本發(fā)明涉及pm2.5的智能預(yù)測(cè)方法，是先進(jìn)制造
技術(shù)領(lǐng)域：
的重要分支，既屬于環(huán)境工程領(lǐng)域，又屬于檢測(cè)
技術(shù)領(lǐng)域：
。智能預(yù)測(cè)方法是通過(guò)提取復(fù)雜系統(tǒng)的特征，建立系統(tǒng)的軟測(cè)量模型，對(duì)系統(tǒng)的未來(lái)趨勢(shì)進(jìn)行預(yù)測(cè)。pm2.5的預(yù)測(cè)對(duì)空氣污染防治具有重要意義。將智能預(yù)測(cè)方法應(yīng)用于pm2.5的預(yù)測(cè)中，可以及時(shí)獲取pm2.5的濃度信息，有利于加強(qiáng)大氣環(huán)境污染控制，同時(shí)可節(jié)約空氣污染監(jiān)測(cè)成本。因此，pm2.5智能預(yù)測(cè)方法的應(yīng)用具有深遠(yuǎn)的現(xiàn)實(shí)意義。
背景技術(shù)：
：當(dāng)前我國(guó)大氣污染形勢(shì)嚴(yán)峻，工業(yè)廢氣、機(jī)動(dòng)車尾氣、生物質(zhì)和煤的燃燒產(chǎn)生的空氣污染物加速了空氣質(zhì)量的惡化，導(dǎo)致以pm2.5等為特征污染物的區(qū)域性大氣環(huán)境問(wèn)題日益突出，危害公眾身體健康，影響氣候，影響社會(huì)和經(jīng)濟(jì)的可持續(xù)發(fā)展，不利于《基本思路》階段性目標(biāo)的達(dá)成。因此通過(guò)對(duì)pm2.5的預(yù)測(cè)，防止嚴(yán)重污染的發(fā)生已受到社會(huì)的廣泛關(guān)注。然而，pm2.5的濃度同時(shí)受排放源、污染物、氣象條件和研究區(qū)域的地形特征的影響，且大氣環(huán)境系統(tǒng)具有多變量、非線性、內(nèi)部機(jī)理復(fù)雜、信息不完備等特性，使pm2.5的預(yù)測(cè)難度較大。研究有效的pm2.5預(yù)測(cè)方法對(duì)pm2.5進(jìn)行準(zhǔn)確的預(yù)測(cè)成為了亟待解決的問(wèn)題。由此可見(jiàn)，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。常用的pm2.5預(yù)測(cè)方法包括基于過(guò)程的化學(xué)建模方法和基于數(shù)據(jù)的統(tǒng)計(jì)方法?；瘜W(xué)建模方法模擬了污染物的產(chǎn)生、輸送、轉(zhuǎn)化和沉降過(guò)程，但是建模所需要的模型分辨率、氣象邊界條件、排放源清單等參數(shù)難以確定，計(jì)算復(fù)雜。統(tǒng)計(jì)方法分為基于線性回歸的線性建模方法和基于人工神經(jīng)網(wǎng)絡(luò)的非線性建模方法。線性回歸模型不適合對(duì)本身非線性的大氣環(huán)境系統(tǒng)進(jìn)行建模；人工神經(jīng)網(wǎng)絡(luò)可解釋性差；相較于神經(jīng)網(wǎng)絡(luò)，結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)表達(dá)能力更強(qiáng)，但是存在結(jié)構(gòu)確定的問(wèn)題。因此，研究新的pm2.5預(yù)測(cè)方法已成為空氣污染防治領(lǐng)域研究的重要課題，并且具有重要意義。針對(duì)以上pm2.5預(yù)測(cè)中存在的問(wèn)題，本發(fā)明提出基于二階自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法。該二階自組織模糊神經(jīng)網(wǎng)絡(luò)利用頻域上的模型輸出敏感度分析方法確定模糊神經(jīng)網(wǎng)絡(luò)規(guī)則化層神經(jīng)元輸出對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)率，根據(jù)貢獻(xiàn)率大小增刪規(guī)則化層神經(jīng)元，以此來(lái)自動(dòng)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，有效解決了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)問(wèn)題，有助于分析產(chǎn)生pm2.5的動(dòng)態(tài)過(guò)程。同時(shí)，利用收斂迅速，搜索能力強(qiáng)的自適應(yīng)二階梯度下降算法訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，避免了一階梯度下降算法搜索能力有限，遺傳算法搜索時(shí)間長(zhǎng)的缺陷，增強(qiáng)了模糊神經(jīng)網(wǎng)絡(luò)對(duì)24小時(shí)之后的pm2.5濃度的預(yù)測(cè)性能。