来评估模型的预测性能。
为了提高模型的泛化能力，还可以采用dropout和正则化方法来防止过拟合。
基于LSTM模型的空气质量预测已经取得了一定的成果。
许多研究表明，LSTM模型相对于传统的统计模型具有更好的预测性能和泛化能力。
《基于GCN-LSTM的空气质量预测系统的设计与实现》
《基于GCN-LSTM的空气质量预测系统的设计与实现》一、引言随着城市化进程的加快，空气质量问题已经成为国内外广泛关注的热点问题。
空气质量预测系统的设计实现，不仅对改善居民生活质量、保护环境具有重要意义，同时也为政府决策提供了科学依据。
本文将详细介绍基于图卷积神经网络（GCN）与长短期记忆网络（LSTM）的空气质量预测系统的设计与实现。
二、系统设计1. 需求分析在系统设计阶段，首先需要对空气质量预测系统的需求进行详细分析。
包括但不限于对历史数据的收集、处理、分析，对未来空气质量的预测，以及预测结果的展示与输出等。
2. 技术选型针对空气质量预测系统的需求，选择合适的算法和技术是实现系统的关键。
本系统采用GCN-LSTM模型作为核心算法，通过图卷积神经网络（GCN）对环境因素的空间关系进行建模，结合长短期记忆网络（LSTM）对时间序列数据进行处理，实现空气质量的精准预测。
3. 系统架构系统架构包括数据层、模型层、应用层三个部分。
数据层负责数据的收集与预处理；模型层采用GCN-LSTM模型进行空气质量预测；应用层负责将预测结果进行可视化展示，并提供用户交互功能。
三、系统实现1. 数据预处理数据预处理是空气质量预测系统的关键步骤。
首先，对收集到的历史数据进行清洗、去噪、标准化等操作，以便后续的模型训练。
其次，将空间信息与时间信息进行融合，为图卷积神经网络提供输入数据。
2. 模型构建本系统采用GCN-LSTM模型进行空气质量预测。
模型中，GCN负责提取环境因素的空间关系特征，LSTM则用于捕捉时间序列数据中的依赖关系。
通过联合学习两种网络，实现对空气质量的精准预测。
3. 训练与优化在模型训练阶段，采用梯度下降算法对模型参数进行优化。
通过不断调整模型参数，使模型在训练数据上的预测结果逐渐接近实际值。
同时，为了防止过拟合，采用早停法等策略对模型进行优化。
4. 系统测试与评估在系统测试阶段，采用真实数据对系统进行测试与评估。
环境空气质量综合评价方法的改进及应用
环境空气质量综合评价方法的改进及应用摘要：近些年来随着经济的提高，我国开始越来越重视环境问题，特别是环境空气质量综合评价方法越来越多，通过评价结果提出的决策大大的提高了当前的空气质量。
不过，近年来，由于大气的区域性，且近些年来新技术的出现，带来了复合型的污染，使得现有的评价方法无法满足当前社会发展的需求，具有一定的局限性。
本文通过对当前环境空气质量的综合评价现状进行了阐述，提出了具体的应用措施。
关键词：环境空气质量；综合评价；改进在当前的环境管理中运用环境空气质量的综合评价，能够从各方面掌握当前空气质量的情况，以及未来质量发展的大致趋势，根据多种数据准确科学的描述出环境被污染的程度，从而反映出当前的环境问题。
对于当前对环境空气质量进行检测的趋于来说，目前最重要的任务就是要对当前环境空气质量的现状问题进行检测并分析，获取有效的信息，从而根据问题能够提出具体的措施，进而改善环境。
所以，在一定程度上必须要尽量的客观，而空气质量综合评价方法的出现十分客观，一方面使得当前的环境整改程度增大，一方面也增强了当前的社会公众环境保护的意识。
一、我国当前的环境空气质量综合评价现状从上个世纪八十年代以来，我国在全国范围内积极的开展了环境空气质量综合评价的工作，而且每个省市都认真的进行每年、每五年的环境质量报告书。
