径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用

径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用

ID:36861919

大小:2.86 MB

页数:72页

时间:2019-05-16

径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用_第1页
径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用_第2页
径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用_第3页
径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用_第4页
径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用_第5页
资源描述:

《径向基函数神经网络在大气颗粒物及个体暴露来源解析中的应用》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、摘要摘要本文将径向基函数神经网络(RadialBasisFunctionNeuralNetwork,RBFN)应用于城市大气颗粒物(ParticulateMatter,PM)来源解析工作。在源成分谱调查充分的情况下,利用模拟数据计算的解析结果表明:RBFN可以实现对多源的良好解析,取得了与化学质量平衡受体模型(ChemicalMassBalance,CMB)相当的解析结果。对主要源贡献值解析的相对误差低于15%。且RBFN可以很好地识别无效源。因此,在充分掌握可能污染源成分谱信息的基础上,RBFN具有源解析应用潜力。但在源调查不充分的情况下,RBFN则难以得到好的源解析结果。同时,本研

2、究尝试将RBFN应用于个体PM2.5暴露来源解析工作。从已有文献报导中获取个体暴露源成分谱和源分担率的均值和偏差,构建了个体暴露的模拟数据。在源成分谱调查充分的情况下,模拟数据的解析结果表明:ImFN可以实现对个体PM2.5暴露来源的良好解析。解析结果相对优于正定矩阵因子分解(PositiveMatrixFactorizatiOn,PMF)。但相比PMF,RBFN需要获得源成分谱的均值和方差信息。与CMB相比,RBFN可以有效地区分共线性强的源。此外,本研究将遗传算法应用于输入RBFN源解析模型的化学成分的优选。结果表明,优选输入成分后的RBFN获得了更低的源解析误差。关键词:大气颗粒

3、物;个体PM暴露;源解析;径向基函数神经网络(ImⅢ);遗传算法;模拟数据AbstractAradial—basisfunctionartificialneuralnetwork(RBFN)wasproposedas.areceptormodelingmethodforsolvingambientairborneparticulateSOurCeapportionmentproblemswhilemultiplepossiblesourcesexisted.Theresultsshowedthat:RBFgotsatisfactoryresult,whichwascomparablew

4、iththatofCMB.Forthemajorsourceswithloadingshigherthan10%.therelativeerrorsbetweenthecalculatedsourcecontributionsandthetruthwerenohigherthan10%.Moreover,withallofthepossibleemissionsourcesprovided,someofwhichwerenoteffective,theImFnetworkWasabletoidentifytheineffectiveSOurCeS.SothatwithadequateS

5、OurCeprofileinformationofallpossiblesources,theRBFnetworkisapromisingmethodtobeusedinsourceapportionment.However,whilesomeeffectivesourceprofileswerenotcontmned,thenetworkcouldnotgetsatisfactorysourceapportionmentresults.Also,RBFNwasappliedtosyntheticdatasetsthatsimulatepersonalexposuretoairbome

6、PM2.5.Sourceprofilesandloadingswereobtainedfrompublishedpapers.MeasurementerrorWasaddedtothedatasets,andthesyntheticdatasetswereusedtoevaluatethemethod.Resultsshowedthat:RBFNcouldfindthecontributionsofeachsourcewithrelativelylowererrors,comparedwithPositiveMatrixFactorization(PMF).Butthedisadvan

7、tageofRBFNisthatitneedsthesourceprofilestodothesourceapportionment.WhilecomparedwitllChemicalMassBalance(CMB),RBFNcoulddistinguishthesourceswithsimilarprofiles.Geneticalgorithmwasusedfortheselectionofchemicalcompositionsfora

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。