未来智讯 > 神经网络论文 > 基于偏差反向传播神经网络的PM25展望

基于偏差反向传播神经网络的PM25展望

发布时间:2019-04-26 04:52:48 文章来源:未来智讯    
未知摘要::利用传统风格模式的前景,PM2.5的大气浓度质量向前看,很难得到正确的局数,因为许多问题,提出了基于PM2传播的反向偏差。 5神经网络的发展前景基于偏差反向传播神经网络的PM2.5。 以宝鸡市大气质量监测站监测数据为分析对象,建立PM2.5小时浓度前景模型。 BP神经网络可以使用梯度下降法来校正网络联合权重和阈值。 它对PM2.5质量浓度前景具有更准确的分析和处置能力。 仿真结果表明,BP神经网络用于预测PM2.5质量浓度,具有不可避免的实用性和精度。 关键词:PM2.5展望; 偏差反向传播; 神经网络中图分类号:TP311文献标识码:A文章编号:1009-3044(2018)33-0180-02
1引言近年来,空气质量指数(AQI)已成为最重要的 衡量我们的生活质量,PM2.5是导致大气质量低的主要因素。 PM是English Particulate Matter的缩写,中文翻译是颗粒物质,PM2.5是指大气动力学中的大气颗粒,当量直径小于2.5微米[1],这种颗粒物质也是我们经常 据说是微粒。 PM2.5引起的最直观的风险是增加了烟雾天。 此外,它还可以改变降水的温度和温度模式,减少日照,降低能见度,对我们的健康产生不良影响。 [2]。 由于PM2.5带来的这些风险,在1997年的美国,PM2.5参与了质量监测规模。 此后,意大利,加拿大,英国,日本,西班牙等国也先后在全国范围内。 浊度检测系统参与PM2.5质量浓度。 2012年,中国在“环境质量案例”中参与了PM2.5测试目标并限制了其集中度。 因此,追求PM2.5质量浓度具有极其重要的意义。 2 PM2.5展望原理由于浊度和浊度的形成,PM2.5变得复杂。 它是一种混浊且可变的大气浊度,具有化学成分,其成分不仅仅是一种。 主要包含物包括:初级颗粒如污垢,有机碳和元素碳,以及次级颗粒如铵盐,硝酸盐,硫酸盐和通过各种物理化学反应形成的半蒸发性有机化合物。 ]。 因此,PM2.5在大气中有自己的浓度和其他浊度,因此PM2.5质量浓度前景是一个具有显着不确定性的非线性问题 观察该区域的每小时PM2.5浓度,原则是预处理影响其质量浓度系数的测试数据的数据,并将数据作为训练样本进行训练,最后获得一个关系函数,使用该函数 在未来的某个时刻期待PM2.5,公式如下:3 BP神经网络BP是Back Propagation的缩写,翻译为反向传播,BP算法建议于20世纪80年代中期,Geoffrey Hinton David Rnmelhart等人从根本上开发了BP神经网络,这也是使用BP算法的神经网络,简称BP网络。 BP算法的主要特点是使用度降法来修改网络阈值的参数和向后传播过程中的联合权重,使网络的输出与希望值[4]不一致[4] 。 网络的主要特征是输入信号被正向传输并且偏差信号被反向传输。 网络布局如图1所示:从图1可以看出,BP神经网络有一个总输入层,隐藏层,输出层,隐藏层数可以是一层或多层,输入和 输出维数,确定输入和输出层神经元的数量。 输入量[X = [x1,x2,x3,...,xi]]由输入层输入网络,在隐藏层中逐层处理后,最终获得输出值。 整个BP神经网络的训练可分为两个阶段:输入信号向前传输,偏差信号向后传输。 这两个阶段在迭代过程中执行,整个网络完成。 培训[5]。 当输入信号被转发时,所选择的影响因子数据将从输入层进入网络,然后是每层的加权下降和激活函数的各种变换,然后由输出层输出。 此时,每层神经元的输入仅受前一层神经元输出的影响,网络的权重和阈值不会改变; 当网络获得yd和预期y之间的输出当部分差异国家达到指数时,它将进入信号偏差的阶段。 偏差信号逐层地从输出层传输到输入层。 在此阶段,网络的权重和阈值将是凭证。 