[发明专利]一种基于RBF神经网络的大气污染物浓度预测方法

摘要

本发明涉及一种基于RBF神经网络的大气污染物浓度预测方法，根据被预测地区的实际情况，将实验数据进行划分，针对大气污染物浓度数据进行预处理；使用MMOD改进的k‑means++算法求出聚类中心，并基于方差求取每个核函数宽度；对实验数据进行抽样，参与创建的RBF神经网络的数据子集为IOB，剩下未被抽到的为OOB袋外数据；对学习器进行评价，筛选出泛化误差最小的RBF神经网络，训练集成RBFNN模型；利用加权集成RBFNN算法，基于加权欧式距离，通过聚类中心、宽度、权值训练单个参数优化RBFNN，并应用到集成RBFNN上，对数据预测。本发明应用到大气污染物浓度预测上，大幅提高大气污染物浓度预测的精度。

主权项

1.一种基于RBF神经网络的大气污染物浓度预测方法，其特征在于包括以下步骤：1)根据被预测地区的实际情况，将选择的实验数据进行划分，包括大气污染物浓度数据和天气数据，并针对大气污染物浓度数据进行预处理；2)对预处理后的大气污染物浓度数据，使用MMOD改进的k‑means++算法求出聚类中心，并基于方差求取每个核函数即高斯、薄板样条和逆多二次三种核函数的宽度；3)使用集成RBFNN算法，采用Bagging策略对实验数据进行抽样，参与创建的RBF神经网络的数据子集为IOB，剩下未被抽到的为OOB袋外数据；依据袋外数据对3种内核的RBFNN学习器进行评价，筛选出泛化误差最小的RBF神经网络，将筛选好的参数优化RBFNN回归器当作一级回归器，使用多元线性回归当作二级回归器，训练集成RBFNN模型；4)利用加权集成RBFNN算法，基于加权欧式距离，通过聚类中心、宽度、权值训练单个参数优化RBFNN，并应用到集成RBFNN上，对数据预测。