【正文】 目錄 摘要 2 關(guān)鍵詞 2 Abstract 2 Key words 2 引言 3 1 BP神經(jīng)網(wǎng)絡(luò)概述 3 基本原理 3 BP 算法學(xué)習(xí)過(guò)程 4 2 空氣質(zhì)量檢測(cè)模型的建立 6 樣本數(shù)據(jù) 6 收集和整理分組 6 輸入 /輸出變量的確定及其數(shù)據(jù)的預(yù)處理 6 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定 7 隱層數(shù) 7 隱層節(jié)點(diǎn)數(shù) 7 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 8 神經(jīng)網(wǎng)絡(luò)模型參數(shù)的確定 9 隱層的數(shù)目 9 隱層神經(jīng)元數(shù)的選擇 10 學(xué)習(xí)率 ? 和動(dòng)量因子 ? 11 初始權(quán)值的選擇 12 收斂誤差界值 Emin 12 輸入 數(shù)據(jù)的預(yù)處理 12 3 MATLAB實(shí)現(xiàn)和結(jié)果分析 12 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用 12 基于 MATLAB 的 BP算 法的實(shí)現(xiàn)過(guò)程 13 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 13 4結(jié)語(yǔ) 19 致謝 19 參考文獻(xiàn) 19 基于神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量檢測(cè) 專業(yè) 姓名 指導(dǎo)教師 姓名 摘要： 空氣質(zhì)量的 好壞反映了空氣污染程度，它是依據(jù)空氣中污染物濃度的高低來(lái)判斷的。污染物濃度由于受風(fēng)向、風(fēng)速、氣溫、濕度、污染源排放情況等多種因素的影響，使得空氣質(zhì)量問(wèn)題具有很大的不確定性和一定的復(fù)雜性。 神經(jīng)網(wǎng)絡(luò)作為一種描述和刻畫(huà)非線性的強(qiáng)有力工具 ,具有較強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)能力等特點(diǎn) ,特別適合于對(duì)具有多因素性、不確定性、隨機(jī)性、非線性和隨時(shí)間變化特性的對(duì)象進(jìn)行研究。 本文基于神經(jīng)網(wǎng)絡(luò)的 BP 算法，利用 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱建立了空氣質(zhì)量模型。文中， 采用 MATLAB 的 rand()函數(shù)在各級(jí)評(píng)價(jià)標(biāo)準(zhǔn)內(nèi)按隨機(jī)均勻分布方式內(nèi)插生成訓(xùn)練樣本 和檢驗(yàn)樣本，利用 premnmx()函數(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理， 調(diào)用激活函數(shù)對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練，并同其他評(píng)價(jià)方法比較，取得了良好的評(píng)價(jià)結(jié)果。同時(shí)表明此方法具有一定的客觀性和積極性。 關(guān)鍵詞 ： BP神經(jīng)網(wǎng)絡(luò)；空氣質(zhì)量； MATLAB神經(jīng)網(wǎng)絡(luò)工具箱 The detection of air quality based on neural work Student majoring in xx name Tutor name Abstract： The quality of air quality reflects the extent of air pollution, which is based on the concentration of pollutants in the air to determine the level of the air. Concentration of pollutants due to wind direction, wind speed, air temperature, humidity, pollutant emissions and other factors, makes the issue of air quality is a great uncertainty and a certain degree of plexity. Neural work description and characterization as a powerful tool for nonlinear phenomenon, with strong selflearning, selfanization, the characteristics of adaptive capacity, especially suitable for multifactor, uncertainty, randomness, nonlinear and timevarying characteristics of the object of research. This design bases on the BP neural work algorithm, using MATLAB neural work toolbox to establish air quality model. In this text, using the MATLAB’s rand () function