隨著工業(yè)化程度的不斷提高，促進(jìn)經(jīng)濟(jì)繁榮崛起的同時(shí)，也給我們?cè)斐闪藝?yán)峻的環(huán)境污染問(wèn)題。近些年，嚴(yán)重的霧霾天氣頻頻出現(xiàn)，給我的身體健康和日常生活造成了嚴(yán)重的影響，引起了社會(huì)的普遍關(guān)注和擔(dān)憂(yōu)。 近幾年，國(guó)家對(duì)大氣污染防治工作高度重視，我國(guó)環(huán)保部門(mén)積極響應(yīng)國(guó)家的政策號(hào)召，全面升級(jí)改造全國(guó)環(huán)境大氣監(jiān)測(cè)系統(tǒng)，隨著系統(tǒng)的升級(jí)，站點(diǎn)的增加，監(jiān)測(cè)水平得到了大幅的提高。為了更全面的認(rèn)識(shí)和掌握大氣污染物的變化趨勢(shì)，為大氣污染防治工作提供更全面、及時(shí)的信息，開(kāi)展大氣污染物預(yù)測(cè)研究工作勢(shì)在必行。環(huán)境大氣污染物預(yù)測(cè)工作歷經(jīng)幾十年的發(fā)展，預(yù)測(cè)方法和預(yù)測(cè)技術(shù)都得到了全面的提升，但是，然而如何改善空氣污染物預(yù)測(cè)的預(yù)測(cè)精度，一直是空氣質(zhì)量預(yù)測(cè)領(lǐng)域必須考慮和研究的重點(diǎn)。 本文設(shè)計(jì)并實(shí)現(xiàn)了基于遺傳算法和粒子群算法的混合算法BP網(wǎng)絡(luò)大氣污染物濃度預(yù)測(cè)模型。該模型在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入遺傳算法和粒子群算法構(gòu)建的混個(gè)算法，實(shí)現(xiàn)對(duì)BP網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化，有效提高了神經(jīng)網(wǎng)絡(luò)的泛化能力，避免了神經(jīng)網(wǎng)絡(luò)過(guò)早收斂于局部極值點(diǎn)。利用該模型采用SO2、NO2和PM10的濃度值進(jìn)行了短期預(yù)測(cè)實(shí)驗(yàn)，通過(guò)預(yù)測(cè)實(shí)驗(yàn)證明該預(yù)測(cè)模型具有較好...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 課題的主要研究?jī)?nèi)容
2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)概述
    2.2 BP 神經(jīng)網(wǎng)絡(luò)
    2.3 遺傳算法（GA）理論
    2.4 粒子群算法（PSO）理論
    2.6 本章小結(jié)
3 GA-PSO-BP 神經(jīng)網(wǎng)絡(luò)算法及預(yù)測(cè)模型設(shè)計(jì)
    3.1 預(yù)測(cè)模型算法設(shè)計(jì)
    3.2 大氣污染物濃度預(yù)測(cè)模型的設(shè)計(jì)
    3.3 本章小結(jié)
4 大氣污染物濃度預(yù)測(cè)結(jié)果分析
    4.1 數(shù)據(jù)準(zhǔn)備與預(yù)處理
    4.2 網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)結(jié)果分析
    4.3 其它污染物濃度的預(yù)測(cè)應(yīng)用
    4.4 結(jié)論
    4.5 本章小結(jié)
5 總結(jié)與展望
致謝
參考文獻(xiàn)



本文編號(hào)：4024262