从2000年六月开始，国家对重点城市开展了空气质量的日报，时至今日已经一百二十多个重点城市。
该日报会对每天每小时的空气状况进行实时公布，包括二氧化硫、二氧化氮以及可吸入颗粒物的浓度。
从当前来看，用于空气质量的综合评价方法有很多，主要有人工神经网络法、模糊聚类法等等。
对于当前情况单个城市范围内的空气质量进行评价主要是当前发行的九六年版本《环境空气质量标准》为主要的准则，然后采取各种诸如空气污染指数法、综合污染指数法等等方法对当前空气质量做全面的分析统计[1]。
不过随着时间的发展，新的标准要求需要更加的科学化，准确化，所以在空气质量综合评价的要求十分高。
BP神经网络在空气环境质量评价中的应用研究
（ ａ ｇ ｏ ｇＵ ｉ ｒｉ ｆ ｅ ｈ ｏｏ ｙＦ ｃ ｌ ｆ ｏ ｕｅ， ａ ｇ ｈ ｕ ５ ０ ６Ｃｈ ａ Ｇｕ ｎ ｄ ｎ ｎ ｅｓ ｙ ｃ ｎ ｌｇ ，ａ ｕｙｏ ｍｐ ｔｒ ｖ ｔｏ Ｔ ｔ Ｃ Ｇｕ ｎ ｚ ｏ １ ０ ， ｉ ） ０ ｎ
Ａｂ ｔ ａ ｔ ｎ ｔｉ ａ ｅ， ｕ ｏ ｗａ ｄ ａ ｍｅｈ ｄｗｈ ｃ ｒ ｄ ｃ ａ ｌ ｓｅ ｅ ｔ ｅｙａ ｄ ｒ ｄ ｃ ｒ ｌａ ｒ ａ ｌ． Ｐ ｎ ｕ ａ ｓｒ ｃ ： ｈ ｓｐ ｐ ｒ Ｉ ｗｅ ｐ ｔｆ ｒ ｒ ｔ ｏ ， ｉｈ ｐ ｏ ｕ ｅ ｓ ｍｐ ｅ ｆ ｃ ｉ ｌ，ｎ ｅ ｕ ｅ ｗｏ ｋ ｏ ｄ ｇ ｅ ｔ Ｂ ｅ ｒ ｌ ｖ ｙ
Ｔｈ ｐ ｉ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｅＡｐ ｌ ｔ ｓ ａ ｃ ｆ ｃ ｏ ＢＰ
ＡＮＮ ｉ ｒ ｖｒ ｎ ｎａ ａｉ ｓｓｍｅ ｔ Ａｉ ｉｏ ｍｅ ｔｌ ｎ Ｅｎ Ｑｕ ｌｙＡｓｅｓ ｎ ｔ
Ｃｈ ｎ ｈ ｎ ， ａ ｇＬｎ ｅ ｇＦｕ ｅ ｇＺｈ ｎ ｉｇ
空气环境质量的评价意义重大，近几十年来，大气环境质量 ａ为 ｌ １ Ｏ的调节 整数 。所 以，可 以确定 这 里所 要建 立的 网络 模型
的评价 研 究取 得 了显著 进展 ，除 了指数 法 、主 分量 分析 法 、层 次 决 策法 、模 糊集 理 论及 灰色 系 统分 析 已用 于大气 环 境质 量 的评 价
ｉ ｉｅ ｖｒｎ ｎａ ｕ ｌ ｓｅｓ ｎ． ｎａｒ ｎ ｉｏ ｍｅ ｔｌ ａｉ ａ ｓｓｍｅ ｔ ｑ ｔ ｙ
ｋ ｙ ｒ ｓＢＰｎ ｕ ａ ｅｗｏｋＢａｃ ｒｃｓｉｇｔｐ ；ａｌ ｏ ｐ ； ｒ ｎ ｉ ｎ ｎａ ｕ ｌ ｅ ｗｏ ｄ ： ｅ ｒｌ ｔ ｒ； ｔｈｐｏ ｅｓ ｅＥ ｒ ｓ ｐｔ ｅＡｉ ｖｒ ｍｅｔｌ ａｉ ｎ ｎ ｙ ｙ ｔ ｙ ｅ ｏ ｑ ｔ ｙ
人工神经网络在大气环境质量评价中的应用
Abstract ; Aim at data inspection and mode identification of atmospheric environment , B-P network evaluation mode was established by the application of ar ificial neural network theory. This mode was applied in Jian幻 station successfully. Based on the evalut in ation of atmospheric environment , it was proved that ar ificial neural network is a new feasible method in atmospheric environment evalt
n a t io n .
Key wor ds : artificial neural network ; atmospheric environment ; environmental evaluation ; B-P algorithm
近 10 年来， 国内外学者根据不同的大气环境污 染状况 ， 提出了不同的大气环境质量评价的数学模
1. 1 学习信号的正向传播过程
1) 赋予网络初始状态的各层节点之间连接权值
量评价实 2一 例〔3 ]
根 江 试 据 津 验站1996 一 年SO ,N x,N 3 2000 Z O H
和降尘量4 个评价指标的大气污染监测数据( 见表 1) ， B-P 网络作大气环境质量评价。评价标准 用于 参考了国家大气环境质量平均浓度限值 3 级标准。 并在高于第 3 级标准外， 增加两极标准浓度限值， 见 表 20
神经网络模型在大气污染预测中的应用
神经网络模型在大气污染预测中的应用人类活动不断地进步和发展，但是环境、大气污染也不断地增加。
因此，如何对大气污染进行有效预测，是当前大气污染控制的关键。
神经网络模型作为一种高效的计算方法，近年来在大气污染预测中得到了广泛应用，取得了不错的效果。
一、神经网络模型概述神经网络模型是模拟人脑机制而发展起来的一种人工神经网络，也叫人工神经网络。
它是由神经元节点（基本单元）组成，并以输入、输出数据流的形式进行计算。
对于一个神经网络模型，若输入数据得到的输出结果与真实情况差异较小，即所得到误差足够小，则认为该神经网络具有预测能力。
二、神经网络模型在大气污染预测中的应用神经网络模型在大气污染预测中的应用主要是针对空气质量状况进行预测。
对于大气质量状况预测，主要依靠对大气污染物、气象条件等因素进行分析与测算。
而神经网络模型作为一种针对数据分析和预测的计算模型，其应用在大气污染预测中主要有以下几个方面：1. PM2.5 预测PM2.5 是大气污染物中的细颗粒物，会对人体健康造成影响，需要进行预测。
通过建立神经网络模型，预测PM2.5浓度变化趋势，对空气质量进行预测。
神经网络模型在预测PM2.5的浓度、变化趋势等方面，可以提供较为准确的结果。
2. O3 预测O3 又称臭氧，是大气污染物中的主要成分之一，可以对人体健康产生影响。
建立神经网络模型，将相关气象因素、大气污染物浓度等因素作为输入，并以O3浓度变化趋势作为输出，通过神经网络模型预测O3浓度变化。
3. AQI 预测AQI（Air Quality Index）即空气质量指数，是一种综合性的空气质量指标。
通过神经网络模型，对影响空气质量的因素进行综合分析和预测，可以预测未来一段时间内的空气质量状况，为城市空气污染控制和治理提供科学依据。
三、结语神经网络模型作为一种高效的计算模型，应用于大气污染预测中，可以从一定程度上提高预测的准确性和精度，为城市空气污染控制提供了科学依据。
几种神经网络模型在空气质量评价中的应用
新疆环境保 护 ２０ ，８４ ：６—３ ０６ ２ （） ３ ９ ．
几 种 神 经 网 络 模 型 在 空 气 质 量 评 价 中 的 应 用
史志娟 袁 九毅 １ 省气象 兰 ７ ０ ；． 大 环 量评 心， 州 ７ ０ ） ， （． 甘肃 局， 州 ３ ２ ２兰州 学 境质 价中 兰 ００ ３ ０ ００
摘要 ： 工神经 网络是一种利 用计 算机模拟人脑神经组织的运算模 型。作 为一种新的研 究方法 。 人 神经 网络在一 定程 度上 可以弥 补传统评 价方 法需要 构建隶属 函数 、 无法精确描 述级 别 区间内的变化特征 以及设计 过程具有一 定人 为偏好 的不足 。本 文选 用
Ｂ Ｐ网络 、 向 基 函 数 网络 、 Ｖ 网络 和 Ｅｍ ｎ网络 这 ４种 典 型 的神 经 网络 模 型进 行 实例 研 究 。把 国 内 ８个城 市 的 污 染 物 排 放 数 径 ＬＱ ｌａ
气污染指数法 、 模糊评价法 、 灰色聚类 法等方法。这
些方法都具有一定 的优点 ， 已广泛地应用于实践研 并
等把应用领域拓展到湖泊富营养化、 地下水评价等方 面。近年来 ， 环评工作者在实际工作 中不断改进网络 Ｉ ＮＱ网络模型【等进行评价 。神经 网络在环境评价 ９
中表现出的优越性受到越来越多的重视。
ｏ ｃ ｍｐ ｔｒ ｓ ｅ ｄ ｌ ｔ ｅ ｅ ｓ ｏ ｔ ｍｉｇ ．Ｉ ｈｓ ｐ ｐ ｒ ｅ ｃ ｏ ｅ ｆ ｕ ｌｓ ｉ ｎ ｔ ｏ ｋ ｏ ｃ ｍｐ ｒ ｙ ｉｐ ｔｎ ｎｏ ｕ ｅ ｎ ｒｍｅ ｙ ａｌｈ ｓ ｈ ｒ ｃ ｏ ｃ ｎ ｓ ｎ ｔ ｉ ａ ｅ ，Ｗ ｈ ｓ ｏ ｒ ｃａ ｓ ｅ ｒ ｓ ｔ ｏ ａｅ ｂ ｎ ｕｔ ｇ ｉ ｔ ｃ ｗ ｉ ｔ ｉ ｅ ｅ ｒ ｓｔ ｅ ｖ ｕ ｓｏ ｉ ｐ ｌ ｔ ｎ ｃ ｎ ｅ ｔ ｔ ｎ ｏ ｉ ｅ ｈｎ ，ｕ ｅ ｌｃ ｎ ｌ ｓ ｎ Ｉ ｒｗ ｒ ｎ ｄ ｎ ｔ ｋ ａ ｅ ｆａ ｏｌ ｉ ｏ ｃ ｎｒ ｉ ｆ ｃｔ ｓ ｉ Ｃ ｉａ ｓ ｆ ｏ ｃｕ ｉ ｓａｅ ｄａ ｎ． ａ ｗｏ ｈ ｌ ｒ ｕｏ ａｏ ８ ｉ ｎ ｕ ｏ Ｋｅ ｒ ｓ ｙ ｗｏ ｄ ： ｃａ ｅ ｒｌｎ ｔ ｏｋ ｉ ｕ ｉ ｓ ｅ ｓ ｎ ；ｅ ｓ ｔ ｄ ：ＭＡ Ｌ Ｂ ｉ ｎ ｕ ａ ｅｗ ｒ ；ａｒｑ ａ ｔ ａ ｓｓ ｍｅ ｔ ａ ｅ ｓ ｙ ｌ ｌ ｙ ｕ Ｔ Ａ