為了去除冗余變量并降低模型的計(jì)算復(fù)雜性，本發(fā)明利用主成分分析方法提取與pm2.5關(guān)聯(lián)性最大的特征變量，可以得出，提取的特征變量和研究站點(diǎn)pm2.5濃度的特點(diǎn)相吻合，然后利用二階自組織模糊神經(jīng)網(wǎng)絡(luò)建立pm2.5軟測(cè)量模型，實(shí)現(xiàn)對(duì)pm2.5的準(zhǔn)確預(yù)測(cè)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明獲得了基于二階自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法：該方法首先利用主成分分析方法在多組可測(cè)變量中提取和pm2.5關(guān)聯(lián)性最大的特征變量，然后利用二階自組織模糊神經(jīng)網(wǎng)絡(luò)建立特征變量和pm2.5之間的軟測(cè)量模型，對(duì)24小時(shí)后的pm2.5濃度進(jìn)行預(yù)測(cè)，解決了pm2.5難以預(yù)測(cè)的問(wèn)題?；诙A自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法的設(shè)計(jì)包括以下步驟：(1)特征分析確定pm2.5的特征變量。選取上甸子區(qū)域大氣本底監(jiān)測(cè)站(東經(jīng)117°07′，北緯40°39′，海拔287米)作為研究站點(diǎn)。該站點(diǎn)位于北京市區(qū)東北方向100千米處，其方圓30千米內(nèi)沒(méi)有密集的人口分布和工業(yè)區(qū)，該站點(diǎn)的pm2.5濃度嚴(yán)重受氣象變量的影響并且和氣溶膠光學(xué)厚度緊密相關(guān)。以2010年1月14日至1月23日上甸子監(jiān)測(cè)站的小時(shí)觀測(cè)數(shù)據(jù)為本發(fā)明的實(shí)驗(yàn)數(shù)據(jù)，在此期間，上甸子監(jiān)測(cè)站于2010年1月16日至1月19日出現(xiàn)了陰霾天氣。將與pm2.5相關(guān)的氣象變量和空氣污染物及氣溶膠光學(xué)厚度的小時(shí)數(shù)據(jù)(既包括地面觀測(cè)數(shù)據(jù)又包括衛(wèi)星觀測(cè)數(shù)據(jù))與24小時(shí)之后的pm2.5濃度數(shù)據(jù)一一對(duì)應(yīng)，剔除缺失氣溶膠光學(xué)厚度數(shù)據(jù)和沒(méi)有對(duì)應(yīng)的pm2.5觀測(cè)值的時(shí)間段的數(shù)據(jù)，最終整理出l組數(shù)據(jù)，其中，l取值在150至250之間，過(guò)小數(shù)據(jù)量不夠，包含信息不完備，過(guò)大計(jì)算過(guò)于復(fù)雜。將用于主成分分析的觀測(cè)數(shù)據(jù)陣記為x＝[x1,x2,…,x11]，其中x1,x2,…,x11分別表示溫度、相對(duì)濕度、風(fēng)速、風(fēng)向、氣壓、能見(jiàn)度、氣溶膠光學(xué)厚度、co、no2、o3和so2濃度的數(shù)據(jù)數(shù)組。預(yù)測(cè)變量pm2.5濃度的數(shù)據(jù)數(shù)組記為y。溫度的單位是℃，風(fēng)速的單位是m/s，風(fēng)向的單位是°，氣壓的單位是hpa，能見(jiàn)度的單位是km，co的單位是ppm，no2、o3和so2的單位是ppb，pm2.5的單位是μg/m3，相對(duì)濕度用百分?jǐn)?shù)表示，氣溶膠光學(xué)厚度沒(méi)有單位。主成分分析方法通過(guò)以下步驟提取與pm2.5關(guān)聯(lián)性最大的特征變量：①對(duì)變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：其中，z是標(biāo)準(zhǔn)化后的觀測(cè)數(shù)據(jù)陣，xij和zij分別是標(biāo)準(zhǔn)化前后第j個(gè)變量的第i個(gè)觀測(cè)值，和δj分別是標(biāo)準(zhǔn)化前第j個(gè)變量的均值和標(biāo)準(zhǔn)差，且②計(jì)算z相關(guān)系數(shù)矩陣r：③解特征方程|λi-r|＝0，求出r的特征值，并按由大到小順序排列，記為λ1,λ2,…,λ11，對(duì)應(yīng)的特征向量記為γ1，γ2,…,γ11，將施密特正交化方法作用于γ1,γ2,…,γ11得到單位正交特征向量γ'1,γ'2,…,γ'11。