【正文】 ,maxt]=premnmx(p,t)。前饋型靜態(tài)網(wǎng)絡的神經(jīng)元作用函數(shù)的總輸入是與其相連的其它神經(jīng)元輸出的加權(quán)，在使用 BP 算法時，要防止神經(jīng)元進入飽和狀態(tài)，必須限制與其相連的其它神經(jīng)元的輸出幅值。當 Emin 值選擇較小時，學習效果好，但收斂速度慢，訓練次數(shù)增加。初始權(quán)、閾值的選擇因具體的網(wǎng)絡結(jié)構(gòu)模式和訓練樣本不同而有所差別，一般應視實際情況而定。但 太大卻可能導致在穩(wěn)定點附近振蕩，乃至不收斂。圖 5 空氣質(zhì)量檢測神經(jīng)網(wǎng)絡模型 學習率 和動量因子 ?? BP 算法本質(zhì)上是優(yōu)化計算中的梯度下降法，利用誤差對于權(quán)、閥值的一階導數(shù)信息來指導下一步的權(quán)值調(diào)整方向，以求最終得到誤差最小。事實上隱層神經(jīng)元太少不可能將網(wǎng)絡訓練出來，但太多又使學習時間過長，使網(wǎng)絡不“不強壯” ，泛化能力下降，即不能識別以前沒有直接接收到的樣本，容錯性差。而網(wǎng)絡訓練與結(jié)構(gòu)緊密相關(guān)，太大的網(wǎng)絡結(jié)構(gòu)在訓練時效率不高，而且還會由于過擬合(overfitting)造成網(wǎng)絡的性能脆弱，泛化能力(generalization ability)下降；太小的網(wǎng)絡可能就根本不收斂。BP 算法中有幾個常用的參數(shù)，包括學習率 ，動量因子 ，??形狀因子 λ 及收斂誤差界值 E 等。由于網(wǎng)絡中神經(jīng)元作用函數(shù)的非線性，網(wǎng)絡實現(xiàn)是復雜的非線性映射。這個過程并不是想象的那樣，隨便套用一個公式確定隱層節(jié)點數(shù)，經(jīng)過一次訓練就能得到合理的網(wǎng)絡模型（這樣建立的模型極有可能是訓練樣本的錯誤反映，沒有任何實用價值） 。一般地，隨著網(wǎng)絡結(jié)構(gòu)的變大，誤差變小。必須注意的是，神經(jīng)網(wǎng)絡的訓練過程本質(zhì)上是求非線性函數(shù)的極小點問題，因此，在全局極小點鄰域內(nèi)（即使網(wǎng)絡誤差相同） ，各個網(wǎng)絡連接權(quán)值也可能有較大的差異，這有時也會使各個輸入變量的重要性發(fā)生變化，但這與具有多個零極小點（一般稱為多模式現(xiàn)象） （如訓練樣本數(shù)少于連接權(quán)數(shù)時）的情況是截然不同的。非訓練樣本誤差很接近訓練樣本誤差或比其小，一般可認為建立的網(wǎng)絡模型已有效逼近訓練樣本所蘊含的規(guī)律，否則，若相差很多（如幾倍、幾十倍甚至上千倍）就說明建立的網(wǎng)絡模型并沒有有效逼近訓練樣本所蘊含的規(guī)律，而只是在這些訓練樣本點上逼近而已，而建立的網(wǎng)絡模型是對訓練樣本所蘊含規(guī)律的錯誤反映。從存在性結(jié)論可知，即使每個訓練樣本的誤差都很小（可以為零） ，并不意味著建立的模型已逼近訓練樣本所蘊含的規(guī)律。（三）網(wǎng)絡的初始連接權(quán)值 BP 算法決定了誤差函數(shù)一般存在（很）多個局部極小點，不同的網(wǎng)絡初始權(quán)值直接決定了 BP 算法收斂于哪個局部極小點或是全局極小點。所以，一般傾向選取較小的學習率以保證學習過程的收斂性（穩(wěn)定性） ，通常在 ～ 之間。目前雖已有改進 BP 法、遺傳算法（GA）和模擬退火算法等多種優(yōu)化方法用于 BP 網(wǎng)絡的訓練(這些方法從原理上講可通過調(diào)整某些參數(shù)求得全局極小點)，但在應用中，這些參數(shù)的調(diào)整往往因問題不同而異，較難求得全局極小點。雖然理論上早已經(jīng)證明：具有 1 個隱層（采用 Sigmoid 轉(zhuǎn)換函數(shù)）的 BP 網(wǎng)絡可實現(xiàn)對任意函數(shù)的任意逼近。