at all levels within the evaluation criteria uniformly distributes random interpolation methods to generate training samples and the samples tested. Then the paper uses premnmx () function on the data preprocessing, and transfers activation function of work weights training and pares with other evaluation methods, and achieved good results which indicate the objectivity and enthusiasm of the design. Key words： BP neural work。 Air quality。 MATLAB neural work toolbox 引言 神經(jīng)網(wǎng)絡(luò) (又稱人工神經(jīng)網(wǎng)絡(luò) ,Neural Networks),是由眾多簡(jiǎn)單的神經(jīng)元連接而成的一個(gè)網(wǎng)絡(luò) ,通過(guò)模擬人 腦細(xì)胞的分布式工作特點(diǎn)和自組織功能實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射等功能。盡管每個(gè)神經(jīng)元結(jié)構(gòu)、功能都不復(fù)雜 ,但網(wǎng)絡(luò)的整體動(dòng)態(tài)行為卻是極為復(fù)雜的 ,可以組成高度非線性動(dòng)力學(xué)系統(tǒng) ,從而可以表達(dá)很多復(fù)雜的物理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)作為一種描述和刻畫(huà)非線性現(xiàn)象的強(qiáng)有力工具 ,具有較強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)能力等特點(diǎn) ,特別適合于對(duì)具有多因素性、不確定性、隨機(jī)性、非線性和隨時(shí)間變化特性的對(duì)象進(jìn)行研究 [5]。 神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用如環(huán)境質(zhì)量評(píng)價(jià)、環(huán)境系統(tǒng)因素預(yù)測(cè)、環(huán)境因素定量關(guān)系模擬、構(gòu)效分析、成因分析和污染防治系統(tǒng)建 模已取得了令人矚目的進(jìn)展。 空氣質(zhì)量預(yù)報(bào)主要是依靠環(huán)境空氣質(zhì)量自動(dòng)監(jiān)測(cè)系統(tǒng)連續(xù)不斷地實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，并自動(dòng)傳輸?shù)娇刂剖?，?jīng)數(shù)據(jù)處理后得出當(dāng)天的空氣污染指數(shù)，再向社會(huì)公布。自動(dòng)監(jiān)測(cè)系統(tǒng)每 4 分鐘就產(chǎn)生一組監(jiān)測(cè)數(shù)據(jù)，連續(xù)不斷地測(cè)量，然后計(jì)算出小時(shí)均值和日均值，一般來(lái)說(shuō)，日均值是采用上一天中午 12時(shí)到次日 12 時(shí)的數(shù)據(jù)。根據(jù)環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)和各項(xiàng)污染物對(duì)人體健康和生態(tài)的影響來(lái)確定各級(jí)污染物濃度的限值，詳細(xì)請(qǐng)參照附錄表一：中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)空氣質(zhì)量標(biāo)準(zhǔn)（ GB30951996）各項(xiàng)污染物的濃度限值（ 1999年）。 環(huán) 境空氣質(zhì)量由于受風(fēng)向、風(fēng)速、氣溫、濕度、污染源排放情況等多種因素的影響 ,使得環(huán)境空氣質(zhì)量問(wèn)題具有很大的不確定性。論文將 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到環(huán)境空氣質(zhì)量當(dāng)中，利用 MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練網(wǎng)絡(luò)，建立起了環(huán)境空氣質(zhì)量檢測(cè)模型。 1 BP 神經(jīng)網(wǎng)絡(luò)概述 基本原理 BP神經(jīng)網(wǎng)絡(luò)是一種利用誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的自學(xué)習(xí)自適應(yīng)抗干擾能力。