空气质量预测模型的分析与应用
空气质量预测模型的分析与应用一、引言随着人们环保意识的增强以及大气污染日益加重，对空气质量的关注度越来越高，如何准确预测空气质量成为了人们关注的焦点。
本文将对空气质量预测模型进行分析，并探讨其在实际应用中的作用和应用前景。
二、空气质量预测模型的分类空气质量预测模型根据预测方法和数据来源的不同，可以分为传统预测模型和新型预测模型。
1. 传统预测模型传统预测模型主要包括统计学方法、经验模型和物理模型。
(1) 统计学方法统计学方法直接根据历史数据进行预测，包括回归方法、时间序列方法等。
其中，回归方法是一种基于样本观测的条件期望值的预测方法，可以用来描述响应变量与一个或多个自变量之间的关系，对于空气质量预测模型的建立具有一定的参考价值。
时间序列方法则是根据历史数据的趋势、季节性等相似特征进行预测。
(2) 经验模型经验模型是基于实验或实际经验得出的模型，其基本思想是先建立统计模型，再通过模型形式简单化来试图推断未知现象。
经验模型可分为简单经验模型和人工神经网络模型两种。
其中，简单经验模型主要是一些经验公式或经验关系式，而人工神经网络模型则是一种利用神经元之间相互连接的方式进行模拟物理系统的方法。
(3) 物理模型物理模型是基于基本物质力学、化学、气象学原理与方程式等，建立空气质量的数学模型，从而预测未来的空气质量。
比如，气象模型、化学反应模型等。
2. 新型预测模型新型预测模型是近年来兴起的一种空气质量预测方法，主要包括机器学习方法、深度学习方法和灰色系统模型等。
(1) 机器学习方法机器学习是利用计算机高效的处理海量数据并从中学习规律的一种方法。
在空气质量预测中，机器学习方法可以通过数据挖掘来得到更加准确的预测结果。
目前，常用的机器学习方法主要包括决策树、支持向量机等。
(2) 深度学习方法深度学习是一种新型的机器学习方法，主要应用于人工智能领域的大规模数据处理。
深度学习通过构建多层神经网络来实现对数据的学习和预测。
成都信息工程学院2013-2014学年研究生评优公示
成都信息工程学院2013-2014学年研究生评优公示根据《成都信息工程学院研究生奖励条例》文件精神，经班级、学院严格按照程序组织推荐、评选并公示，学生工作处审核，报学校学生工作领导小组讨论，现将2013-2014学年研究生评优结果予以公示。
公示时间为2014年12月2日－8日。
公示期间如有意见请实名反馈至学生工作处。
联系电话：85966107；邮箱：yjsglk@
附件：2013-2014学年研究生评优拟获奖名单
学生工作处
2014年12月2日
附件：
2013—2014学年研究生评优拟获奖名单
一、学习优秀奖
电子工程学院：张扬张淑婷李淘冯婉悦李丹张芯蕊
文浩宋静
大气科学学院：张鑫鑫肖晓蒲秀姝叶瑶王浪于忠达
张雯
通信工程学院：薛莉思杨宁文勇
资源环境学院：黄观林瑜
商学院：李洁羽
管理学院：任峥
二、优秀研究生奖
电子工程学院：龙兴波卢舟
大气科学学院：韦玮冯丽莎杨新林董丹宏
计算机学院：杨勋才
信息安全工程学院：杨威
资源环境学院：张洋邱海浪
三、优秀研究生干部奖
电子工程学院：陈艳哈思劲葛应张扬黎勋王会
宋静雷亚会
大气科学学院：范瑜越曹毅蒲秀姝陈宇航方韵张博
王琳曾钰婵
资源环境学院：鲁磊黄凡林瑜黄观
信息安全工程学院：苟恩洁张梦
计算机学院：蔡姣姣
软件工程学院：曾燕袁庆
数学学院：张明
通信工程学院：青刚杨宁董良
商学院：朱涛
管理学院：陈光卫
四、科研论文奖。
LM神经网络在环境质量评估中的应用
图神经网络在环境监测中的应用实践(四)
图神经网络在环境监测中的应用实践随着人类对环境保护意识的不断增强，环境监测成为了一项十分重要的工作。
而图神经网络作为一种新兴的人工智能技术，其在环境监测中的应用也越来越受到人们的关注。
在本文中，我们将探讨图神经网络在环境监测中的应用实践，并探讨其未来的发展方向。
1. 图神经网络简介图神经网络是一种专门用于处理图结构数据的神经网络模型。
与传统的神经网络模型不同，图神经网络能够有效处理非结构化数据，并在处理复杂关系数据方面具有独特的优势。
图神经网络的出现为环境监测提供了全新的可能性，可以更好地挖掘环境数据中的隐藏信息，为环境保护工作提供更加精准的支持。
