【正文】 M10, carbon monoxide, nitrogen dioxide, sulfur dioxide 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 factor, uncertainty, randomness, nonlinear and timevarying characteristics of the object of research. This design bases on the BP neural work algorithm and RBF neural work algorithm, using MATBLB neural work toolbox to establish air quality model and forecast the air quality index. The putation results showed that the BP model had good quality on forecasting precision and generalization ability. Besides,it provided a new method for urban air pollution forecasting. Through the parison of BP and RBF algorithm, showing the feasibility of neural work in the prediction aspect better, and achieved good results which indicate the objectivity and enthusiasm of the design. Key words: Air quality index。本文基于神經(jīng)網(wǎng)絡 BP 算法和 RBF 算法，利用 MATLAB 神經(jīng)網(wǎng)絡工具箱建立空氣質量指數(shù)模型并對空氣質量指數(shù)進行預測。神經(jīng)網(wǎng)絡作為一種描述和刻畫非線性的強有力工具，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。同時表明這兩種方法具有一定的客觀性和積極性。 MATLAB。 人工神經(jīng)網(wǎng)絡就是 一種 模擬人思維的方式 ， 它 是一個非線性動力學系統(tǒng)，其信息的分布式存儲和并行協(xié)同處理 是它的特色 。 （ 3）人工神經(jīng)網(wǎng)絡 在 研究仿照腦神經(jīng)系統(tǒng) 方面 ， 會 在組合優(yōu)化 、 模式識別和決策判斷等方面取得傳統(tǒng)計算機難以達到的效果。 MATLAB 是一種科學與工程計算的高級語言，廣泛地運用于包括信號與圖像處理，控制系統(tǒng)設計，系統(tǒng)仿真等諸多領域。 神經(jīng)網(wǎng)絡 預測 的發(fā)展與研究現(xiàn)狀 20 世紀 90 年代作為神經(jīng)網(wǎng)絡預測理論與應用迅速發(fā)展的時期，在理論方面的主要工作是：（ 1）線性化方法 ：通過不同的線性化逼近，可以把非線性規(guī)律求解加以簡化，以此提高計算速度。自此，國內外學者進行了大量的研究在神經(jīng)網(wǎng)絡預測方面。吳愛國對非線性時滯系統(tǒng)采用了 d 步超前預測模型的神經(jīng)網(wǎng)絡預測控制，首次實現(xiàn)了非線性時滯系統(tǒng)的神經(jīng)網(wǎng)絡預測的并聯(lián)模型的 RTRL 算法，介紹了一種新的正交神經(jīng)網(wǎng)絡，首次給出了多變量輸入正交神經(jīng)網(wǎng)絡完備處理單元選擇的通用公式 [6]。其中 ,第一章為緒論，主要講述課題的研究背景和意義，神經(jīng)網(wǎng)絡的發(fā)展和目前研究的現(xiàn)狀以及對各章節(jié)的主要內容進行總結概括。第四章為本文的重點，主要是對 BP 神經(jīng)網(wǎng)絡進行詳細的研究，包括 BP 神經(jīng)網(wǎng)絡的原理，算法，實現(xiàn)步驟，仿真實現(xiàn)以及對仿真結果的分析。它的學習 規(guī)則 是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。 BP 神經(jīng)網(wǎng)絡的基本原理 BP 網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，由輸入層、隱層和輸出層組成。 BP 網(wǎng)絡的學習過程程由前向計算過程和誤差反向傳播過程組成。 沈陽理工大學學士學位論文 5 圖 典型 Bp網(wǎng)絡模型 BP 算法是在導師指導下，適合于多層神經(jīng)元網(wǎng)絡的一種學習，它是建立在梯度下降法的基礎上的。 BP 網(wǎng)絡主要用于以下四方面。 （ 4）數(shù)據(jù)壓縮：減少輸出向量維數(shù)以便傳輸或存儲。其次， BP 神經(jīng)網(wǎng)絡具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。再次， BP 神經(jīng)網(wǎng)絡對外界輸入樣本有很強的識別與分類能力。 基于 BP 算法的神經(jīng)網(wǎng)絡從運行過程中的信息流向來看，它是前饋型網(wǎng)絡。 RBF 神經(jīng) 網(wǎng)絡簡介 RBF 神經(jīng)網(wǎng)絡的定義 徑向基函數(shù)（ Radial Basis Function ,RBF）是多維空間插值的傳統(tǒng)技術，由 Powell 于 1985 年提出。 沈陽理工大學學士學位論文 7 RBF 神經(jīng)網(wǎng)絡的基本原理 徑向基函數(shù) （ RBF） 神經(jīng)網(wǎng)絡是前饋神經(jīng)網(wǎng)絡 ， 與 BP 網(wǎng)絡相比 ， RBF 網(wǎng)絡不僅有生理學基礎 ， 而且結構更加簡潔 ， 學習速度也更快 。 由模式識別理論可知 ， 在低維空間非線性可分問題總可以映射到一個高維空間 ， 使其在高維空間中線性可分 。 RBF 網(wǎng)絡的特點 ： 輸 入 層 神 經(jīng) 元 網(wǎng)絡連接 隱 層 神 經(jīng) 元 網(wǎng)絡連接 輸 出 層 神 經(jīng) 元 沈陽理工大學學士學位論文 8 （ 1）前向網(wǎng)絡 。這就避免了 BP 網(wǎng)絡超平面分割所帶來的任意劃分特性。 （ 4） 另外，研究還表明，一般 RBF 網(wǎng)絡所利用的非線性激活函數(shù)形式對網(wǎng)絡性能的影響并非至關重要，關鍵因素是基函數(shù)中心的選取。 （ 4）分類能力好。已經(jīng)證明：一個沈陽理工大學學士學位論文 9 RBF 網(wǎng)絡，在隱層節(jié)點足夠多的情況下，經(jīng)過充分學習，可以用任意精度逼近任意非線性函數(shù)，而且具有最優(yōu)泛函數(shù)逼近能力，另外，它具有較快的收斂速度和強大的抗噪和修復能力。 BP 網(wǎng)絡使用的 Sigmoid 函數(shù)具有全局特性，它在輸入值的很大范圍內每個節(jié)點都對輸出值產(chǎn)生影響，并且激勵函數(shù)在輸入值的很大范圍內相互重疊，因而相互影響，因此 BP 網(wǎng)絡訓練過程很長。 RBF 網(wǎng)絡的缺點： （ 1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。 RBF 神經(jīng)網(wǎng)絡的非線性映射能力體現(xiàn)在隱層基函數(shù)上 ， 而基函數(shù)的特性主要由基函數(shù)的中心確定，從數(shù)據(jù)點中任意選取中心構造出的 RBF 神經(jīng)網(wǎng)絡的性能顯然是不能令人滿意的目的 （ 5） RBF 神經(jīng)網(wǎng)絡用于非線性系統(tǒng)建模需要解決的關鍵問題是樣本數(shù)據(jù)的選擇在實際工業(yè)過程中 ， 系統(tǒng)的信息往往只能從系統(tǒng)運行的操作數(shù)據(jù)中分析得到 ， 因此如何從系統(tǒng)運行的操作數(shù)據(jù)中提取系統(tǒng)運行狀況信息 ， 以降低網(wǎng)絡對訓練樣本的依賴 ， 在實際應用中具有重要的價值。上面三種形式的模糊神經(jīng)網(wǎng)絡中所執(zhí)行的運算方法不同。對于 算術模糊神經(jīng)網(wǎng)絡，則有模糊 BP 算法， 遺傳算法 等。