[发明专利]基于PSODE-BP神经网络的空气质量预测方法

摘要

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。

主权项

1.基于PSODE‑BP神经网络的空气质量预测方法，其特征在于该方法包括以下步骤：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的节点数包括SO2浓度、NO2浓度、O3浓度、CO浓度、PM2.5浓度以及风向、风速、气压、气温、湿度；输出层的节点数包括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)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POPi和DE粒子群Xi，粒子群边界上限Pmax和边界下限Pmin、飞行速度Vi、速度上限Vmax和速度下限Vmin、惯性因子w、最大进化次数i、学习因子c1、c2、w的最大wmax与最小值wmin、控制因子λ、交叉因子CR和变异概率F0、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中；(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：其中：tk表示期望输出；yk表示实际输出；p表示输入样本个数；(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest；(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)；(2.5)、计算适应度值fnew,与当前的适应度值fold比较，如果fnew

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江工商大学，未经浙江工商大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201811276245.1/，转载请声明来源钻瓜专利网。