2. 图神经网络在环境监测中的应用案例在环境监测领域，图神经网络已经有了一些成功的应用案例。
例如，在大气污染监测中，研究人员利用图神经网络分析城市中大量的空气质量监测数据，挖掘出不同区域之间的空气污染传播规律，有助于制定更加精准的污染治理方案。
又如，在水质监测领域，利用图神经网络分析水域中不同水质监测点的数据，可以更好地掌握水质的动态变化情况，及时发现水质异常情况，并采取相应的措施进行调整和维护。
3. 图神经网络在环境监测中的优势图神经网络在环境监测中的应用具有许多优势。
首先，图神经网络能够有效处理非结构化数据，包括环境监测数据中的各种复杂关系，能够更加全面地分析数据之间的相互作用。
其次，图神经网络能够更好地挖掘数据中的隐藏信息，使得环境监测工作更加精准和高效。
另外，图神经网络还能够适应不同环境监测领域的需求，具有较强的通用性和灵活性。
4. 图神经网络在环境监测中的未来发展随着图神经网络技术的不断发展，其在环境监测中的应用也将会得到进一步的拓展。
未来，图神经网络有望在更多的环境监测领域发挥作用，例如土壤监测、噪声监测等。
另外，随着数据采集设备和传感器的不断更新和完善，图神经网络将有更多样的数据可供分析，有望为环境监测工作带来更多新的突破。
5. 结语图神经网络作为一种新兴的人工智能技术，其在环境监测中的应用实践正在不断取得新的进展。
人工智能算法在空气质量预测中的应用研究
人工智能算法在空气质量预测中的应用研究近年来，随着工业和交通的快速发展以及人口增长，空气质量问题越来越引起人们的关注。
为了预防和治理空气污染问题，空气质量预测技术逐渐成为了一个热门的研究方向。
人工智能算法，作为一种新兴的技术手段，为空气质量预测提供了更加可靠高效的预测方法。
一、人工智能算法概述人工智能是一种认知智能的模拟，旨在实现智能化思维和行为的能力。
人工智能算法是指基于人工智能理论和方法的数据分析和模型构建算法。
目前，主流的人工智能算法包括神经网络、遗传算法、模糊数学、支持向量机、贝叶斯分类等。
二、人工神经网络在空气质量预测中的应用人工神经网络(ANN)是一种模拟人类神经系统的算法，通过模拟人类神经系统中的神经元之间的互相作用，构建一个多层次的前路途径，实现基于输入数据的输出预测。
在空气质量预测中，ANN算法可以使用历史空气质量数据和气象数据，训练模型建立预测模型。
通过对大量历史数据的学习，ANN可以准确地预测未来时间的空气质量情况。
同时，ANN还可用于特征选择和变量重要性分析，进一步为空气污染防治提供科学依据。
三、遗传算法在空气质量预测中的应用遗传算法(GA)是一种通过自然选择和遗传机制模拟生物进化过程的数学优化算法。
遗传算法对于参数寻优和特征选择等问题具有很好的效果，成为空气质量预测中的新选择。
首先，可以利用遗传算法对模型的参数进行优化和搜索，在保证模型效果的同时降低了搜索时间。
其次，基于遗传算法的特征选择方法可以有效地选择与空气质量相关的气象参数和污染物。
遗传算法还可以克服模型鲁棒性不足的问题，提高模型的泛化能力和准确性。
四、支持向量机在空气质量预测中的应用支持向量机(SVM)是一种基于统计学习理论的监督学习算法，广泛应用于模式识别、预测和分类等领域。
SVM算法通过寻找一个超平面，将不同类别的数据清晰地分开。
在空气质量预测中，SVM算法可以利用历史的空气质量数据和气象数据训练模型，预测未来空气质量状态。
大气环境监测数据的机器学习分析方法
大气环境监测数据的机器学习分析方法大气环境污染是当今社会普遍面临的问题之一，它对人们的健康和生活质量产生了巨大的影响。
为了解决这一问题，大气环境监测逐渐成为当代社会的重要课题。
然而，随着监测数据的不断增加，如何有效分析这些数据成为了一个亟待解决的难题。
在这个背景下，机器学习作为一种强大的工具，被广泛应用于大气环境监测数据的分析和预测。
首先，为了更好地理解大气环境监测数据，我们需要了解机器学习的基本原理。
机器学习是一种通过对大量数据进行学习和训练，从而自动识别模式、提取知识和进行预测的方法。
它可以帮助我们从复杂的监测数据中找出规律，并对未来的环境变化进行预测。
在实际应用中，机器学习分析大气环境监测数据的方法有很多种。
其中之一是监督学习方法，它利用已有的标记数据集来训练模型，并通过将新的数据输入模型进行预测。
例如，我们可以使用监督学习来分析大气污染物的浓度与气象因素之间的关系。
通过训练模型，我们可以预测在不同气象条件下污染物的浓度，并及时采取相应的控制措施。
除了监督学习，无监督学习也是一种常用的方法。
无监督学习通过挖掘数据中的隐藏模式和结构，来自动发现数据中的关联和规律。
例如，我们可以使用无监督学习方法对大气监测数据进行聚类分析，将相似的样本归为一类，从而发现不同监测站点之间的相似性和差异性。
