基于遗传算法和人工神经网络相结合的南宁市空气质量预报研究

论文摘要

本文利用2001-2006年南宁市区空气污染物SO2，NO2，PM10浓度的实际监测数据，分析了南宁市空气污染的时空分布特征；并利用延时交叉相关函数分析了2006年的污染浓度数据与同期的地面常规气象资料，讨论了气象条件对污染物浓度变化的影响以及污染物浓度变化的规律；在此基础上用延时交叉相关分析法确定神经网络空气质量预报模型的输入因子，建立了具有两个隐含层的神经网络模型。以遗传算法与BP算法相结合优化神经网络的权重，模型分别以前10d、前15d和前20d的数据作为历史样本数据，预报未来24h内南宁市SO2、NO2和PM10日均浓度；每预报一天的空气质量后，向原来的学习样本中增加当天污染物实际浓度和气象因子，剔除时间最久的历史数据，组建新的学习样本，再进行网络训练以改变网络权重，如此不断循环，网络的权值和阈值不断更新；以平均绝对百分比误差、均方百分比误差以及预报的平均准确率、API分指数预报准确率和等级预报准确率分别对这三种模式预报结果进行评价，结果表明，不同的历史样本数据对不同的污染物预报误差差别不明显，误差范围均在20％～30％之间；以前10d、前20d和前15d的历史数据分别预报未来24h内SO2、NO2和PM10的日均浓度作为南宁市空气质量预报模型，对模型的预报结果进行首要污染物浓度预报准确率、API预报准确率以及空气质量等级预报准确率分析，结果表明神经网络模型的浓度预报准确率为78．85％，API预报的准确率为52．56％，级别预报准确率为84．62％。同时以MATLAB 7．0编写了神经网络空气质量预报模型的图形用户界面，界面简单、便于工作人员操作。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 研究的背景、目的和意义
• 1.3 研究方法
• 1.4 研究的主要内容及技术路线
• 1.5 创新点
• 1.6 国内外空气质量预报研究现状
• 1.6.1 空气污染预报方法概述
• 1.6.2 人工神经网络在空气质量预报中的研究进展
• 1.7 本章小结
• 第二章 人工神经网络和遗传算法的基本原理
• 2.1 人工神经网络的原理
• 2.1.1 人工神经网络的基本涵义
• 2.1.2 神经网络的基本参数
• 2.1.3 人工神经元结构的数学模型
• 2.1.4 BP神经网络模型
• 2.2 遗传算法
• 2.2.1 遗传算法原理
• 2.2.2 遗传算法的实现
• 2.3 遗传算法优化神经网络的权值和阈值
• 2.3.1 神经网络的权值编码和初始化种群
• 2.3.2 适应度函数
• 2.3.3 选择运算
• 2.3.4 交叉运算
• 2.3.5 变异运算
• 2.4 本章小结
• 第三章 南宁市空气污染特征和影响市区空气质量因素分析
• 3.1 南宁市空气污染的时空特征分析
• 3.1.1 南宁市地形、气候
• 3.1.2 南宁市空气污染监测点
• 3.1.3 空气污染物的时空分布特征
• 3.1.4 空气污染负荷
• 3.1.5 空气污染的变化趋势
• 3.2 污染物的自相关及其与气象因子的延时交叉相关分析
• 3.2.1 污染物的自相关函数
• 3.2.2 污染物与气象要素的延时交叉相关分析
• 3.3 小结
• 第四章 神经网络空气质量预报模型的建立和应用
• 4.1 神经网络模型的建立
• 4.1.1 模型建立的理论依据
• 4.2 神经网络模型在空气质量预报中的应用
• 4.2.1 预报因子的选取和训练样本的预处理
• 4.2.2 模型算法的主要参数和计算流程
• 4.2.3 浓度预报结果分析
• 4.2.4 空气质量指数和级别预报结果分析
• 4.2.5 空气质量预报结果分析
• 4.2.6 神经网络空气质量预报模型应用程序用户界面
• 4.3 小结
• 第五章 结论与建议
• 5.1 结论
• 5.2 建议
• 参考文献
• 附录
• 致谢
• 攻读学位期间发表的学术论文