④計(jì)算特征值λ1,λ2,…,λ11的累積貢獻(xiàn)率θ1,θ2,…,θ11：其中，λα和λβ分別是按照降序排列后相關(guān)系數(shù)矩陣r的第α個(gè)特征值和第β個(gè)特征值。根據(jù)給定的提取效率θ，如果θn≥θ(n＜11)，則提取n個(gè)主成分γ'1,γ'2,…,γ'n，其中，θ取值在85％-95％之間，過(guò)小提取信息不完備，過(guò)大降維效果不明顯。⑤利用式(4)計(jì)算z在提取出的單位正交特征向量上的投影得到特征變量的數(shù)據(jù)。y＝zγ'(4)其中，γ'＝[γ'1,γ'2,…,γ'n]。將選取的特征變量記為r＝[r1,r2,…,rn]，是二階自組織模糊神經(jīng)網(wǎng)絡(luò)的輸入，pm2.5濃度作為預(yù)測(cè)變量，其觀測(cè)值是二階自組織模糊神經(jīng)網(wǎng)絡(luò)的期望輸出，記為o。將標(biāo)準(zhǔn)化后的特征變量和預(yù)測(cè)變量的觀測(cè)數(shù)據(jù)隨機(jī)排序，選取排序后的前i組數(shù)據(jù)作為訓(xùn)練樣本，后i′組數(shù)據(jù)作為測(cè)試樣本，這樣訓(xùn)練樣本和測(cè)試樣本均既包含陰霾天氣的觀測(cè)數(shù)據(jù)又包含非陰霾天氣的觀測(cè)數(shù)據(jù)，其中，i′＝l-i，i′<＝i。(2)設(shè)計(jì)用于pm2.5預(yù)測(cè)的二階自組織模糊神經(jīng)網(wǎng)絡(luò)的初始拓?fù)浣Y(jié)構(gòu)。用于pm2.5預(yù)測(cè)的二階自組織模糊神經(jīng)網(wǎng)絡(luò)共四層：輸入層、rbf層、規(guī)則化層和輸出層。輸入是提取的特征變量，輸出是pm2.5濃度的預(yù)測(cè)值，記為p。確定二階自組織模糊神經(jīng)網(wǎng)絡(luò)n-m-m-1的初始連接方式，即輸入層神經(jīng)元數(shù)和特征變量的個(gè)數(shù)同是n，rbf層神經(jīng)元數(shù)是m，規(guī)則化層神經(jīng)元數(shù)是m，其中m是正整數(shù)，在[1,10]之間取值，且避免m值過(guò)大使二階自組織模糊神經(jīng)網(wǎng)絡(luò)的計(jì)算負(fù)荷過(guò)大，輸出層神經(jīng)元數(shù)是1。二階自組織模糊神經(jīng)網(wǎng)絡(luò)的中心、寬度和權(quán)值的初始值設(shè)定在(0,1)之間，隨機(jī)設(shè)定即可，只影響網(wǎng)絡(luò)的收斂速度，不影響網(wǎng)絡(luò)的預(yù)測(cè)效果。第k組訓(xùn)練樣本的特征變量的數(shù)據(jù)表示為r(k)＝[r1(k),r2(k),…,rn(k)](k＝1,2,…,i)，用第k組訓(xùn)練樣本訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)時(shí)，其各層輸出依次為：①輸入層：該層有n個(gè)神經(jīng)元：ud(k)＝rd(k),d＝1,2,…,n(5)其中，ud(k)是輸入層第d個(gè)神經(jīng)元的輸出，該層的輸入向量為r(k)＝[r1(k),r2(k),…,rn(k)]。②rbf層：該層選取rbf神經(jīng)元的高斯函數(shù)作為隸屬函數(shù)對(duì)輸入變量進(jìn)行模糊化處理。rbf層有m個(gè)神經(jīng)元，該層第q個(gè)神經(jīng)元的輸出為：其中，cdq和σdq分別是二階自組織模糊神經(jīng)網(wǎng)絡(luò)的中心和寬度。③規(guī)則化層：該層神經(jīng)元數(shù)目與rbf層相同，該層第l個(gè)神經(jīng)元的輸出vl(k)為：其中，是rbf層第l個(gè)神經(jīng)元的輸出。④輸出層：該層有1個(gè)神經(jīng)元，該層的輸出表示pm2.5濃度的預(yù)測(cè)值，如下式所示：其中，wl是規(guī)則化層第l個(gè)神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)值。二階自組織模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練均方根誤差(rmse)為：其中，p(k)和o(k)分別是用第k組訓(xùn)練樣本訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)時(shí)的網(wǎng)絡(luò)輸出和期望輸出，訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)的目的是使式(9)定義的訓(xùn)練rmse達(dá)到期望值。