(2)訓練樣本數(shù)必須多于網(wǎng)絡模型的連接權(quán)數(shù)，否則，樣本必須分成幾部分并采用“輪流訓練”的方法才可能得到可靠的神經(jīng)網(wǎng)絡模型。為盡可能避免訓練時出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡性能和泛化能力，確定隱層節(jié)點數(shù)的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱層節(jié)點數(shù)。這主要還是因為一層網(wǎng)絡的神經(jīng)元數(shù)被所要解決的問題本身限制造成的。所以一般情況下，應優(yōu)先考慮增加隱含層中的神經(jīng)元數(shù)。Hornik 等早已證明：若輸入層和輸出層采用線性轉(zhuǎn)換函數(shù)，隱層采用 Sigmoid 轉(zhuǎn)換函數(shù)，則含一個隱層的 MLP 網(wǎng)絡能夠以任意精度逼近任何有理函數(shù)。預處理的方法有多種多樣，各文獻采用的公式也不盡相同。由于 BP 神經(jīng)網(wǎng)絡的隱層一般采用 Sigmoid 轉(zhuǎn)換函數(shù)，為提高訓練速度和靈敏性以及有效避開 Sigmoid 函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在 0～1 之間。 輸入/輸出變量的確定及其數(shù)據(jù)的預處理一般地，BP 網(wǎng)絡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)知識確定。ke注 2：權(quán)值調(diào)整的過程，也就是網(wǎng)絡的學習訓練過程（這也就是學習的由來→權(quán)值調(diào)整） 。誤差反向傳播過程實際上是通過計算輸出層的誤差 ，然后將其與輸出層激活函ke數(shù)的一階導數(shù) 相乘來求得 。其網(wǎng)絡結(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經(jīng)過隱層激活放大后再由輸出層，信號傳遞時每一層神經(jīng)元通過權(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)絡輸入信號(即訓練樣本)，并根據(jù)所要關(guān)心的具體問題構(gòu)造出期望的目標信號(教師樣本)輸入網(wǎng)絡，然后在網(wǎng)絡學習和自適應過程中，通過輸入信號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，使輸出信號與期望目標輸出信號間的誤差減至最小，當其值小于某一給定值時，即認為完成或訓練好該神經(jīng)網(wǎng)絡，在此基礎(chǔ)上將進行下一步的預測或擬合。根據(jù)環(huán)境空氣質(zhì)量標準和各項污染物對人體健康和生態(tài)的影響來確定各級污染物濃度的限值，詳細請參照附錄表一：中華人民共和國國家標準空氣質(zhì)量標準（GB30951996）各項污染物的濃度限值（1999 年） 。神經(jīng)網(wǎng)絡作為一種描述和刻畫非線性現(xiàn)象的強有力工具,具有較強的自學習、自組織、自適應能力等特點,特別適合于對具有多因素性、不確定性、隨機性、非線性和隨時間變化特性的對象進行研究 [5]。關(guān)鍵詞：BP 神經(jīng)網(wǎng)絡；空氣質(zhì)量； MATLAB 神經(jīng)網(wǎng)絡工具箱The detection of air quality based on neural work Student majoring in xx name Tutor nameAbstract：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