大气污染物排放监测算法研究

摘要

在经济高速发展的今天，工业现代化带来的严重的大气污染已经影响到人类的生产生活，因此，环境监测成为热点，而无线传感器网络的应用为污染气体排放源的监测提供了极大的发展空间，由此人们对污染气体排放的实时监测技术要求越来越高。在此基础上，本文给出了与污染源排放监测算法相关的研究。
　　无线传感器网络中分布有多个传感器节点，各个传感器节点在感知污染源信息时，会在节点处产生对同一污染源和不同污染源的浓度监测值，为了提高源强计算的准确度，本文提出改进的BP神经网络对这两种监测数据进行分类，并在得到同一污染源监测数据的基础上，采用自适应模拟退火算法优化源强计算，实现对污染源源强的实时监测。简而言之，本文主要介绍了基于改进BP神经网络的数据分类模型和自适应模拟退火算法及其改进算法，并将其应用到污染源源强反算的过程中。
　　针对BP神经网络在数据分类方面的应用，本文提出了基于选择更新布谷鸟搜索(SUCS)算法的BP神经网络数据分类模型，并与具有局部最优解检测预防功能的BP算法(LMDBP)以及基于布谷鸟搜索算法的改进BP神经网络模型(BPCS)进行对比，以Iris数据集为基础，文章通过对这三个模型的训练以及测试，分别得出基于MATLAB平台的仿真结果，并根据该结果分析这三种算法的性能以及数据分类能力，总结出基于SUCS算法的BP神经网络的优点和缺点。此外，本文还将基于SUCS算法的BP网络模型与支持向量机(SVM)在数据分类方面进行了比较，得出该模型的分类能力有待提高的结论。
　　在传感器监测数据经过基于SUCS算法的BP神经网络的分类后，本文对此分类结果结合高斯扩散模型进行源强反算以实现实时监测。文章在源强计算过程中，得出自适应模拟退火(ASA)算法可以计算污染源的瞬时排放速率的结论。同时文章针对提高ASA算法收敛速度这一点，提出了改进自适应模拟退火算法，并证明出该算法在收敛速度上优于ASA算法，但是在计算污染源连续排放速率方面，由于数据采集、传输过程的噪声影响以及分类模型的输出误差等因素，改进ASA算法无法作出精确运算甚至无法收敛。

目录

声明

致谢

摘要

1．1 研究背景以及意义

1．2 污染源排放监测技术国内外研究现状

1．3 污染源排放监测模型

1．4 论文主要工作

1．5 本章小结

2．1 引言

2．2 常用分类算法

2．3 人工神经网络基础理论

2．3．1 人工神经网络概述

2．3．2 BP神经网络

2．3．3 BP算法

2．3．4 应用神经网络的一般流程

2．4 布谷鸟搜索算法

2．5 改进的BP神经网络

2．6 支持向量机

2．6．1 统计学习理论基础

2．6．2 支持向量机概述

2．6．3 拉格朗日对偶性

2．6．4 核函数

2．7 本章小结

3 自适应模拟退火算法及其改进

3．1 模拟退火原理

3．2 快速模拟退火算法

3．3 自适应模拟退火算法

3．3．1 重退火过程

3．3．2 改进的自适应模拟退火算法

3．4 本章小结

4 监测算法仿真实现

4．1 污染源数据模拟

4．2 基于改进的BP网络的监测数据分类

4．3 基于自适应模拟退火算法及其改进的源强反算

4．4 本章小结

5 总结与展望

参考文献

作者简历

学位论文数据集