基于C--PSODE算法和BP神经网络的臭氧浓度预测研究

摘要

臭氧污染对人类健康、气候和植被均产生负面影响，为了全面认识和掌握臭氧浓度变化趋势，所以对流层臭氧浓度预测研究工作至关重要。建立臭氧浓度预测模型来描述臭氧浓度波动与导致或阻碍臭氧产生的相关变量之间复杂关系。有效的臭氧浓度预测模型对于提供有效的早期预警和提高预测精度具有理论和实际意义。 本文以2015年台北市板桥监测站的气象监测和臭氧前体物的历史数据为研究对象。文献研究显示台北市臭氧浓度存在季节性波动，本文依据季节将历史数据划分为四个数据集，分别通过SPSS因子分析功能处理，剔除与臭氧相关性弱的因子，并利用主成分分析PCA降低网络复杂度。提出一种基于混沌算法优化的差分进化算法和粒子群混合全新进化(C-PSODE)算法。并通过多峰函数验证比较该算法与PSO算法、DE算法、PSODE算法的优劣，得出该算法具有适应性强、稳定性高、准确率高等特点。利用该算法得到BP神经网络最优初始权重和阈值，设计并实现了基于该算法优化的BP神经网络臭氧小时浓度预测模型(C-PSODE-BP)。该模型能够有效提高臭氧的预测精度，有效的避免了网络陷入局部最优。 本研究利用该模型对台北市春、夏、秋、冬四季的臭氧浓度分别进行短期预测，平均预测精度分别达到91.04％、85.25％、90.22％、91.15％。对比发现:该模型明显优于PSO-BP模型、DE-BP模型、PSODE-BP模型的预测精度;发现臭氧前体物:CO、CO2、NO2、NOx、CH4、THC、NMHC对臭氧浓度预测影响最大;台北春、秋两季的臭氧浓度明显高于夏、冬两季。本文研究认为，用混合算法补偿BP神经网络是一种颇具可行性和准确性的空气污染建模方法。

目录

摘要

第1章绪论

1．2国外研究进展

1．3国内研究现状

1．4课题研究的主要内容

1．5本文组织结构

第2章神经网络结构及其研究

2．1人工神经网络简介

2．1．1生物神经网络简介

2．1．2人工神经元模型

2．2神经网络的结构

2．2．1前馈神经网络

2．2．2反馈神经网络

2．3 BP神经网络

2．3．1 BP神经网络模型

2．3．2 BP神经网络学习算法过程

2．3．3 BP网络学习算法的比较

2．3．4 BP神经网络的优缺点

2．4粒子群(PSO)算法理论

2．4．1粒子群(PSO)算法背景

2．4．2粒子群(PSO)算法原理

2．4．3粒子群(PSO)算法步骤

2．4．4粒子群(PSO)算法的优缺点

2．4．5粒子群(PSO)算法的改进

2．5差分进化(DE)算法理论

2．5．1差分进化(DE)算法背景

2．5．2差分进化(DE)算法原理

2．5．3差分进化(DE)算法步骤

2．5．4差分进化(DE)算法的优缺点

2．5．5差分进化(DE)算法的改进

2．6混沌优化(COA)算法理论

2．6．1混沌优化(COA)算法背景

2．6．2混沌优化(COA)算法原理

2．7本章小结

第3章基于PCA的臭氧的突出因素主成分分析

3．1台北臭氧浓度趋势

3．2预测对象相关因子分析

3．3主成分分析降维

3．3．1主成分分析步骤

3．3．2分析臭氧因素的相关性

3．3．3计算主成分得分

3．4不同季节臭氧与气象、大气污染因素关系

3．5本章小结

4．2 C-PSODE算法整体设计

4．3 C-PSODE算法性能验证

4．3．1多极值函数的优化测试

4．3．2优化测试结果分析

4．4 C-PSODE-BP神经网络臭氧预测模型

4．4．1预测模型参数设置

4．4．2神经网络结构确定

4．5本章小结

第5章臭氧污染浓度预测结果分析

5．1数据来源及预处理

5．1．1样本选择

5．1．2数据归一化

5．2网络训练及预测结果分析

5．2．1算法相关参数初始化

5．2．2模型预测结果分析

5．2．3网络训练性能指标比较

5．2．4网络输出数据复合系数比较

5．2．5网络预测结果分析

5．3其他季节臭氧浓度预测应用

5．4结果分析

5．5本章小结

6．1总结

6．2展望

参考文献

攻读硕士学位期间发表的论文和参加的科研工作

致谢

声明