基于粗糙集的BP神经网络空气品质预测模型.pdf

《基于粗糙集的BP神经网络空气品质预测模型.pdf》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、第35卷第5期东北电力大学学报V01．35．No．52015年10月JournalOfNortheastDianliUniversity0ct．．2015文章编号：1005-2992(2015)05-0081—07基于粗糙集的BP神经网络空气品质预测模型徐凌雁(中国电信吉林市分公司，吉林吉林132012)摘要：使用粗糙集理论对空气品质监测数据进行属性约简，构建BP神经网络模型中隐层的神经元节点、确定各节点之间的权值和网络结构，通过BP算法对污染物浓度数据进行迭代训练，求出BP神经网络的参数，实现空气品质预测。关键词：模式识别；数据挖掘中图分类号：TP29文献标识码：A近

2、几十年以来，由于世界各国工业的高速发展以及人口的急剧扩张导致世界范围内能源需求与交通规模的持续扩大，世界人口的急剧膨胀也使得人们各类生产和生活中所产生大量的有害物质被排放到大气中从而改变了空气的组成成分最终形成“空气污染”l】J。空气污染是世界大多数工业化国家所面临的极为严重的环境问题。随着人们对城市空气质量的关注逐渐提高，民众希望能够得到城市环境空气质量的监测结果，以使广大民众及城市环保部门对城市环境空气质量的情况做到如天气预报一样可以提前预知，便于对即将出现的城市空气问题采取及时有效的风险预控措施。利用基于人工神经网络的模式识别法来进行空气品质预测，可以不需要使用白

3、盒的方法来确定显式模型而是根据输入的监测数据来创建黑盒模型。依靠模式识别方法的非线性问题处理能力和噪声冗余能力，可以基于不同地区空气品质系统的实际工况，构建属于特定地区空气品质特点的人工神经网络预测模型J。1基于粗糙集的BP神经网络1．1BP结构倒传递类神经网络是将输出层的误差，逐层往输入层倒向传递分配给各层，以提供各层的误差参考，进而改善相应的连结权值，并调整实际输出值与期望输出值间的误差。1．1．1BP算法倒传递学习算法是广泛使用的监督式学习模式。倒传递学习算法可分为向前馈入和误差向后推导，而这两部分皆需由迭代演算处理。向前馈人步骤是将欲学习数据由输入层输入，再向前

4、传至第一隐藏层，经隐藏层节点的转换函数处理后，得到相对应的输出值，此输出值又向前传至第二隐藏层，变成第二隐藏层的输入值；如此逐层的向前传送，最后由输出层输出结果。接着比较向前馈入步骤中的实际输出值与期望输出值。若误差符合系统要求，则学习宣告结束，并将各连结上的权值当成是训练后的知识；相反的，若是误差超过系统要求，则进行误差向后推导的步骤。此时，误差将由输出层向后逐层的往输出层传递，并修改各层连结上的权值，经反复迭代运算达到系统误差要求为止。收稿日期：2015—02-04作者简介：徐凌雁(1978一)，女，吉林省吉林市人，中国电信吉林市分公司助理工程师，主要研究方向：空气

5、品质在线监测技术82东北电力大学学报第35卷1．1．2BP神经网络的缺点BP神经网络算法的提出，有效的解决了针对非线性连续函数求解多层前馈神经网络的权值的难题。此外，BP神经网络给出了完整的数学公式推导。由于BP神经网络在数学上的完整性使其广泛地应用于多种领域。尽管如此，BP神经网络算法也存在一些缺点，主要表现在：(1)无法确定BP神经网络的泛化能力；(2)BP神经网络在误差梯度平摊处收敛缓慢；(3)BP神经网络在训练过程中可能陷入局部极值点；(4)学习算法的收敛速度慢。1．2粗糙集理论在本世纪70年代，波兰学者Z．Pawlak和一些波兰科学院、波兰华沙大学的逻辑学家们

6、，一起从事关于信息系统逻辑特性的研究。粗糙集理论就是在这些研究的基础上产生的。1982年Z．Pawlak发表了经典论文RoughSets，宣告了粗糙集理论的诞生。此后，粗糙集理论引起了许多数学家、逻辑学家和计算机研究人员的兴趣，他们在粗糙集的理论和应用方面作了大量的研究工作。目前，粗糙集已成为人工智能领域中一个较新的学术热点，在机器学习、知识获取、决策分析、过程控制等许多领域得到了广泛的应用’。基于粗糙集的数据分析方法实际是对决策表进行约简的过程，这个处理过程具体如下：首先把智能数据进行离散归一化处理，即把连续的数据进行离散化整理，变换成若干个属性值，这样的处理既满足属

7、性值尽量少，又满足离散化的信息丢失尽量少；然后将数据用知识表达属性表的表格来实现；删除决策表中重复的实例，即消去重复的行，重复的行表示同样的决策，因此被消去；删除多余的属性，即从知识表达屙I生值表中消去某些列；删除每个实例中多余的属性值，求出最小约简；由最小约简求出逻辑规则，即最小控制决策算法。本文采用粗糙集方法对济南市环境空气质量与污染源数据库中的数据进行数值离散化、字段筛选等操作，以实现属性约简，并抽取精简规则，以简化神经网络的拓扑结构，提高训练样本的质量，缩短训练时间。1．3算法结构基于BP神经网络算法的模型结构与特点，可使该算法应