灰色神经网络模型及其在空气污染预报中的应用研究

发布时间：2020-10-16 00:31

　　 本文首先对灰色预测建模和神经网络理论及各自的优缺点进行了分析研究,充分利用了灰色预测建模所需信息少、方法简单的优点和神经网络具有较强的非线性映射能力的特点,采用最小二乘法先确定灰色微分方程中参数的初始值,从而得到网络的初始权值及阈值,进而得到了预测精度更高且方便使用的灰色神经网络模型。 然后,针对基于离散响应函数建立的灰色神经网络模型存在的问题,提出了基于时间响应函数建立灰色神经网络模型的方法,并对现有的一阶灰色神经网络的拓扑结构进行改进,同时为了提高网络的收敛速度,一是将灰色预测建模中的初值进行了修正,二是在修改权值时采用逐渐减小学习速率的方法。 最后,结合中国环境科学研究院主持的课题《深圳市空气污染控制规划研究》,利用深圳市的污染物浓度监测数据建立了基于GNNM(1, 1)、GNNM(2, 1)的空气污染指数预报模型,进行了上述研究成果的分析验证,表明灰色神经网络模型可以作为空气污染预报的有效工具。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2006
【中图分类】：X51;N941.5
【部分图文】：

利用人工神经元可以构成各种不同拓扑结构的神经网络，就神经网络的主要连接型式而言，大致可以分为三类：前馈型网络(Feedforward NNS)、反馈型网络(Feedback NNS)和自组织网络，分别见图3.1.3、图3.1.４和图3.1.5。图3.1.3 具有一个隐层的前馈网络 图3.1.４ 单层全连接反馈网络

利用人工神经元可以构成各种不同拓扑结构的神经网络，就神经网络的主要连接型式而言，大致可以分为三类：前馈型网络(Feedforward NNS)、反馈型网络(Feedback NNS)和自组织网络，分别见图3.1.3、图3.1.４和图3.1.5。图3.1.3 具有一个隐层的前馈网络 图3.1.４ 单层全连接反馈网络

吉林大学硕士学位论文18图3.1.5 自组织特征映射网络知名的前馈网络有感知器、BP网络、HMM网络等，尤其是BP网络人们研究得最多，在许多领域得到了广泛的应用[23]。3.2 BP算法及改进1986年，Rumelhart和McClelland对具有非线性激活函数的多层前馈网络的权重进行调整，提出了误差反传播的算法（Back Propagation,简称BP），人们也常把按误差反传递算法训练的多层前馈网络直接称为BP网络。BP算法的训练过程可分为两个过程：⑴ 输入的信息流从输入层，经隐层到输出层逐层处理并计算出各神经元节点的实际输出值，这一过程称为信息流的正向传递过程；⑵ 计算网络的实际输出与训练样本期望值的误差
【引证文献】

相关期刊论文 前2条

1 罗志平;周新志;古钟璧;;基于数据挖掘的水文时间序列预测[J];计算机工程与应用;2007年30期

2 万仁保;罗招贤;;基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究[J];煤炭技术;2012年11期

相关硕士学位论文 前2条

1 邢昕;灰色神经网络改进算法及其应用研究[D];华中科技大学;2011年

2 潘琳;基于灰色系统的空气质量变化及影响因子分析[D];天津大学;2012年

本文编号：2842467