基于云模型的推理规则在空气质量预报中的应用

论文摘要

20世纪以来，不确定性的科学价值和现实意义逐渐被人们所接受。学者们通过对概率论、模糊集理论以及近年来发展起来的粗糙集理论的应用，使得不确定性问题的研究取得了很大进展，其研究成果也被广泛地应用于各个领域。然而随着研究的深入，这些方法的局限性也逐渐凸显出来。我国学者李德毅教授在传统的概率统计和模糊集理论的基础上创造性地提出了解决不确定性问题的新模型——云模型。云模型解决了传统方法存在的不彻底性的问题，且有效地实现了不确定性问题由定性描述到定量描述的转换。云模型自提出以来应用范围越来越广泛，其在定性知识的表达、不确定性分类、关联知识挖掘、时间序列预测以及定性控制等方面的应用也越来越成熟。本文在以往研究成果的基础上，针对滁州市2008年空气质量日报数据提出了运用云模型解决空气质量预报的方法。由于影响空气质量的因素具有不确定性，这种不确定性来源于各个方面，例如气象条件、人为活动等都会对空气质量产生影响；同时，监测数据的取得也具有一定的随机性，其中包括监测精度、统计方法的选用等。因此，在空气质量的预报中，我们必须考虑预报过程中出现的各种不确定因素。本研究尝试将云模型应用于空气质量预报中，以期在理论与方法上都能有所突破。笔者在历时半年的研究中取得了一定的进展。首先通过对原有数据进行分析得到首要污染物并用逐步回归法验证因子取得的正确性，然后以我国城市空气质量分类标准建立规则库，构建规则发生器进行预报。为验证云模型预报的效果，笔者随机选取十条首要污染物的历史数据作为规则发生器的输入值，将输出结果与实际结果进行比较，发现预报等级与实际等级完全相符，预测的API值与实际的API值也基本相同，预报效果比较理想。对于空气质量预报这一领域，之前也有过不少研究方法，比如神经网络法、灰色预测法、线性回归法等等。总体来说这些方法也取得了一定的研究成果，预报效果在一定程度也较为可靠，但由于理论本身的局限性使得再用这些方法进行研究难以有较大突破。笔者通过广泛阅读文献，在前人的研究基础上另寻角度对空气质量预报进行研究，抓住空气质量预报过程中存在不确定性这一重要而易被忽视的关键点，并以此做为研究的切入点，将处理不确定性问题的云模型用于这一领域，取得了令人满意的成果。本文仅是用云模型对空气质量预报这一领域进行探索，对于其他领域，同样可以根据各个行业的特点将云模型应用于农业、工业、医药等行业。本文用云模型对空气质量进行预报虽取得了一些工作成果，但本研究还是初步的，云模型的应用价值还有待于更深入地挖掘。

论文目录

• 摘要
• Abstract
• 插图和附表清单
• 1 引言
• 1.1 研究目的及意义
• 1.2 研究目标与内容
• 1.3 国内外研究现状
• 1.4 关键问题及技术难点
• 1.5 技术路线
• 2 云理论
• 2.1 数学基础
• 2.1.1 模糊集理论
• 2.1.2 粗糙集理论
• 2.1.3 概率理论
• 2.1.4 传统方法解决不确定性问题的不足
• 2.2 云模型的基本概念
• 2.2.1 云的定义
• 2.2.2 云的数字特征
• 2.2.3 正态分布的普适性
• 2.2.4 云滴分布的统计分析
• 2.3 云理论的研究现状
• 2.4 云理论的应用领域
• 2.4.1 智能控制
• 2.4.2 数据挖掘
• 3 数据来源与预处理
• 3.1 数据来源
• 3.2 环境空气质量监测结果
• 3.2.1 采样方法
• 3.2.2 监测项目及监测结果
• 3.3 数据预处理
• 3.3.1 数据准备
• 3.3.2 确定分级准则
• 3.3.3 空气质量评述
• 3.3.4 数据初步处理结果
• 4 基于云模型的推理规则及其算法实现
• 4.1 云发生器
• 4.1.1 正向云发生器
• 4.1.2 逆向云发生器
• 4.1.3 X 条件云发生器和 Y 条件云发生器
• 4.2 不确定性推理及其算法实现
• 4.2.1 单规则推理
• 4.2.2 多规则推理
• 4.3 本章小结
• 5 运用云模型进行空气质量预报的实现
• 5.1 空气质量预报概况
• 5.1.1 空气污染指数
• 5.1.2 用云模型进行预报的积极意义
• 5.2 不确定性推理对空气质量进行预报
• 5.2.1 用云模型进行空气质量预报的可行性
• 5.2.2 基本思想
• 5.3 实现步骤
• 5.3.1 建立推理规则
• 5.3.2 逐步回归法验证污染因子的选取
• 5.3.3 确定各定性概念的数字特征
• 5.3.4 构造规则发生器
• 5.3.5 结果验证
• 5.4 本章小结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 附录
• 致谢
• 个人简介
• 在读期间发表的学术论文