(3)利用訓(xùn)練樣本訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練過(guò)程中，利用頻域上的模型輸出敏感度分析方法確定模糊神經(jīng)網(wǎng)絡(luò)規(guī)則化層神經(jīng)元輸出對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)率，根據(jù)貢獻(xiàn)率大小增刪規(guī)則化層神經(jīng)元，以此來(lái)自動(dòng)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，解析產(chǎn)生pm2.5的動(dòng)態(tài)過(guò)程。同時(shí)，為了對(duì)24小時(shí)之后的pm2.5濃度進(jìn)行準(zhǔn)確預(yù)測(cè)，利用自適應(yīng)二階梯度下降算法訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的中心、寬度和權(quán)值。具體為：①利用自適應(yīng)二階梯度下降算法訓(xùn)練給定初始模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)：φ(t+1)＝φ(t)+(q(t)+μ(t)i)-1g(t)(10)其中，t是當(dāng)前訓(xùn)練步數(shù)，φ(t+1)和φ(t)分別是訓(xùn)練到第t+1步和第t步時(shí)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，且φ(t)＝[c11(t)…cnm(t),σ11(t)…σnm(t),w1(t)…wm(t)]。μ(t)是學(xué)習(xí)率，為了避免μ(t)的值固定，令μ(t)＝||g(t)||，使其在訓(xùn)練過(guò)程中自適應(yīng)變化。i是單位矩陣。擬海森矩陣q(t)和梯度向量g(t)分別表示為：其中，pk(t)、ηk(t)、jk(t)和ek(t)分別是訓(xùn)練到第t步時(shí)對(duì)應(yīng)于第k組訓(xùn)練樣本的子海森矩陣、子梯度向量、雅克比矩陣的行向量和誤差。jk(t)和ek(t)分別表示為：ek(t)＝ok(t)-pk(t)(14)其中，ok(t)和pk(t)分別是訓(xùn)練到第t步時(shí)第k組訓(xùn)練樣本對(duì)應(yīng)的觀測(cè)值和預(yù)測(cè)值。利用式(10)對(duì)i組訓(xùn)練樣本進(jìn)行反復(fù)訓(xùn)練。②利用自適應(yīng)二階梯度下降算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練了ξ步后，利用式(15)在頻域中計(jì)算規(guī)則化層第h個(gè)神經(jīng)元的輸出vh對(duì)網(wǎng)絡(luò)輸出p的貢獻(xiàn)率sth(h＝1,2,…,m)，其中，ξ在5-15之間取值，過(guò)小對(duì)模糊神經(jīng)網(wǎng)絡(luò)規(guī)則化層神經(jīng)元輸出信息采集不夠，過(guò)大會(huì)降低結(jié)構(gòu)調(diào)整效率。其中，sh是vh對(duì)p的總敏感度，sn是規(guī)則化層第n個(gè)神經(jīng)元的輸出vn對(duì)p的總敏感度，aω和bω及和分別是p的傅里葉展開(kāi)式f(s)在頻率ω和ωh處的傅里葉系數(shù)，且ωh是vh的基頻，max(ω～h)是除vh之外的所有規(guī)則化層神經(jīng)元輸出的基頻的最大值，取ωh＝2hmax(ω～h)，h是干擾因子，文中取值是4，過(guò)小傅里葉振幅提取不全，過(guò)大會(huì)增加算法復(fù)雜性，f(s)和vh分別用式(17)和式(18)表示：其中，ah和bh分別是vh的最小值和最大值。③如果sth>＝ε1，則分裂規(guī)則化層第h個(gè)神經(jīng)元，其中，ε1＝0.3，ε1過(guò)大導(dǎo)致規(guī)則化層神經(jīng)元輸出貢獻(xiàn)率分配不均，網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于精簡(jiǎn)，過(guò)小導(dǎo)致規(guī)則化層神經(jīng)元冗余。為了降低網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整對(duì)網(wǎng)絡(luò)誤差的影響，采用下式設(shè)定分裂得到的新的神經(jīng)元的初始參數(shù)：其中，new1和new2是兩個(gè)新的神經(jīng)元，c.new1、σ.new1和wnew1分別是神經(jīng)元new1的中心向量、寬度向量和權(quán)值。c.new2、σ.new2和wnew2分別是神經(jīng)元new2的中心向量、寬度向量和權(quán)值。