小波分析与混沌理论在大气环境质量预测中的研究

摘要

本文充分利用小波分析的特点，采用小波分析和混沌理论相结合的预测机制预测大气环境中SO2、PM10和NO2的浓度。首先应用分段三次Hermite插值法对监测数据的缺失值进行插值处理，运用软阈值消噪方法将SO2、PM10和NO2浓度时间序列分解为背景值时间序列和噪声值时间序列，并在此基础上运用C-C方法联合估算各时间序列的相空间重构参数，小数据量方法计算最大Lyapunov指数判断时间序列的混沌特性，然后分别构造了小波-混沌-神经网络相结合的预测模型、BP神经网络预测模型、小波-神经网络相结合的预测模型和混沌-神经网络相结合的预测模型预测了SO2、PM10和NO2的浓度，最后，计算预测的相对误差和绝对误差评价四种预测模型。结果表明:各时间序列最大Lyapunov指数均大于0，系统处于混沌状态;小波-混沌-神经网络相结合的预测模型预测精度较高，推广能力强，其次是小波-神经网络相结合的预测模型，其他两种预测模型的预测效果较差，且通过对四种预测模型的对比分析，证明了小波分析和混沌理论的运用有利于提高模型的预测精度。

目录

声明

摘要

1 绪论

1．1 选题背景及研究意义

1．2 研究现状

1．2．1 国内外研究现状

1．2．2 大气环境质量预测方法研究趋势

1．3 研究内容

1．4 创新点

1．5 技术路线

2 大气环境质量预测的理论基础

2．1 小波分析理论

2．1．1 小波变换

2．1．2 Mallat算法

2．1．3 小波消噪

2．2 混沌理论基本知识

2．2．1 混沌及其定义

2．2．2 相空间重构理论及重构参数的选择

2．2．3 混沌特性的识别方法

2．3 神经网络的基本理论

2．3．1 神经网络的特性

2．3．2 人工神经元模型

2．3．3 神经网络的学习

2．3．4 BP神经网络

2．3．5 人工神经网络的Matlab实现

2．4 本章小结

3 大气污染物浓度时间序列的小波分析

3．1 研究区域概况

3．1．1 气候特征

3．1．2 产业聚集

3．1．3 大气环境质量现状

3．2 数据来源

3．3 数据预处理

3．4 小波分解

3．4．1 消噪方法的对比选取实验

3．4．2 噪声值和背景值时间序列的获取

3．5 本章小结

4 大气污染物浓度时间序列的混沌分析

4．1 嵌入维数和时间延迟分析

4．2 混沌特性的识别

4．3 本章小结

5 大气环境质量预测方法的研究

5．1 小波-混沌-神经网络预测模型研究

5．1．1 背景值浓度时间序列的研究

5．1．2 噪声值时间序列的研究

5．1．3 背景值和噪声值的合成

5．2 BP神经网络模型预测

5．3 小波-BP神经网络预测模型研究

5．4 混沌-神经网络预测模型研究

5．5 本章小结

结论

致谢

参考文献

附录

攻读硕士学位期间发表的论文及科研成果