论文摘要
本文利用2001年3月至2006年2月西安城市环境空气中PM10浓度逐日实测值以及同期气象要素监测值为对象，展开西安城市环境空气中PM10浓度预报模型的研究。分析了西安城市环境中PM10浓度年、四季变化特征和同期各个气象要素四季变化特征，发现PM10浓度以及气象要素均四季变化特征明显。采用偏相关分析方法进行了四季与PM10浓度显著相关的气象因素的筛选，并进行了源释放的平稳性检验，对建模单元进行优化选择，表明以四季为单元建立模型是合适的。通过对污染物资料的分析，发现大气污染物浓度的变化具有较强的非线性特性，要对其进行较为准确的预测，就必须采用能捕捉非线性变化规律的预报方法。B-P神经网络由于其非线性影射能力，能够很好找出空气污染物浓度变化与影响其的气象因子之间的规律，省去了对数学模型的设计，预报精度比较高并且模式简单，因此本文采用B-P神经网络方法按四季建立西安城市环境中PM10浓度预报模型。针对B-P神经网络梯度算法容易陷入局部极小、收敛速度慢等局限性，对B-P神经网络结构和算法进行了优化，采用优化算法改进网络性能，采用试错法确定网络隐含层节点数。最后对模型进行检验，得到春季模型预报准确率为80.81％，夏季模型预报准确率为81.86％，秋季模型预报准确率为79.78％，冬季模型预报准确率为82.03％，各段模型的绝对误差在-0.03mg／m3～0.03mg／m3，相对误差在-30％～30％。通过误差分析和预测准确率分析，可知本文所建西安四季B-P神经网络预测模型是可行的，并且具有较强的推广能力和较好的适应性。
论文目录
摘要Abstract1 绪论1.1 课题来源1.2 课题研究的目的与意义1.3 国内外空气污染预报发展概况1.3.1 国外空气污染预报情况1.3.2 国内空气污染预报的情况1.4 空气污染预报研究的发展趋势1.5 人工神经网络的发展与应用1.6 本文采用的预报方法1.7 论文研究内容2 人工神经网络的基本原理2.1 人工神经网络2.1.1 神经元模型结构2.1.2 激活函数2.1.3 人工神经网络的结构2.1.4 人工神经网络的特点2.2 B-P神经网络2.2.1 B-P神经网络结构模型2.2.2 B-P神经网络的学习2.2.3 B-P神经网络算法2.2.4 B-P神经网络的优越性与局限性2.2.5 B-P神经网络学习算法优化2.3 人工神经网络在环境领域中的应用2.3.1 人工神经网络在环境科学中的应用2.3.2 人工神经网络在大气环境质量评价中的应用2.4 小结3 数据采集与分析10数据来源与采集'>3.1 西安市PM10数据来源与采集3.2 西安市气象数据来源与采集10污染现状分析'>3.3 西安市PM10污染现状分析10污染浓度年变化特征分析'>3.3.1 西安市PM10污染浓度年变化特征分析10污染浓度四季变化特征分析'>3.3.2 西安市PM10污染浓度四季变化特征分析10污染浓度相关性分析'>3.4 西安市四季气象要素与PM10污染浓度相关性分析3.4.1 西安市四季气象要素特征分析10污染物浓度与气象因素相关性分析'>3.4.2 PM10污染物浓度与气象因素相关性分析10浓度源强释放平稳特性检验'>3.5 西安市PM10浓度源强释放平稳特性检验3.5.1 源强的半定量计算3.5.2 源强的平稳性检验3.6 小结10污染浓度预报模型的建立'>4 基于B-P神经网络PM10污染浓度预报模型的建立4.1 基础数据选取及处理4.2 B-P神经网络预报模型设计4.2.1 隐含层数目的确定4.2.2 隐含层单元数的确定4.2.3 每层传递函数的确定4.3 B-P神经网络的学习和训练4.4 B-P神经网络在MATLAB中的实现4.4.1 MATLAB神经网络工具箱的简介4.4.2 运用MATLAB神经网络工具箱设计网络4.5 B-P神经网络训练结果4.5.1 春季模型4.5.2 夏季模型4.5.3 秋季模型4.5.4 冬季模型4.6 小结10污染浓度预报模型的检验'>5 基于B-P神经网络PM10污染浓度预报模型的检验5.1 春季预报模型的检验5.2 夏季预报模型的检验5.3 秋季预报模型的检验5.4 冬季预报模型的检验5.5 与其他模型的比较5.6 小结6 结论与建议6.1 结论6.2 建议致谢参考文献附录一:攻读硕士学位期间发表论文及参加科研项目附录二附录三
相关论文文献
标签：浓度论文; 偏相关分析论文; 神经网络论文; 预报模型论文;
基于B-P神经网络方法的西安市四季PM10浓度预报模型研究
下载Doc文档