另外，深度学习也是机器学习在大气环境监测数据分析中的一个热门领域。
深度学习是一种模仿人脑神经网络的算法，通过多层次的神经网络来进行数据的学习和预测。
通过深度学习，我们可以从大气监测数据中提取更高层次的特征，并进行更准确的预测。
例如，我们可以通过深度学习来分析大气污染物的时空分布，从而预测城市不同区域的污染程度。
此外，机器学习还可以结合其他技术和方法来进一步提高大气环境监测数据的分析效果。
例如，可以将机器学习与地理信息系统（GIS）相结合，用于空间分析和可视化；还可以将机器学习与数据挖掘技术相结合，用于发现潜在的关联和异常模式。
大气质量预报与评估方法研究
大气质量预报与评估方法研究随着城市人口的增加和工业化的进程，空气质量问题日益引起人们的关注。
为了解决空气质量问题，科学家们不断研究大气质量预报与评估的方法。
本文将介绍一些关于大气质量预报与评估的研究方法。
一、物理模型方法物理模型方法是通过建立一套复杂的大气物理模型，模拟大气环境的变化，然后预测和评估大气质量。
这种方法可以提供比较精确的结果，但建模过程需要耗费大量时间和计算资源。
研究人员使用物理模型可以对大气中的污染物如PM2.5、NO2等进行预测。
他们会考虑到不同的因素，如气象条件、排放源和大气扩散等。
通过修改模型参数，可以得到不同情况下的预测结果。
这种方法适用于较长时间尺度的预报，比如天气预报，但对于短期内的污染情况预测则相对困难。
二、数据驱动方法数据驱动方法是通过收集和分析大量的实测数据，建立统计模型来进行大气质量预报与评估。
这种方法不需要建立复杂的物理模型，因此可以减少计算资源的消耗，提高预测效率。
为了有效利用数据驱动方法，研究人员会对数据进行预处理，包括去除异常值、填补缺失值等。
然后，他们会使用统计方法，如回归分析、时间序列分析等，建立模型来预测和评估大气质量。
这种方法适用于短期内的预测，可以提供实时的数据支持。
三、机器学习方法随着人工智能的快速发展，机器学习方法在大气质量预报与评估中也得到了广泛应用。
机器学习方法是通过训练模型来学习数据的规律，然后用这个模型来进行预测和评估。
研究人员使用机器学习方法可以提取出大气质量预报和评估中的关键特征，从而建立高效精确的模型。
他们可以使用神经网络、支持向量机等算法进行训练和预测。
机器学习方法的优势在于可以处理大量的数据，从而提高预测和评估的准确度。
结论大气质量预报与评估方法研究对于解决空气质量问题具有重要意义。
通过物理模型、数据驱动方法和机器学习方法的研究，我们可以更好地了解和预测大气中的污染情况。
然而，这些方法都有各自的优缺点，需要根据实际情况选择合适的方法进行应用。
大气污染源追踪技术与空气质量改善
大气污染源追踪技术与空气质量改善大气污染是当今社会面临的一大环境挑战，严重影响人类健康和环境可持续发展。
为了解决这一问题，科学家和环境保护机构努力发展了各种大气污染源追踪技术，以实现空气质量的改善。
本文将重点介绍几种常见的追踪技术，并探讨它们在空气质量改善中的应用。
一、卫星遥感技术卫星遥感技术是一种广泛应用于大气污染源追踪的非接触式观测手段。
通过卫星的传感器，可以获取全球范围内的大气污染物浓度、分布和变化情况。
借助卫星遥感技术，我们能够及时监测和分析大气污染源的位置和强度。
例如，通过卫星遥感技术，我们可以确定工业排放和交通排放等人为活动对空气质量的贡献，从而制定相应的环境管理政策。
二、化学示踪物技术化学示踪物技术是利用大气中特定物质的存在和特征，追踪大气污染源的一种方法。
根据大气污染物的特定化学组成，我们可以通过监测和分析这些化学示踪物的浓度和分布，确定污染源所在的位置和贡献程度。
例如，氮氧化物和硫化物等化学示踪物的监测可以揭示火电厂和工业排放对大气污染的贡献，并且可以根据监测结果制定相应的减排措施。
三、模型模拟技术模型模拟技术是利用计算机模拟系统，对大气污染传输和扩散过程进行模拟和预测的方法。
通过建立复杂的数学模型，结合气象数据和污染源信息，我们可以模拟大气中污染物的传输和扩散路径，进而确定污染源的位置和覆盖范围。
模型模拟技术不仅可以用于追踪大气污染源，还可以用于评估和预测不同污染控制策略的效果，帮助决策者优化环境管理决策。
在空气质量改善中，上述追踪技术发挥了重要作用。
首先，这些技术可以帮助我们准确定位大气污染源，揭示了不同污染源对空气质量的贡献，为制定目标性的污染控制措施提供了科学依据。
其次，追踪技术可以监测和评估环境管控策略的执行效果，及时调整和改进现有策略，最大程度地提高空气质量改善的效果。
综上所述，大气污染源追踪技术在空气质量改善中发挥着重要作用。
卫星遥感技术、化学示踪物技术和模型模拟技术等方法不仅可以帮助我们定位污染源，还可以为环境管理决策提供科学依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