c.h(t)、σ.h(t)和wh(t)分別是訓(xùn)練到第t步網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整前神經(jīng)元h的中心向量、寬度向量和權(quán)值，τ服從標(biāo)準(zhǔn)正態(tài)分布。如果sth<ε2，刪除該神經(jīng)元，同時(shí)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，如下式所示，其中，ε2＝0.05，ε2過(guò)大導(dǎo)致規(guī)則化層神經(jīng)元?jiǎng)h減過(guò)多，過(guò)小導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜。其中，神經(jīng)元nea是與神經(jīng)元h歐氏距離最小的規(guī)則化層神經(jīng)元，且stnea>＝ε2，c.nea、σ.nea和wnea分別是網(wǎng)絡(luò)修剪后神經(jīng)元nea的中心向量、寬度向量和權(quán)值，c.nea(t)、σ.nea(t)和wnea(t)分別是訓(xùn)練到第t步網(wǎng)絡(luò)修剪前神經(jīng)元nea的中心向量、寬度向量和權(quán)值，wh(t)是訓(xùn)練到第t步網(wǎng)絡(luò)修剪前神經(jīng)元h的權(quán)值，vh(t)和vnea(t)分別是訓(xùn)練到第t步網(wǎng)絡(luò)修剪前神經(jīng)元h和神經(jīng)元nea的輸出。如果ε2＝<sth<ε1,則網(wǎng)絡(luò)結(jié)構(gòu)不變，網(wǎng)絡(luò)參數(shù)不作調(diào)整。④將算法轉(zhuǎn)向步驟①繼續(xù)利用自適應(yīng)二階梯度下降算法訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)。當(dāng)在某步訓(xùn)練過(guò)程中訓(xùn)練rmse<＝0.01或算法迭代超過(guò)了100步時(shí)停止計(jì)算。(4)對(duì)測(cè)試樣本進(jìn)行檢測(cè)。利用測(cè)試樣本對(duì)訓(xùn)練好的二階自組織模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，二階自組織模糊神經(jīng)網(wǎng)絡(luò)的輸出即為pm2.5的預(yù)測(cè)結(jié)果。本發(fā)明的創(chuàng)造性主要體現(xiàn)在：(1)本發(fā)明針對(duì)pm2.5濃度難以預(yù)測(cè)，傳統(tǒng)的化學(xué)建模方法建模困難等問(wèn)題，提出了基于二階自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法。該二階自組織模糊神經(jīng)網(wǎng)絡(luò)可以根據(jù)敏感度分析方法自動(dòng)調(diào)整結(jié)構(gòu)，有助于分析pm2.5產(chǎn)生的動(dòng)態(tài)過(guò)程，同時(shí)，利用自適應(yīng)二階梯度下降度算法調(diào)整模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，增強(qiáng)了對(duì)24小時(shí)之后的pm2.5濃度的預(yù)測(cè)性能，解決了pm2.5濃度預(yù)測(cè)難度較大的問(wèn)題。(2)本發(fā)明以上甸子為研究站點(diǎn)，選取的數(shù)據(jù)既包括地面觀測(cè)數(shù)據(jù)又包括衛(wèi)星觀測(cè)數(shù)據(jù)，為了去除冗余變量，基于主成分分析方法提取與pm2.5關(guān)聯(lián)性最大的特征變量，最終提取的特征變量與上甸子pm2.5濃度和氣象變量及氣溶膠光學(xué)厚度密切相關(guān)的特性相吻合。特別要注意：本發(fā)明確定了pm2.5預(yù)測(cè)方法的輸入變量，只要采用本發(fā)明的相關(guān)變量及本發(fā)明的原理進(jìn)行pm2.5預(yù)測(cè)都應(yīng)該屬于本發(fā)明的范圍。附圖說(shuō)明圖1是本發(fā)明的pm2.5智能預(yù)測(cè)方法流程圖。圖2是本發(fā)明的上甸子觀測(cè)站的衛(wèi)星地圖。圖3是本發(fā)明的pm2.5軟測(cè)量模型針對(duì)標(biāo)準(zhǔn)化數(shù)據(jù)的訓(xùn)練rmse變化圖。圖4是本發(fā)明的pm2.5軟測(cè)量模型在訓(xùn)練過(guò)程中的結(jié)構(gòu)變化圖。圖5是本發(fā)明的pm2.5軟測(cè)量模型訓(xùn)練散點(diǎn)圖。圖6是本發(fā)明的pm2.5軟測(cè)量模型訓(xùn)練誤差圖。