[发明专利]一种基于BP神经网络模型预测大气重金属浓度的方法

权利要求书

1.一种基于BP神经网络模型预测大气重金属浓度的方法，其特征在于，包括以下步骤：

1)典型小研究区域选择：

选择具有典型代表性的研究区域，典型的小研究区应具备以下几项基本特征：第一，该区域具备典型的交通活动、建筑施工和生活排放，且产生大量气体、颗粒物、道路扬尘；第二，该区域存在高耗能企业及污染排放大户，该区域的空气污染受到工业污染短距离传输的影响，对人体健康具有隐患；第三，该区域的气象数据完备，模型模拟精度高；第四，该区域大气样品容易获取；

2)研究区域气象数据获取：按照步骤1)的要求选定研究区域，确定采样点，使用常规大气颗粒物分级采样器采集大气颗粒物，同步记录采样点附近自动监测站的气象数据，包括：温度、湿度、气压和风速；

3)研究区域大气颗粒物浓度数据获取：分析测试大气颗粒物中重金属的浓度，提取和分析重金属元素主要包括：Al、As、Cd、Cr、Cu、Fe、Ni、Pb和Zn；提取方法为：将1/8大小的样品滤膜剪成细条状于消解管后，使用混酸HNO3-HCl-HF-HClO4来提取重金属总量，然后待测溶液中金属元素的浓度采用电感耦合等离子体发射光谱仪及电感耦合等离子体质谱测定；

4)研究区域大气颗粒物浓度数据检验：采用Grubbs法对所测大气颗粒物原始数据中特异值进行检验和剔除；采用SPSS19.0进行数据的正态分布检验；

5)数据分析：分析大气颗粒物中重金属浓度与气象数据和对应粒径大气颗粒物浓度的相关关系；借助SPSS23.0将大气颗粒物中14种重金属浓度与气象数据(温度、湿度、气压、风速)和对应粒径大气颗粒物浓度进行多元线性相关性分析，相关性系数越高，表明两者相关性越好；

6)模型构建：以气象因子和污染物数据作为输入因子，大气重金属浓度为输出因子，构建基于BP神经网络模型预测大气重金属浓度的模型，并根据预测值与实测值的相关性及误差判断模型构建的优劣；

7)根据所构建的BP神经网络模型进行待估算区域大气颗粒物中重金属浓度预测：根据城市的气象因子和污染物数据预测该城市对应时间段大气颗粒物中重金属的浓度。

2.根据权利要求1所述的一种基于BP神经网络模型预测大气重金属浓度的方法，其特征在于，所述BP网络是多层网络，分为输入层、隐含层和输出层，各层之间实行全连接；它实现了多层学习的设想，当给定网络一个输入模式时，它由输入层单元传到隐含层单元，经隐含层单元逐层处理后再送到输出层单元，经处理后产生一个输出模式，如果输出响应与期望输出模式有误差，不满足要求，则转入误差反向传播，将误差值沿连接通路逐层反向传送并修正各层连接权值，当各个训练模式都满足要求时，则学习结束；在实际训练时，首先要提供一组训练样本，其中的每个训练样本由输入样本和理想输出对组成；当网络的所有实际输出与其理想输出一致时，训练结束；否则，通过误差逆传播的方法来修正权值使网络的理想输出与实际输出一致；当反复学习直至样本集总误差(如下式)达到某个精度要求，即E<ε(预先给定的精度)时停止，并记录此时调整后的权值。

E=12Σk=1m(yk-ck)2]]>

式中yk为期望输出，ck为实际输出，m为学习样本数。

3.根据权利要求2所述的一种基于BP神经网络模型预测大气重金属浓度的方法，其特征在于，模型模拟时,随机选取70％作为训练数据，剩下30％作为验证数据；在100次成功建模之中，选择训练模型相关系数最大的一次作为模拟模型,对重金属浓度进行与预测。