偏差的梯度值用于调解,逐渐降低网络的输出并期望局的偏差,接近期望值,例如两阶段的循环迭代,并最终获得网络的希望输出。 4基于BP神经网络的PM2.5前景模拟使用BP神经网络进行分析,首先需要确定网络中每层神经元的数量,输入层中神经元的数量由所选影响因子的数量决定。 从这个角度来看,使用了六个影响因素,因此输入层网络中的神经元数量为6; 输出输出层中的神经元数量。 确定了局的数量。 在这种展望中,只需要输出PM2.5的前景值,因此输出层中的神经元数量为1.神经网络的隐藏层可以是一层或多层。 但是,太多的隐藏层会导致网络的训练速度太慢,网络将过度适应外观,使网络适应和测试。 局之间的差异太大了。 根据Kosmogorov定理,当网络参数和布局设计公平时,单隐层神经网络可以完成随机值m维到n维映射[6],因此在这个前景中选择一个隐含。 地板。 隐藏层中的神经元数量可以说是神经网络中最难确定的。 工作日使用试错法加经验公式确定。 经验公式如下:可以发现,当隐藏层中的神经元数量为9时,网络的训练偏差至少为18.27,因此隐藏层中的神经元数量被确定为9。 5 PM2.5 Matlab下的前瞻性模拟
在Matlab下PM2.5小时质量浓度的经验分析,BP神经网络选择6-9-1布局,也是输入层,隐藏层中神经元的数量和 输出层为6,9和1.隐藏层,输出层,训练和阈值以及权重训练功能是分开的。 选择logistic,purelin,traingdx和leanngd。 时报。 在筛选收集的800个数据后,将640个数据用作训练集数据,并将160个数据用作用于前瞻性分析的测试集数据。 获得以下信息:从图3和4可以看出,当PM2时。 当质量浓度在某一时刻突然出现时,PM2.5质量浓度前景和大气质量等级在局和期望值之间存在较大偏差。 为了进一步分析网络的预期准确性和可接受性,我们使用了接管。 公式,所有前景的统计和拟合数据,公式如下:可以得到表5中的数据。 在此前景中,预计培训和测试数据将由主席团接管。 87%和84%,国外表现合适; 该局培训和考试的平均相对偏差分别为15.1%和21.4%; 训练和测试的最大相对偏差分别为90.2%和95.7。 %; 培训的质量水平和局的测试准确率分别为75%和73%。 从局的分析可以看出,使用网络的前景没有显示出很大的差异,也没有呈现出培训和测试局与局之间差异的外观。 网络具有不可避免的泛化和正确性。 。 6结论本文提出了一种非线性透视图,并提出了偏差反向传播的用法。预计布料神经网络的PM2.5质量浓度的要点。 虽然BP神经网络在PM2.5的前景中取得了较好的成绩,但仍存在不可避免的偏差。 在未来的讨论中,如果您可以参与更全面的因素数据,如风向,气候,气候等,进一步扩大培训。 样本中的数据量,添加数据数据的监控时间,预计局内的准确性和准确性仍有提升空间。 总之,这种方法是可行的,并且在PM2.5展望中具有良好的视野。 参考文献:[1]杨新兴,冯丽华,翟鹏。 大气颗粒物PM2.5及其风险[J]。 Frontier Science,2012,6(1):22-31。 [2] FC T,KR S,NV,et al。 泰国曼谷室内/室外PM10和PM2.5 [J]。接触分析与环境流行病学杂志,2015,26(1):112 C115。 [3]朱翠玲,叶志芳,王强。 基于BP神经网络的情景质量探测模型[J]。 视觉机械工程与应用,2007,43(22):223-227。 [4]杨伟,倪义东,吴俊吉。 关于BP神经网络权值的初值和奇异性的讨论[J]。 电力系统及其倡议,2002,14(1):20-22。 [5]刘晓彤。 BP神经网络输入层数据归一化与学习[J]。 机械工程与自动化,2010(3):122-123。 [6]胡金斌,唐旭青。 人工神经网络BP算法及其应用[J]。 信息技术,2004,28(4):1-4。 [通联编辑:梁姝]
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86561/
 与本篇相关的热门内容: