• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)空氣品質(zhì)預(yù)測模型

      2015-03-12 03:38:04徐凌雁
      東北電力大學(xué)學(xué)報 2015年5期
      關(guān)鍵詞:粗糙集污染物空氣

      徐凌雁

      (中國電信吉林市分公司,吉林吉林132012)

      近幾十年以來,由于世界各國工業(yè)的高速發(fā)展以及人口的急劇擴(kuò)張導(dǎo)致世界范圍內(nèi)能源需求與交通規(guī)模的持續(xù)擴(kuò)大,世界人口的急劇膨脹也使得人們各類生產(chǎn)和生活中所產(chǎn)生大量的有害物質(zhì)被排放到大氣中從而改變了空氣的組成成分最終形成“空氣污染”[1]??諝馕廴臼鞘澜绱蠖鄶?shù)工業(yè)化國家所面臨的極為嚴(yán)重的環(huán)境問題。隨著人們對城市空氣質(zhì)量的關(guān)注逐漸提高,民眾希望能夠得到城市環(huán)境空氣質(zhì)量的監(jiān)測結(jié)果,以使廣大民眾及城市環(huán)保部門對城市環(huán)境空氣質(zhì)量的情況做到如天氣預(yù)報一樣可以提前預(yù)知,便于對即將出現(xiàn)的城市空氣問題采取及時有效的風(fēng)險預(yù)控措施。利用基于人工神經(jīng)網(wǎng)絡(luò)的模式識別法來進(jìn)行空氣品質(zhì)預(yù)測,可以不需要使用白盒的方法來確定顯式模型而是根據(jù)輸入的監(jiān)測數(shù)據(jù)來創(chuàng)建黑盒模型。依靠模式識別方法的非線性問題處理能力和噪聲冗余能力,可以基于不同地區(qū)空氣品質(zhì)系統(tǒng)的實(shí)際工況,構(gòu)建屬于特定地區(qū)空氣品質(zhì)特點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型[2]。

      1 基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)

      1.1 BP結(jié)構(gòu)

      倒傳遞類神經(jīng)網(wǎng)絡(luò)是將輸出層的誤差,逐層往輸入層倒向傳遞分配給各層,以提供各層的誤差參考,進(jìn)而改善相應(yīng)的連結(jié)權(quán)值,并調(diào)整實(shí)際輸出值與期望輸出值間的誤差。

      1.1.1 BP算法

      倒傳遞學(xué)習(xí)算法是廣泛使用的監(jiān)督式學(xué)習(xí)模式。倒傳遞學(xué)習(xí)算法可分為向前饋入和誤差向后推導(dǎo),而這兩部分皆需由迭代演算處理[3]。向前饋入步驟是將欲學(xué)習(xí)數(shù)據(jù)由輸入層輸入,再向前傳至第一隱藏層,經(jīng)隱藏層節(jié)點(diǎn)的轉(zhuǎn)換函數(shù)處理后,得到相對應(yīng)的輸出值,此輸出值又向前傳至第二隱藏層,變成第二隱藏層的輸入值;如此逐層的向前傳送,最后由輸出層輸出結(jié)果。接著比較向前饋入步驟中的實(shí)際輸出值與期望輸出值。若誤差符合系統(tǒng)要求,則學(xué)習(xí)宣告結(jié)束,并將各連結(jié)上的權(quán)值當(dāng)成是訓(xùn)練后的知識;相反的,若是誤差超過系統(tǒng)要求,則進(jìn)行誤差向后推導(dǎo)的步驟。此時,誤差將由輸出層向后逐層的往輸出層傳遞,并修改各層連結(jié)上的權(quán)值,經(jīng)反復(fù)迭代運(yùn)算達(dá)到系統(tǒng)誤差要求為止。

      1.1.2 BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)

      BP神經(jīng)網(wǎng)絡(luò)算法的提出,有效的解決了針對非線性連續(xù)函數(shù)求解多層前饋神經(jīng)網(wǎng)絡(luò)的權(quán)值的難題。此外,BP神經(jīng)網(wǎng)絡(luò)給出了完整的數(shù)學(xué)公式推導(dǎo)。由于BP神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)上的完整性使其廣泛地應(yīng)用于多種領(lǐng)域。

      盡管如此,BP神經(jīng)網(wǎng)絡(luò)算法也存在一些缺點(diǎn),主要表現(xiàn)在:

      (1)無法確定BP神經(jīng)網(wǎng)絡(luò)的泛化能力;

      (2)BP神經(jīng)網(wǎng)絡(luò)在誤差梯度平攤處收斂緩慢;

      (3)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中可能陷入局部極值點(diǎn);

      (4)學(xué)習(xí)算法的收斂速度慢。

      1.2 粗糙集理論

      在本世紀(jì)70年代,波蘭學(xué)者Z.Paw lak和一些波蘭科學(xué)院、波蘭華沙大學(xué)的邏輯學(xué)家們,一起從事關(guān)于信息系統(tǒng)邏輯特性的研究。粗糙集理論就是在這些研究的基礎(chǔ)上產(chǎn)生的。1982年Z.Paw lak發(fā)表了經(jīng)典論文Rough Set s,宣告了粗糙集理論的誕生。此后,粗糙集理論引起了許多數(shù)學(xué)家、邏輯學(xué)家和計算機(jī)研究人員的興趣,他們在粗糙集的理論和應(yīng)用方面作了大量的研究工作。目前,粗糙集已成為人工智能領(lǐng)域中一個較新的學(xué)術(shù)熱點(diǎn),在機(jī)器學(xué)習(xí)、知識獲取、決策分析、過程控制等許多領(lǐng)域得到了廣泛的應(yīng)用[4,5,6]。

      基于粗糙集的數(shù)據(jù)分析方法實(shí)際是對決策表進(jìn)行約簡的過程,這個處理過程具體如下:首先把智能數(shù)據(jù)進(jìn)行離散歸一化處理,即把連續(xù)的數(shù)據(jù)進(jìn)行離散化整理,變換成若干個屬性值,這樣的處理既滿足屬性值盡量少,又滿足離散化的信息丟失盡量少;然后將數(shù)據(jù)用知識表達(dá)屬性表的表格來實(shí)現(xiàn);刪除決策表中重復(fù)的實(shí)例,即消去重復(fù)的行,重復(fù)的行表示同樣的決策,因此被消去;刪除多余的屬性,即從知識表達(dá)屬性值表中消去某些列;刪除每個實(shí)例中多余的屬性值,求出最小約簡;由最小約簡求出邏輯規(guī)則,即最小控制決策算法。

      本文采用粗糙集方法對濟(jì)南市環(huán)境空氣質(zhì)量與污染源數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行數(shù)值離散化、字段篩選等操作,以實(shí)現(xiàn)屬性約簡,并抽取精簡規(guī)則,以簡化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),提高訓(xùn)練樣本的質(zhì)量,縮短訓(xùn)練時間。

      1.3 算法結(jié)構(gòu)

      基于BP神經(jīng)網(wǎng)絡(luò)算法的模型結(jié)構(gòu)與特點(diǎn),可使該算法應(yīng)用于空氣污染物濃度分析預(yù)測??諝馕廴颈O(jiān)測的主要污染物是空氣中二氧化硫(SO2)、可吸入顆粒物(PM10)與二氧化氮(NO2)的含量。選擇與污染物擴(kuò)散有關(guān)的主要?dú)庀髷?shù)據(jù)即風(fēng)向、風(fēng)速、氣壓、濕度、溫度作為特征參數(shù)。通過使用氣象參數(shù)對選擇特定氣象條件的污染物排放時間段對空氣品質(zhì)監(jiān)測站中采集到的各時段數(shù)據(jù)進(jìn)行粗糙集屬性約簡,然后進(jìn)行特征提取。根據(jù)這些規(guī)則構(gòu)造BP神經(jīng)網(wǎng)絡(luò)算法中隱含層神經(jīng)元的個數(shù),然后定義對應(yīng)節(jié)點(diǎn)間的權(quán)值連接,故而確定了BP神經(jīng)網(wǎng)絡(luò)算法的初始結(jié)構(gòu)。將空氣品質(zhì)監(jiān)測站采集到的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,將選定區(qū)域污染源排放的相關(guān)數(shù)據(jù)作為輸入量,空氣品質(zhì)監(jiān)測站的污染物濃度數(shù)據(jù)作為輸出量,對三種不同的污染物、不同的氣象參數(shù)形成多個訓(xùn)練樣本并進(jìn)行算法迭代訓(xùn)練,求出BP神經(jīng)網(wǎng)絡(luò)的各種相關(guān)參數(shù),建立對應(yīng)不同污染物的空氣品質(zhì)預(yù)測網(wǎng)絡(luò)模型,BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

      圖1中,第1層為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入層,輸入層的數(shù)據(jù)是監(jiān)測站實(shí)際測量到的污染物濃度,表示為輸入矢量x=(X1,X2,,,Xn)T″,在本文中為經(jīng)過數(shù)據(jù)歸一化處理后所得到的污染源的污染物實(shí)際排放出的數(shù)據(jù),用粗糙集理論的屬性約簡中的算法對輸入層的數(shù)據(jù)進(jìn)行屬性約簡,由于監(jiān)測的污染源為25種,污染物檢測站總共為8個,得到空氣品質(zhì)監(jiān)測系統(tǒng)的屬性是25個,因此空氣品質(zhì)監(jiān)測系統(tǒng)輸入層的節(jié)點(diǎn)數(shù)為25。

      圖1 BP神經(jīng)網(wǎng)絡(luò)模型

      第2層為隸屬度函數(shù)層,該層分別將輸入層中的n個輸入分量(Xl,X2,…,Xn)中的每一個輸入分量依照某種不可分辨關(guān)系離散化處理得到ri個不同的數(shù)值,這些數(shù)值在[0,1]之間,空氣品質(zhì)監(jiān)測系統(tǒng)的節(jié)點(diǎn)數(shù)為5。

      使用Gauss函數(shù)作為該層神經(jīng)元的作用函數(shù):

      其中i=1,2,…,n;j=l,2…,ri;n=25。

      第3層為推理層,推理層中的每個節(jié)點(diǎn)分別對應(yīng)一條規(guī)則。這些規(guī)則是通過上述的粗糙集約簡后所得到的,所以空氣品質(zhì)監(jiān)測系統(tǒng)中推理層的節(jié)點(diǎn)數(shù)也就是規(guī)則數(shù)是5。

      假設(shè)有k(k<n)條規(guī)則,推理層節(jié)點(diǎn)的作用函數(shù)為公式(2):

      第4層為輸出層,輸出層的節(jié)點(diǎn)表示輸出變量,在本文中為經(jīng)過離散化處理的空氣品質(zhì)監(jiān)測站的監(jiān)測數(shù)據(jù)。由于監(jiān)測的污染物為25種,污染物檢測站總共為8個,所以空氣品質(zhì)監(jiān)測系統(tǒng)輸出層的節(jié)點(diǎn)數(shù)為8,空氣品質(zhì)監(jiān)測系統(tǒng)輸出層權(quán)值的初始值wij(1<j<8)是預(yù)先設(shè)定在推理層中各規(guī)則的置信度值,所以空氣品質(zhì)監(jiān)測系統(tǒng)輸出層節(jié)點(diǎn)的值為:

      1.4 BP預(yù)測模型的訓(xùn)練

      根據(jù)上述空氣品質(zhì)預(yù)測模型,BP神經(jīng)網(wǎng)絡(luò)的輸入層有25個節(jié)點(diǎn),第二層隸屬度函數(shù)層有5個節(jié)點(diǎn)、第三層推理層有5個節(jié)點(diǎn)數(shù)、第四層輸出層有8個節(jié)點(diǎn)。此外空氣品質(zhì)監(jiān)測系統(tǒng)中第三層推理層與其第四層輸出層之間的連接權(quán)值用選取的各規(guī)則的置信度作為初選值,經(jīng)計算可知其初選值為{0.82,0.94,0.92,0.89,0.87},BP神經(jīng)網(wǎng)絡(luò)其他層的參數(shù)?。?,1]之間的隨機(jī)數(shù)作為空氣品質(zhì)監(jiān)測系統(tǒng)的初選值??諝馄焚|(zhì)監(jiān)測系統(tǒng)中誤差初始值將直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間以及輸出的精確性,因此本文選取誤差范圍取i=0.000 001,學(xué)習(xí)速率為0.5。

      根據(jù)不同的氣象環(huán)境參數(shù)與針對監(jiān)測不同污染物濃度而構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型,在空氣品質(zhì)監(jiān)測數(shù)據(jù)庫中選擇針對不同氣象參數(shù)的空氣污染物排放源的污染物排放量和空氣品質(zhì)監(jiān)測站的污染物濃度監(jiān)測值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。選擇好訓(xùn)練樣本后,將每一條樣本數(shù)據(jù)輸入空氣品質(zhì)監(jiān)測模型進(jìn)行計算。如果模型的輸出值與設(shè)定值之間的誤差小于誤差參數(shù)E,則停止本條樣本數(shù)據(jù)的計算,并將下一條樣本數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練;如果輸出值與設(shè)定值的偏差大于E,就需要調(diào)整模型的中間參數(shù)權(quán)值,并對該條樣本數(shù)據(jù)重新進(jìn)行計算,直到輸出值與設(shè)定值的偏差小于E為止。通過上述方法訓(xùn)練后,空氣品質(zhì)監(jiān)測模型的各項(xiàng)權(quán)值參數(shù)全部調(diào)整完成。

      根據(jù)需要預(yù)報污染物濃度所在地區(qū)的氣象參數(shù),選擇相同時間段,相同氣象參數(shù)的空氣品質(zhì)監(jiān)測站的監(jiān)測數(shù)據(jù)作為監(jiān)測模型的輸入數(shù)據(jù),并對該數(shù)據(jù)進(jìn)行歸一化處理。輸入具有相同氣象參數(shù)的已經(jīng)調(diào)整好各項(xiàng)參數(shù)的空氣品質(zhì)預(yù)測模型進(jìn)行計算。將計算后的輸出數(shù)據(jù)經(jīng)過歸一化算法反推出的數(shù)據(jù)就是這種污染物在該氣象參數(shù)條件下的污染物濃度預(yù)測值。

      2 數(shù)據(jù)分析

      2.1 樣本數(shù)據(jù)

      取2013年5月18日,下午15時的數(shù)據(jù),下午15時的氣象參數(shù)是:風(fēng)向西南風(fēng),風(fēng)速為1.2 m/s,溫度是15℃,相對濕度是25%(用氣象局中的數(shù)據(jù)),氣壓是820百帕。則25個監(jiān)測污染物排放源的NO排放濃度(單位:kg/h)如表1所示。

      表1 2013年5月18日15時NO排放量(單位:kg/h)

      對輸入的數(shù)據(jù)進(jìn)行參數(shù)歸一化算法處理,為便于模型處理,將各污染物的排放源的數(shù)據(jù)除10 000,使得它們歸入O和1之間,得到如表2所示的數(shù)據(jù)。

      表2 歸一化的污染源NO排放數(shù)據(jù)

      8個空氣品質(zhì)監(jiān)測站的NO監(jiān)測濃度(單位:mg/tns),如表3所示。

      表3 2013年5月18日下午15時的空氣品質(zhì)監(jiān)測值(單位:mg/tns)

      2.2 網(wǎng)絡(luò)初始化

      中間隱層數(shù)為2,隸屬度函數(shù)層和推理層的單元數(shù)均為5。初始化網(wǎng)絡(luò)權(quán)值,輸入層與隸屬度函數(shù)層之間的連接權(quán)值為W12。

      第二層隸屬度函數(shù)層與第三層推理層之間的連接權(quán)值為W23

      第三層推理層與空氣品質(zhì)監(jiān)測系統(tǒng)第四層輸出層的連接權(quán)值W34為空氣品質(zhì)監(jiān)測系統(tǒng)中BP算法各規(guī)則的置信度,即為

      對系統(tǒng)的第2、3、4層的節(jié)點(diǎn)閾值進(jìn)行初始化,閾值如表4所示。

      表4 BP算法第2、3、4層節(jié)點(diǎn)閾值θ

      2.2 污染物濃度預(yù)測

      選擇2013年6月26日下午15時污染物排放源數(shù)據(jù)進(jìn)行污染物濃度預(yù)測,當(dāng)時的氣象條件是:風(fēng)向是西南風(fēng),風(fēng)速是1.3 m/s,溫度是19℃,濕度是25%,氣壓是825 Pa和用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練所使用的2013年5月18日,下午15時的氣象條件基本相似。污染物NO排放數(shù)據(jù)如表5所示。

      表5 2013年6月26日15時污染源NO排放數(shù)據(jù)(單位:kg/h)

      2.3 兩種預(yù)測模型的預(yù)測結(jié)果比較

      用基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)污染物濃度預(yù)測模型與一般神經(jīng)網(wǎng)絡(luò)的空氣品質(zhì)預(yù)測模型分別進(jìn)行污染物濃度預(yù)側(cè),得到的結(jié)果如表6所示。

      表6 兩種空氣品質(zhì)預(yù)測模型比較結(jié)果

      從表6中可以看出基于粗糙集的空氣品質(zhì)預(yù)測模型比一般的BP神經(jīng)網(wǎng)絡(luò)的空氣品質(zhì)預(yù)測模型在污染物濃度預(yù)測準(zhǔn)確性方面具有一定的優(yōu)勢。因?yàn)榛诖植诩目諝馄焚|(zhì)預(yù)測模型的中間隱層數(shù)為2,隱層節(jié)點(diǎn)的數(shù)目由粗糙集抽取出的滿足最小置信度條件的規(guī)則的條數(shù)決定;但是普通的BP神經(jīng)網(wǎng)絡(luò)空氣品質(zhì)預(yù)測模型的中間隱層數(shù)為1,此外BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)由人為指定的,主要依靠經(jīng)驗(yàn)值并沒有沒有科學(xué)依據(jù)。