29
θj ———第 j 层节点阈值向量 。
f
(
x)
=
1
1 +e-
x为
Sigmoid (西格玛) 函数 。公式
中 x 为向量时 , f ( x ) 表示对 x 的每个分量分别取
函数运算 。定义网络误差函数为 :
N
∑ E =
1 2
j =1
( ^yj
-
yj) 2
式中 : N ———输出层节点数 ;
^yj ———期望输出 。
将待解问题转化为遗传算法求解问题的过程是
通过编码来实现的 。编码常用二进制编码方案 。适
应度函数是 GA 的计算依据 ,即目标函数 。GA 的 核心算法是遗传操作 。遗传操作一般包含选择 、交
叉 、变异等几个遗传算子 。
选择 :选择算子通过某种规则从群体中选择部 分个体作为父代 ,以便进行交叉 、变异等遗传操作 。 传统 GA 的选择算子一般采用适应度比例方法 ,即 按各个个体适应度的大小来选择它们作为父代个
大气环境质量评价是环境质量评价的重要方 面 ,常用的方法有综合指数法 、模糊综合评价法和灰 色聚类法[1 ,2 ]等 ,它们处理非线性的方式不同 ,因而 在取舍对象信息时有一些差异 ,各有利弊 。误差反 向传播网络 (Back - Propagation ,简称 B P 网络) 是一 种非线性映射人工神经网络 ,具有很强的学习能力 和记忆力 ,使得它被广泛用于模式识别等领域 。将 人工神经网络理论应用于环境质量评价是一项突 破 ,它为客观评价环境质量 ,克服常用方法的缺陷提 供了新的途径 。但是基于广义δ算法 BP 网络模型 在应用中存在 2 个重要缺陷 ,即网络收敛慢和可能 收敛到局部极小点 。到目前为上 ,国内外研究人员 提出的修改方法 ,均未能从根本上解决问题 。
4 实例运算
根据以上算法编制计算机程序 ,并将其应用于 实际大气环境质量评价中 ,大气监测数据引自文献 [ 6 ] ,见表 1 。计算中 ,取群体规模为 40 ,最大世代数 为 50 ,拥挤因子为 10 , 交叉概率为 017 , 变异概率 011 ,学习效率 017 , 阈值调节系数 018 , 冲量系数 019 , GA 精度取 0101 ,B P 网络精度取 01001 。 411 训练数据集的选取
优化 BP 网络 ,可以兼顾两者的优点 。笔者利用该 方法对实际大气环境质量进行评价 ,结果表明是有 效的 。
1 误差反向传播网络原理
误差反向传播网络由 Rumelhart 等[3 ] 于 1985 年提出 。BP 网络模型属于多层前馈映射网络 ,其核 心算法是基于最小二乘法 (L MS) 的广义δ算法 。网 络通过δ算法学习训练数据集 ,确定各神经元之间 的连接权值和阈值 ,从而建立一个 n 维空间的子集 至 m 维空间的子集的映射关系 。
类似生物遗传原理 ,选择 、交叉 、变异等遗传算 子运算是按一定概率进行的 ,一般情况下 ,变异的概 率远小于选择和交叉的概率 。
212 遗传算法的改进 在遗传进化过程中 ,一些具有超高适应度的个
体在传统的选择算子作用下 ,会以很大的概率参加 繁殖 ,引起群体平均适应度饱和 ,个体间竞争力减 弱 ,最终导致运算收敛速度下降 ,甚至是未成熟收 敛 。我们对遗传算法作以下两方面改进 ,达到了优 化目的 。
Abstract This paper presents a met hod t hat improves t he simple genetic algorit hms ( SGA) wit h bipolar compressed functional fit2 ness scaling and selection operator based on crowding model. The improved genetic algorit hm ( GA) becomes a kind of general - pur2 pose global search algorit hm. We use t he met hod to optimize back - propagation neural network (BPN) ,and put forward a model t hat evaluates t he grade of air pollution based on it . The experimental results are also presented to show t hat t he met hod is feasible. Keywords Genetic algorit hms ; BPN ; Atmospheric quality ; Assessment
az
式中 : a ———适当常数 。
21212 基 于 排 挤 方 法 ( Crowding Model ) 的 选 择