圖7是本發(fā)明的pm2.5軟測(cè)量模型測(cè)試散點(diǎn)圖。圖8是本發(fā)明的pm2.5軟測(cè)量模型測(cè)試誤差圖。具體實(shí)施方式本發(fā)明獲得了基于二階自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法。該方法以pm2.5為輸出，以通過(guò)主成分分析方法提取的特征變量為輸入，利用二階自組織模糊神經(jīng)網(wǎng)絡(luò)建立pm2.5軟測(cè)量模型，對(duì)24小時(shí)之后的pm2.5濃度進(jìn)行預(yù)測(cè)。該智能預(yù)測(cè)方法的流程圖如圖1所示。選取上甸子區(qū)域大氣本底監(jiān)測(cè)站為研究站點(diǎn)，其衛(wèi)星地圖如圖2所示。以該站點(diǎn)2010年1月14日至1月23日的小時(shí)觀測(cè)數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)。剔除缺失氣溶膠光學(xué)厚度數(shù)據(jù)及缺少對(duì)應(yīng)的pm2.5觀測(cè)值的時(shí)間段的數(shù)據(jù)，將氣象變量和空氣污染物及氣溶膠光學(xué)厚度小時(shí)數(shù)據(jù)與24小時(shí)之后的pm2.5濃度數(shù)據(jù)一一對(duì)應(yīng)，共整理出182組數(shù)據(jù)，l＝182。用于特征分析的觀測(cè)數(shù)據(jù)陣被記為x＝[x1,x2,…,x11]，其中x1,x2,…,x11分別表示溫度、相對(duì)濕度、風(fēng)速、風(fēng)向、氣壓、能見(jiàn)度、氣溶膠光學(xué)厚度、co、no2、o3和so2濃度的數(shù)據(jù)數(shù)組。預(yù)測(cè)變量pm2.5濃度的數(shù)據(jù)數(shù)組記為y。基于二階自組織模糊神經(jīng)網(wǎng)絡(luò)的pm2.5智能預(yù)測(cè)方法的設(shè)計(jì)包括以下步驟：(1)特征分析確定pm2.5的特征變量。利用式(1)-式(4)對(duì)觀測(cè)數(shù)據(jù)陣x進(jìn)行主成分分析，設(shè)定提取效率θ的值為90％。各個(gè)主成分(pc)的貢獻(xiàn)率和累積貢獻(xiàn)率如表1所示：表1.主成分貢獻(xiàn)率和累積貢獻(xiàn)率從表1可以得出，前5個(gè)主成分的累積貢獻(xiàn)率超過(guò)了90％，故提取5個(gè)主成分，n的值是5。5個(gè)被提取的主成分對(duì)應(yīng)的溫度、相對(duì)濕度、風(fēng)速、風(fēng)向、氣壓、能見(jiàn)度、氣溶膠光學(xué)厚度、co、no2、o3和so2濃度的系數(shù)如式(21)所示：選取式(21)表示的主成分中絕對(duì)值最大的系數(shù)所對(duì)應(yīng)的變量即得與pm2.5關(guān)聯(lián)性最大的特征變量：相對(duì)濕度、氣壓、氣溶膠光學(xué)厚度、風(fēng)速和風(fēng)向?？梢钥闯?，提取的特征變量和上甸子pm2.5濃度與氣象變量及氣溶膠光學(xué)厚度密切相關(guān)的特性相吻合。將提取的特征變量記為r＝[r1,r2,…,r5]，pm2.5濃度作為預(yù)測(cè)變量，其觀測(cè)值是二階自組織模糊神經(jīng)網(wǎng)絡(luò)的期望輸出，記為o。將標(biāo)準(zhǔn)化后的特征變量和預(yù)測(cè)變量的觀測(cè)數(shù)據(jù)隨機(jī)排序，選取排序后的前130組數(shù)據(jù)作為訓(xùn)練樣本，后52組數(shù)據(jù)作為測(cè)試樣本(i＝130，i′＝52)。(2)初始化用于pm2.5預(yù)測(cè)的二階自組織模糊神經(jīng)網(wǎng)絡(luò)。本發(fā)明用于pm2.5預(yù)測(cè)的二階自組織模糊神經(jīng)網(wǎng)絡(luò)共四層：輸入層、rbf層、規(guī)則化層和輸出層。根據(jù)特征變量的提取結(jié)果，以相對(duì)濕度、氣壓、氣溶膠光學(xué)厚度、風(fēng)速和風(fēng)向作為輸入，pm2.5濃度作為輸出，確定二階自組織模糊神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)是5，輸出層神經(jīng)元數(shù)是1，rbf層和規(guī)則化層初始神經(jīng)元數(shù)m設(shè)定為3，即二階自組織模糊神經(jīng)網(wǎng)絡(luò)的初始連接方式是5-3-3-1。二階自組織模糊神經(jīng)網(wǎng)絡(luò)的中心、寬度和權(quán)值賦初值為(0,1)上的偽隨機(jī)數(shù)。