其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層中間層 (隱層 )和輸出層構(gòu)成，輸入層接收到的信號(hào)經(jīng)過(guò)隱層激活放大后再由輸出層，信號(hào)傳遞時(shí)每一層神經(jīng)元通過(guò)權(quán)值只影響下一層神經(jīng)元的狀態(tài)，結(jié)構(gòu) 模型圖如圖 1 圖 1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型圖 其基本原理是：先從基礎(chǔ)數(shù)據(jù)中給出有代表性的網(wǎng)絡(luò)輸入信號(hào) (即訓(xùn)練樣本 )，并根據(jù)所要關(guān)心的具體問(wèn)題構(gòu)造出期望的目標(biāo)信號(hào) (教師樣本 )輸入網(wǎng)絡(luò)，然后在網(wǎng)絡(luò)學(xué)習(xí)和自適應(yīng)過(guò)程中，通過(guò)輸入信號(hào)在正向的激活放大傳播和誤差的反向傳播，不斷修改和調(diào)整各層神經(jīng)元的連接權(quán)值，使輸出信號(hào)與期望目標(biāo)輸出信號(hào)間的誤差減至最小，當(dāng)其值小于某一給定值時(shí)，即認(rèn)為完成或訓(xùn)練好該神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上將進(jìn)行下一步的預(yù)測(cè)或擬合。 BP 算法學(xué)習(xí)過(guò)程 BP 算法學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳 播兩個(gè)過(guò)程組成。 設(shè)輸入為 P，輸入神經(jīng)元有 r個(gè)，隱含層內(nèi)有 s1個(gè)神經(jīng)元，激活函數(shù)為 F1，輸出層內(nèi)有 s2 個(gè)神經(jīng)元，對(duì)應(yīng)的激活函數(shù)為 F2，輸出為 A，目標(biāo)矢量為 T。 （一）正向傳播：輸入樣本→輸入層→各隱層（處理）→輸出層 隱含層中第 i個(gè)神經(jīng)元的輸出為： 1,... ,2,1),11(11 1 sibpwfa ijrj iji ??? ?? 輸出層第 k個(gè)神經(jīng)元的輸出為： 2,...,2,1),212(22 11 skbawfa kisi kik ??? ?? 定義誤差函數(shù)為： 221 )2(21),( ?? ??sk kk atBWE 注 1：若輸出層實(shí)際輸出與期望輸出（教師信號(hào)）不符，則轉(zhuǎn)入 2）（誤差反 向傳播過(guò)程） （二）誤差反向傳播 [2]：輸出誤差（某種形式）→隱層（逐層）→輸入層 輸出層的權(quán)值變化 對(duì)從第 i個(gè)輸入到第 k個(gè)輸出的權(quán)值，有： ikiikkkikkkikiaafatwaaEwEw112)2(22222????????????????????????? 其中：kkkkkkki ate fefat 2 22)2( ?? ???????? 同理可得：kikkkikkkikifatbaaEbEb???????????????????????2)2(22222 隱含層權(quán)值變化 對(duì)從第 j個(gè)輸入到第 i個(gè)輸出的權(quán)值，有： jijjkiskkkijiikkijijppfwfatwaaaaEwEw?????????????????????????????????122)2(111221121 其中： 1,2,2,2 21 ????????? ?? fewefeate iijsk kikiikkikkk ??? 同理可得： ijib ???? 1 在 MATLAB 工具箱中，上述公式的計(jì)算均已編成函數(shù)的形式，通過(guò)簡(jiǎn)單的書(shū)寫(xiě)調(diào)用即可方便地獲得結(jié)果。 誤差反向傳播過(guò)程實(shí)際上是通過(guò)計(jì)算輸出層的誤差 ke ，然后將其與輸出層激活函數(shù)的一階導(dǎo)數(shù) 2?f 相乘來(lái)求得 ki? 。由于隱含層中沒(méi)有直接給出目標(biāo)矢量，所以利用輸出層的 ki?進(jìn)行誤差反向傳遞來(lái)求出隱含層權(quán)值的變化量 kiw2? 。然后計(jì)算 ???21 2sk kikii we ?，并同樣通過(guò)將 ie 與該層激活函數(shù)的一階導(dǎo)數(shù) 1?f 相乘，而求得 ij? ，以此求出前層權(quán)值的變化量ijw1? 。如果前面還有隱含層，沿用上述同樣方法依此類(lèi)推，一直將輸出誤差 ke 一層一層的反推算到第一層為止。 注 2：權(quán)值調(diào)整的過(guò)程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程（這也 就是學(xué)習(xí)的由來(lái)→權(quán)值調(diào)整）。 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練流程圖，如圖 2 圖 2 BP 神經(jīng)網(wǎng)絡(luò)算法流程圖 2 空氣質(zhì)量檢測(cè)模型的建立 樣本數(shù)據(jù) [7] 收集和整理分組 采用 BP 神經(jīng)網(wǎng)絡(luò)方法建模的首要和前提條件是有足夠多典型性好和精度高的樣本。而且，為監(jiān)控訓(xùn)練（學(xué)習(xí)）過(guò)程使之不發(fā)生“過(guò)擬合”和評(píng)價(jià)建立的網(wǎng)絡(luò)模型的性能和泛化能力，必須將收集到的數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本、檢驗(yàn)樣本（ 10%以上）和測(cè)試樣本（ 10%以上） 3部分。此外，數(shù)據(jù)分組時(shí)還應(yīng)盡可能考慮 樣本模式間的平衡。 輸入 /輸出變量的確定及其數(shù)據(jù)的預(yù)處理 一般地， BP 網(wǎng)絡(luò)的輸入變量即為待分析系統(tǒng)的內(nèi)生變量（影響因子或自變量）數(shù)，一般根據(jù)專業(yè)知識(shí)確定。若輸入變量較多，一般可通過(guò)主成份分析方法壓減輸入變量，也可根據(jù)剔除某一變量引起的系統(tǒng)誤差與原系統(tǒng)誤差的比值的大