| 【中文题名】 | 粒子群算法及神经网络在大气质量评价及预测中的应用 |
| 【英文题名】 | The Applications of Particle Swarm Algorithm and Neural Network for Atmospheric Quality Evaluation and Forecast |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2004-9-8 |
| 【中关键词】 | 粒子群优化,普适公式,污染损害率,参数优化,评价模型,OIF |
| 【英关键词】 | |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 本文在计算大气污染损害率的普适公式的基础上，采用具有全局搜索功能的PSO算法对该公式中的参数进行优化，得到了对多种大气污染物均适用的具有更强普适性的大气污染损害率计算公式，从而得到了基于PSO的大气质量综合污染损害率评价模型和指数模型。通过实例评价的数值计算结果表明，该评价模型用于对城市大气质量评价具有一定的可行性、有效性，具有一定的实用价值。
1.1计算大气污染损害率的普适公式
第种大气污染物对大气质量的污染损害率可表示为：
（1）
在公式（1）中，ai、bi为与污染物特性有关的待定参数；ci为该污染物的实测浓度。李祚泳将ci用浓度的相对值xi替换，即：xi=ci / ci0，于是公式（1）可表示为：
（2）
其中ci0为设定的i污染物的某一确定值，通常取为其天然本底浓度值，采用相对值后的大气污染损害率计算公式中的参数ai、bi可认为与该污染物的特性无关。因此公式（2）是对于多种污染物均适用的具有普适性的大气污染损害率计算公式。
为了提出一种具有更强的普适性方法，文献[18]... |
| 【论文题纲】 |
|
提 要 |
3-5 |
|
第一章 绪 论 |
5-8 |
|
1.1 选题意义 |
5-6 |
|
1.2 本文主要内容 |
6-8 |
|
第二章 预备 |
8-16 |
|
2.1 PSO概述 |
8-11 |
|
2.1.1 PSO算法原理 |
8-9 |
|
2.1.2 PSO算法流程 |
9-11 |
|
2.2 人工神经网络简介 |
11-14 |
|
2.2.1 神经网络的工作方式 |
12 |
|
2.2.2 神经网络处理信息的特点 |
12 |
|
2.2.3 神经网络的分类 |
12-13 |
|
2.2.4 神经网络的拓扑结构 |
13-14 |
|
2.3 我国最常使用的API大气质量评价法 |
14-16 |
|
第三章 基于PSO大气质量综合污染评价模型 |
16-26 |
|
3.1 概述 |
16 |
|
3.2 基于PSO的大气质量综合污染评价模型 |
16-20 |
|
3.2.1 各级别大气污染损害率目标值的计算 |
17 |
|
3.2.2 PSO算法对参数a、b、c的优化 |
17-19 |
|
3.2.3 大气污染损害率取值范围与评价级别的对应关系 |
19 |
|
3.2.4 基于PSO大气质量综合污染损害率评价模型 |
19-20 |
|
3.2.5 大气污染损害分指数模型 |
20 |
|
3.2.6 基于PSO大气质量综合污染损害指数评价模型 |
20 |
|
3.3 评价大气污染的实例 |
20-25 |
|
3.4 小结 |
25-26 |
|
第四章 OIF Elman神经网络预测模型 |
26-32 |
|
4.1 概述 |
26 |
|
4.2 OIF Elman 网络 |
26-28 |
|
4.3 预测大气污染的实例 |
28-31 |
|
4.4 小结 |
31-32 |
|
参考文献 |
32-34 |
|
致 谢 |
34-35 |
|
在读期间完成的主要研究工作 |
35-36 |
|
摘 要 |
36-39 |
|
Abstract |
39-41 |
|
| 【DOI】 | LunWen.ID:2.2008.387076 |