用第k(k＝1,2,…,130)組訓(xùn)練樣本訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)時(shí)，其各層的輸出按照式(5)-式(8)計(jì)算，(3)利用訓(xùn)練樣本訓(xùn)練二階自組織模糊神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練過(guò)程中，利用頻域上的模型輸出敏感度分析方法確定模糊神經(jīng)網(wǎng)絡(luò)規(guī)則化層神經(jīng)元輸出對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)率，分裂貢獻(xiàn)率大的規(guī)則化層神經(jīng)元，刪除貢獻(xiàn)率小的規(guī)則化層神經(jīng)元，以此來(lái)自動(dòng)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并利用自適應(yīng)二階梯度下降算法訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的中心、寬度和權(quán)值。具體為：①利用訓(xùn)練樣本和自適應(yīng)二階梯度下降算法訓(xùn)練給定初始模糊神經(jīng)網(wǎng)絡(luò)，按照式(10)對(duì)模糊神經(jīng)網(wǎng)絡(luò)的中心、寬度和權(quán)值進(jìn)行反復(fù)更新。②利用自適應(yīng)二階梯度下降算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)反復(fù)訓(xùn)練10步后找出每一個(gè)規(guī)則化層神經(jīng)元輸出vh的最大值bh和最小值ah，取干擾因子h＝4，利用式(15)計(jì)算vh對(duì)網(wǎng)絡(luò)輸出p的貢獻(xiàn)率sth。③如果sth>＝ε1＝0.3，則對(duì)規(guī)則化層第h個(gè)神經(jīng)元進(jìn)行分裂。為了降低網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整對(duì)網(wǎng)絡(luò)誤差的影響，利用式(19)設(shè)定分裂得到的兩個(gè)新的神經(jīng)元的中心、寬度和權(quán)值。如果sth<ε2＝0.05，刪除該神經(jīng)元，同時(shí)利用式(20)調(diào)整網(wǎng)絡(luò)參數(shù)。如果ε2＝<sth<ε1，則網(wǎng)絡(luò)結(jié)構(gòu)不變，網(wǎng)絡(luò)參數(shù)不作調(diào)整。④將算法轉(zhuǎn)向步驟①繼續(xù)利用自適應(yīng)二階梯度下降算法訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)。當(dāng)在某步訓(xùn)練過(guò)程中訓(xùn)練rmse<＝0.01或算法迭代超過(guò)100步時(shí)停止計(jì)算。(4)對(duì)測(cè)試樣本進(jìn)行檢測(cè)。將測(cè)試樣本作為訓(xùn)練好的二階自組織模糊神經(jīng)網(wǎng)絡(luò)的輸入，二階自組織模糊神經(jīng)網(wǎng)絡(luò)的輸出即為pm2.5的預(yù)測(cè)結(jié)果。圖3是pm2.5軟測(cè)量模型訓(xùn)練rmse變化圖。圖4是pm2.5軟測(cè)量模型訓(xùn)練過(guò)程結(jié)構(gòu)變化圖。圖5是pm2.5軟測(cè)量模型訓(xùn)練散點(diǎn)圖，x軸：pm2.5訓(xùn)練觀測(cè)值(μg/m3)，y軸：pm2.5軟測(cè)量模型訓(xùn)練預(yù)測(cè)值(μg/m3)。圖6是pm2.5軟測(cè)量模型訓(xùn)練誤差圖。圖7是pm2.5軟測(cè)量模型測(cè)試散點(diǎn)圖，x軸：pm2.5測(cè)試觀測(cè)值(μg/m3)，y軸：pm2.5軟測(cè)量模型測(cè)試預(yù)測(cè)值(μg/m3)。圖8是pm2.5軟測(cè)量模型測(cè)試誤差圖。表2-21是本發(fā)明的實(shí)驗(yàn)數(shù)據(jù)，表2-7是監(jiān)測(cè)變量溫度、能見(jiàn)度、co、no2、o3和so2濃度的觀測(cè)值，表8-13是訓(xùn)練樣本，表14是pm2.5軟測(cè)量模型的訓(xùn)練預(yù)測(cè)值，表15-20是測(cè)試樣本，表21是pm2.5軟測(cè)量模型的測(cè)試預(yù)測(cè)值。表2.監(jiān)測(cè)變量溫度的觀測(cè)值(℃)表3.監(jiān)測(cè)變量能見(jiàn)度的觀測(cè)值(km)表4.監(jiān)測(cè)變量co的觀測(cè)值(ppm)表5.