算子
采用 De Jong 提出的排挤方法[5 ] ,使用代间覆 盖方法 ,用新生成的子代替代 、排挤相似的父代个 体 ,从而加剧 个体间的竞争 ,提高了群体的多样性 。 排挤方法按预先指定的拥挤因子 c ,随机挑选 c 个 个体组成个体群 ,按海明距离判断该个体群中个体 与新个体的相似程度 ,淘汰一个最相似的个体 。
体。
交叉 :交叉算子将 (选择算子) 选出来的父体配 对交叉形成新一代个体 。交叉运算使得个体染色体
重组 ,从而能产生更高适应度的个体 ,这是遗传操作 的核心 。
变异 :变异算子对个体染色体码串进行随机变 异 ,对于二进制码串 ,就是随机按位取反操作 。在群 体适应度趋于饱和时 ,变异算子使个体的染色体发 生质变 ,使运算跳出局部极小点 。
W j ———第 j - 1 层节点与第 j 层节点间的连 接权值矩阵 ;
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
第2期
杨立民 ,等 :改进遗传神经网络方法在大气环境质量评价中的应用
21211 适应度函数定标 通过调整适应度函数 ,限制超高适应度个体的
适应度值 ,提高低适应度个体的适应度值 ,剥夺超级 个体的垄断地位 ,并考虑到原适应度函数 f 实际上 就是 BP 网络误差函数 z ,笔者选取双极性压缩映射 定标 ,将适应度函数 f 定标为 :
f ( z)
=
e az
2 + e-
2 遗传算法
211 遗传算法简介 遗传算法首先由美国密执安大学的 John·Hol2
land 教授提出[4 ] ,它是基于达尔文自然选择和遗传 学说 的 全 局 寻 优 方 法 , 具 有 简 单 通 用 , 鲁 棒 性 (robust ness) 强和并行运算的特点 。遗传算法寻优 的实现步骤是 : ①确定编码方案 ; ②初始化群体 (确 定遗传参数) ; ③计算个体适应度 ( f i) ; ④进行遗传 操作 (选择 、交叉 、变异) ,产生新一代个体 ; ⑤返回 ③ 直到 f i 达到要求 。
第 12 卷 第 2 期
环 境 科 学 研 究 Research of Environmental Sciences
Vol. 12 ,No. 2 ,1999
改进遗传神经网络方法在大气环境质量评价中的应用
杨立民 许有鹏
( 南京大学城市与资源学系 ,南京 210093)
摘 要 运用双极性压缩函数适应度定标和基于排挤方法的选择算子改进标准遗传算法 ( SGA) ,使其成为简单通用 、快速收敛的并行全局搜 索算法 。利用该算法优化误差反向传播网络 (BPN) ,克服了 BPN 收敛慢和不具有全局收敛性的缺陷 ,在此基础上 ,建立大气环境质量评价模 型 ,并将该模型用于实例 。结果表明 ,该方法用于大气环境质量评价是可行的 。 关键词 遗传算法 BP 网络 大气环境质量 评价
遗传算法 ( Genetic Algorit hms , GA) 是基于自然 选择和遗传规律的并行全局搜索算法 。它具有很强 的宏观搜索能力 ,而其局部搜索能力弱 。利用 GA
收稿日期 :1998 - 07 - 07 修回,1970 年生 ,硕士研究生
理论上可以证明 ,包含隐含层的 3 层 BP 网络
能以任意精度逼近给定函数 。这种高度非线性映射
能力使得 BP 网络特别适用于模式识别领域 。 但 BP 网络由于采用基于 L MS 的学习算法 ,不
可避免地保留了 L MS 算法的缺点 (易陷入局部极 小点) 。Rumelhart 等学者提出一些修改方案 ,如附 加冲量项法 (本文采用) ,加速了收敛速度 ,并在一定 程度上减少了陷入局部极小点的概率 ,但是没从本 质上改变δ算法 ,因此 ,也就不能彻底克服δ算法的 缺陷 。遗传算法具有全局寻优的特点 ,利用 GA 优 化 BP 网络 ,形成混合训练法 ,可以保证 BP 网络收 敛于全局最优 。
为使评价结果符合规范 ,并且具有可比性 ,选取 国家大气质量标准 ( GB 3095 - 82) 作为污染指标数
据集 ( T1 , T2 , T3) 。 表 1 大气监测数据及 BP 网络计算结果
mg/ m3
测点 SO2 NO x TSP 飘尘 输出结果 等级
1 # 01194 01045 11345 01065 01987
Ⅲ
1 # 01009 01006 01161 01045 01052
Ⅰ
3 # 01042 01038 01462 01173 01872
Ⅲ
4 # 01086 01024 01206 01064 01409
Ⅱ
5 # 01104 01027 01328 01182 01849
反向计算根据 δ 算法逐层修改权值 W j 和阈
值θj :
其中
Wj
=
Wj
+
α
9E 9 Wj