      圖2 基于粗糙集的BP算法誤差變化曲線

      圖3 基于BP算法誤差變化曲線

      對圖2與圖3進(jìn)行比較明顯可以看出,實(shí)現(xiàn)同樣訓(xùn)練目標(biāo)誤差精度時,BP算法需要861步訓(xùn)練后網(wǎng)絡(luò)性能達(dá)到要求,基于粗糙集的BP算法僅需要132步訓(xùn)練后網(wǎng)絡(luò)性能達(dá)到要求。由此可見,采用粗糙集BP算法訓(xùn)練網(wǎng)絡(luò)提高了網(wǎng)絡(luò)收斂的速度,具有較好的自適應(yīng)性。

      4 結(jié)論

      綜上所述,利用基于人工神經(jīng)網(wǎng)絡(luò)的模式識別方法來進(jìn)行環(huán)境空氣品質(zhì)預(yù)測模型的研究并將空氣品質(zhì)監(jiān)測站獲得的海量空氣污染物濃度數(shù)據(jù)的可視化分析以及研究區(qū)域空氣品質(zhì)與區(qū)域空氣品質(zhì)監(jiān)測數(shù)據(jù)的相關(guān)性對于定量分析特定區(qū)域范圍內(nèi)的環(huán)境空氣品質(zhì)狀況、污染物的擴(kuò)散情況有著重要的作用。這不僅在論證人們的生產(chǎn)活動和生活活動對地球環(huán)境空氣品質(zhì)產(chǎn)生何種影響這個哲學(xué)問題上有著重要理論意義,而且對區(qū)域的環(huán)保管控、污染物控制、城市規(guī)劃、環(huán)保規(guī)劃、交通建設(shè)此外公共衛(wèi)生都具有十分重要的實(shí)際價值。

      [1]唐易達(dá),肖德玲,王會燃.室內(nèi)空氣品質(zhì)的遠(yuǎn)程監(jiān)測與評價[J].儀器儀表與分析監(jiān)測,2005,20(1):12-13.

      [2]劉建龍,張國強(qiáng),郝俊紅,等.便攜式CO2紅外分析器檢測室內(nèi)環(huán)境時的使用方法[J].分析儀器,2004,17(2):56.

      [3]武尚,程紅福,明曉樂.基于優(yōu)勢關(guān)系的粗糙集擴(kuò)展研究[J].計算機(jī)與數(shù)字工程,2014,8(6):943-947.

      [4]孫文兵,曾祥燕,楊立君.BP網(wǎng)絡(luò)和多元回歸在葡萄酒質(zhì)量模型中的應(yīng)用[J].計算機(jī)工程與應(yīng)用,2014,3(15):267-270.

      [5]劉麗丹,溫靜雅,劉建華.校園空氣質(zhì)量監(jiān)測與綜合評價[J].東北電力大學(xué)學(xué)報,2013,33(4):43-47.

      [6]鄧冠男.聚類分析中的相似度研究[J].東北電力大學(xué)學(xué)報,2013,33(1):156-161.

      猜你喜歡
      粗糙集污染物空氣
      [呼吸的空氣]Die Luft zum Atmen讓我們把它推遲到明日
      中國銀幕(2022年4期)2022-04-07 21:56:28
      菌株出馬讓畜禽污染物變廢為寶
      環(huán)境科學(xué)研究(2021年6期)2021-06-23 02:39:54
      基于Pawlak粗糙集模型的集合運(yùn)算關(guān)系
      《新污染物治理》??鞲鍐⑹?/a>
      你能找出污染物嗎?
      我要買空氣
      那些你意想不到的神回復(fù)
      多?;植诩再|(zhì)的幾個充分條件
      雙論域粗糙集在故障診斷中的應(yīng)用
      大田县| 铜鼓县| 浮梁县| 达日县| 集安市| 大连市| 繁昌县| 信阳市| 百色市| 大港区| 盐山县| 普陀区| 林口县| 黑龙江省| 文成县| 屏南县| 荆州市| 江北区| 西乡县| 博湖县| 松溪县| 横峰县| 阿鲁科尔沁旗| 辉县市| 罗城| 白朗县| 九龙城区| 布拖县| 泸溪县| 茂名市| 蒙阴县| 阳朔县| 海丰县| 菏泽市| 蒙城县| 保亭| 建始县| 鸡西市| 攀枝花市| 平阳县| 绩溪县|