遗传算法优化神经网络用于大气污染预报.PDF

第35卷第9期 北京工业大学学报 V01．35NO．9 2009年9月 JOURNALOFBEIJINGUNIVERSITYOFTECHNOI，OGY Sep．2009 遗传算法优化神经网络用于大气污染预报 王 芳，程水源，李明君，范 清 (北京工业大学环境与能源工程学院。北京100124) 摘要：大气污染预报可以对大气污染提出警示。保护人体健康和生活环境．为了对北京市PMlo的质量浓度进 行预报，建立了用于大气污染预报的遗传神经网络模型，该模型运用遗传算法优化神经网络的权值和阈值，有效 提高了网络的收敛性和预报准确率．用改进后的神经网络对北京市PM，o的质量浓度进行了模拟，并将模型模 拟结果与美国第3代空气质量模型Models-3(CMAQ)的数值模拟结果进行了比较．实验结果表明：遗传神经网 络模型和数值模型的模拟结果的平均相对误差分别为0．21和0．26，用于空气污染物质量浓度短期预报时，神经 网络模型的预测精度与数值模型的预测精度相当．对于没有条件开展空气污染数值预报的城市或地区．神经网 络是一种有效的替代方法． 关键词：PMlo；神经网络；遗传算法；CMAQ 中图分类号：X823 文献标志码：A 文章编号：0254—0037(2009)09—1230—05 目前，用于空气污染预报的方法主要有潜势预报、统计预报和数值预报．数值预报方法可以对各种大 气污染物在不同尺度下的不同类型污染过程进行模拟，是未来空气污染预报的发展趋势．但空气污染数 值预报需要高分辨率的气象数据和污染源数据作为数据支撑，在一些监测水平较低的中小城市较难实现． 空气污染物质量浓度的时空分布受到气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的 影响，具有较强的非线性特性，神经网络模型可以很好地把握该复杂过程的非线性特征，因此可以得到更 好的预测效果．近年来，神经网络模型被用来对城市可吸入颗粒物(inhalablematter，简称 particulate 络也被应用于径流预报、气象预报等方面[3-4J．实验研究表明，神经网络模型的预测效果优于许多传统的 统计模型，如多元线性回归、分类回归树、自回归等[5|．本文利用遗传算法改进的神经网络模型对北京市 的lD(PM。o)进行模拟预报，将其模拟结果与数值模型模拟结果进行比较，并讨论了二者的适应性． 1遗传神经网络模型的构建 神经网络的初始权值、阈值的选择缺乏依据，具有很大的随机性，很难选取具有全局性的初始点，因而 求得全局最优的可能性较小．遗传算法是使用逐次迭代法有哪些信誉好的足球投注网站寻优，是以全局并行有哪些信誉好的足球投注网站方法来进行有哪些信誉好的足球投注网站 的，这种群体有哪些信誉好的足球投注网站使遗传算法得以突破邻域有哪些信誉好的足球投注网站的限制，可以实现整个解空间上的分布式信息采集和探 索，能找到满足要求的最优个体，具有全局有哪些信誉好的足球投注网站能力以及简单、快速、稳定性强等特点．因此可将神经网络 的训练分成2个部分：首先用遗传算法来优化网络的初始权值和阈值，然后再用算法来训练输入数据，得 到优化后的网络模型．遗传神经网络实现流程如图1所示． 利用遗传算法进行网络权值、阈值优化的优化程序如下： 1)编码和初始群体的生成 随机产生N个初始串结构数据，对每个结构编码．将神经网络的各个权值和阈值按次序编成一个实 收稿日期：2007—12—28． 基金项日：国家重点基础发展计划973资助项目(2005CB724201)． 作者简介：王芳(1983一)，女，河北邢台人，博上研究生；程水源(1958一)，男。河北邯郸人，教授，博士生导师 第9期 王芳．等：遗传算法优化神经网络用于大气污染预报 数数组，作为遗传算法的一个染色体．染色体的长度 开始 S=R*Sl+S1*S2+S1+S2，其中，S1为隐层结 原始数据归一化处理 点数量，S2为输出数量，R为输入数量．遗传操作在 定义参数和适应度甬数 这样的染色体群中进行．