監(jiān)測(cè)變量no2的觀測(cè)值(ppb)表6.監(jiān)測(cè)變量o3的觀測(cè)值(ppb)表7.監(jiān)測(cè)變量so2的觀測(cè)值(ppb)訓(xùn)練樣本：表8.特征變量相對(duì)濕度的訓(xùn)練觀測(cè)值(％)表9.特征變量氣壓的訓(xùn)練觀測(cè)值(hpa)表10.特征變量氣溶膠光學(xué)厚度的訓(xùn)練觀測(cè)值表11.特征變量風(fēng)速的訓(xùn)練觀測(cè)值(m/s)表12.特征變量風(fēng)向的訓(xùn)練觀測(cè)值(°)表13.預(yù)測(cè)變量pm2.5的訓(xùn)練觀測(cè)值(μg/m3)表14.預(yù)測(cè)變量pm2.5的訓(xùn)練預(yù)測(cè)值(μg/m3)測(cè)試樣本：表15.特征變量相對(duì)濕度的測(cè)試觀測(cè)值(％)73.9837.1929.6964.1837.2171.5629.2428.0873.9571.6675.0240.1334.1328.5444.1561.9424.8976.3765.6278.0145.2641.1042.0644.9926.7565.3673.0824.6177.6847.1633.1464.1521.7966.3640.8830.0220.4376.5671.4774.6446.2459.7020.7423.8373.8375.0045.4039.9927.0144.1253.4135.12表16.特征變量氣壓的測(cè)試觀測(cè)值(hpa)992.86993.45997.76999.26997.82990.95999.03996.22992.82988.33998.15990.28985.53999.68997.80988.611000.38997.93987.02994.911000.57997.50994.87991.04995.72994.81991.681000.07997.68999.26992.63987.54998.56993.43993.92997.74996.17997.25991.50998.40989.69990.31999.671001.04997.09995.43999.26994.79996.591001.41993.16997.94表17.特征變量氣溶膠光學(xué)厚度的測(cè)試觀測(cè)值0.950.240.180.320.110.590.160.101.031.080.880.670.390.220.300.470.140.890.611.070.180.500.940.750.351.150.710.240.850.400.330.630.200.860.830.990.230.800.731.031.001.290.570.130.871.180.250.210.360.150.950.34表18.特征變量風(fēng)速的測(cè)試觀測(cè)值(m/s)1.993.756.151.043.681.814.413.091.564.750.716.623.403.102.400.744.820.440.731.534.351.541.093.463.020.921.964.030.570.514.320.513.782.071.864.912.720.512.711.510.931.502.744.080.360.702.233.991.382.892.791.99表19.特征變量風(fēng)向的測(cè)試觀測(cè)值(°)68.0648.5938.9440.88299.4252.7043.203.9572.3272.18187.3352.5977.5651.1180.09104.8352.5650.2312.8668.9240.06165.76157.5074.8131.18123.4367.1775.5413.62275.9028.16144.8592.5579.12229.8828.74230.49166.8975.6740.87172.7841.6450.8579.78269.92119.1757.6159.66286.6965.6074.01279.00表20.預(yù)測(cè)變量pm2.5的測(cè)試觀測(cè)值(μg/m3)54.2737.9819.7671.642.28160.7119.482.0053.254.8163.053.513.9566.9433.039.5929.4158.6810.9262.1328.6811.2854.78195.926.55101.93168.604.0554.6067.4017.8411.492.4856.0367.481.654.3852.71173.2969.1874.30104.231.272.1854.9078.607.4922.085.4226.0652.406.34表21.預(yù)測(cè)變量pm2.5的測(cè)試預(yù)測(cè)值(μg/m3)當(dāng)前第1頁(yè)12