[发明专利]基于PSODE-BP神经网络的空气质量预测方法

说明书

本发明公开了一种基于PSODE‑BP神经网络的空气质量预测方法。本发明通过数据的收集，然后对数据进行有效的分析，根据数据的特点确定BP神经网络的输入节点数、输出节点数和隐层节点数；接着使用CPSODE算法来优化该BP神经网络的连接权值和阈值，并得到最终的BP神经网络预测模型；经过该BP神经网络训练，增加了自适应PSO‑DE‑BP网络的收敛精度；可以减少PSO‑DE网络的无效迭代；DE极大程度再次优化PSO的优选的粒子，使适应度降低。降低了BP神经网络的迭代次数。

技术领域

本发明涉及一种空气质量预测方法，尤其是基于PSODE-BP神经网络的空气质量预测方法。

背景技术

大气污染问题，不是某一个城市，某一个地区或者某一个国家的问题，而是全人类共同面临的重大难题。大气的污染甚至恶化，将会引起全球性的严重问题。大气防治的第一步，就是要采取监控措施，随时掌握污染物的排放情况，便于有针对性的采取有效措施，防范于未然。

早期的大气污染物监测主要依靠人工采样和实验分析的方法。计算机技术和通信技术的大力发展为环境监测领域带来了技术革新，环境监测领域已经走向了信息化和智能化。世界范围内，先后都建立起了更为高效和智能的环境监测系统。

空气质量预测的研究工作始于20世纪60年代，刚开始并没有办法实现对大气污染物的定量预测，直到80年代，人们开始通过数学统计法和数值分析法，实现了对污染物的定量预测。空气污染统计预报法，采用因次分析法和回归分析法相结合的数学方法来取代物理、化学和生物的过程预测方法。大气污染物数值预测法，通过对大气污染物的变化规律进行数学建模，利用数学模型来逼近污染物的变化趋势，是一种科学有有效的方法，但是实施过程比较复杂，效率并不高。上世纪90年代，随着人工神经网络技术的兴起，人工神经网络技术被大量应用于环境预测领域，随着研究的不断深入，各种基于神经网络技术的预测模型得以实现，并且预测精度在不断得到改善。至此人工神经网络技术在大气污染物预测领域中取得了不可替代的位置，一直成为该领域的研究热点。

发明内容

为了不断改善在环境预测领域的预测精度，本发明提出一种基于改进PSODE-BP神经网络的空气质量预测方法，其能够有效处理数据“坏点”，摆脱神经网络局部的最优点，有效的提高BP神经网络的预测精度。

本发明解决其技术问题所采用的技术方案如下：

基于PSODE-BP神经网络的空气质量预测方法包括以下步骤：

1)、BP神经网络模型构建，过程如下：

(1.1)输入层和输出层节点数确定

输入层包括SO₂浓度、NO₂浓度、O₃浓度、CO浓度、PM_2.5浓度以及风向、风速、气压、气温、湿度；输出层PM₁₀浓度。

(1.2)隐层节点数确定

采用如下公式来确定：

其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数。

(1.3)激励函数的确定

(1.4)粒子维数确定

D＝S1*S2+S2*S3+S2+S3

其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数。

2)、结合基于改进粒子群(PSO)算法和差分进化(DE)算法混合算法优化的神经网络模型构建，过程如下：