人工神經(jīng)網(wǎng)絡是模擬人腦結構的思維功能，具有較強的自學習和聯(lián)想功能，人工干預少，精度較高，對專家知識的利用也較好。在控制領域中，所關心的是由模糊神經(jīng)網(wǎng)絡構成的模糊控制器。 沈陽理工大學學士學位論文 12 3 開發(fā)軟件簡介 MATLAB 發(fā)展歷程 20 世紀 70 年代，美國新墨西哥大學計算機科學系主任 Cleve Moler 為了減輕學生編程的負擔，用 FORTRAN 編寫了最早的 MATLAB。正如同 FORTRAN和 C等高級語言使人們擺脫了需要直接對計算機硬件資源進行操作一樣，被稱作為第四代計算機語言的 MATLAB，利用其豐富的函數(shù)資源，使編程人員從繁瑣的程序代碼中解放出來。以下簡單介紹一下 MATLAB的主要特點?？梢哉f，用 MATLAB進行科技開發(fā)是站在專家的肩膀上。解線性方程的麻煩在于要對矩陣的元素作循環(huán)，選擇穩(wěn)定的算法以及代碼的調試都不容易。以下為用MATLAB 編寫以上兩個小程序的具體過程。更為難能可貴的是， MATLAB甚至具有一定的智能水平，比如上面的解方程， MATLAB會根據(jù)矩陣的特性選擇方程的求解方法，所以用戶根本不用懷疑 MATLAB的準確性。 （ 4）語法限制不嚴格，程序設計自由度大。在 FORTRAN和 C語言里，繪圖都很不容易，但在MATLAB里，數(shù)據(jù)的可視化非常簡單。 （ 8） MATLAB 包含兩個部分：核心部分和各種可選的工具箱。 （ 9）源程序的開放性。神經(jīng)網(wǎng)絡工具箱把很多需要手動計算的工作交于了計算機，一方面提高了計算的精度和準確度，另一方面，還提高了工作效率，工程人員的負擔得以減輕。一部分函數(shù)針對神經(jīng)網(wǎng)絡的某一種類型，如 BP 網(wǎng)絡的訓練函數(shù)，感知器的創(chuàng)建函數(shù)等。對于不同的網(wǎng)絡的模型，神經(jīng)網(wǎng)絡工具箱集成了很多種學習算法，為用戶提供了特別大的方便。這些神經(jīng)網(wǎng)絡模型主要在信息處理和預測、函數(shù)逼近和模型擬合、神經(jīng)網(wǎng)絡控制和故障診斷有所應用。通過運用人工神經(jīng)網(wǎng)絡的多層神經(jīng)網(wǎng)絡對大氣污染物濃度的實測值及其相關因子進行訓練學習，從而建立大氣污染物濃度與其在大氣中的限制因子的相關模型，再用此模型對大氣污染物濃度進行預測預警，以達到對大氣環(huán)境質量進行預測預警的作用。通過 BP 神經(jīng)網(wǎng)絡模型對 23 組樣本數(shù)據(jù)進行訓練學習，使測試得到的數(shù)據(jù)盡可能地接近測試樣本中的實際值以達到對空氣質量指數(shù)預測的目的。 其中，在誤差反向傳播的過程中，各神經(jīng)元權值和閾值的調整是誤差反向傳播的核心，調整權值的原則是使誤差不斷減小的過程。設給定 N 個樣本 (xk,yk)(k=1,2,...,N)，任一節(jié)點 i 的輸出為 ? i，對某一個輸入為 xk，網(wǎng)絡的輸出為 yk，節(jié)點 i 的輸出為 ? ik，現(xiàn)在研究第 l 層的第 j 個單元，當輸入第 k 個樣本時，節(jié)點 j 的輸入為 ????j1ljklijlij w （ ） )( ljkljk f?? （ ） 其中 1?ljk? 表示 l1 層，輸入第 k 個樣本時，第 j 個單元節(jié)點的輸出。8）代入式（ 3 這里，訓練樣本的順序從一個回合到另一個回合必須是隨機的。 LM 算法與擬牛頓法一樣，是為了在以近似二階訓練速率進行修正時避免計算Hessian 矩陣而設計的。 ? ? ? ? eJ]JJJ[kx1kx T1T ?????? （ ） 當系數(shù) μ為 0 時，上式采用牛頓法；當系數(shù)很大時，上式 采用步長比較小的梯度下降法。 預測步驟 用 BP 神經(jīng)網(wǎng)絡對空氣質量指數(shù)進行預測可以分為神經(jīng)網(wǎng)絡的訓練和預測兩個部分，具體步驟如下： 沈陽理工大學學士學位論文 21 （ 1）選取訓練樣本數(shù)據(jù)構造訓練樣本。本次實例中，我們選取 23 組數(shù)據(jù)作為訓練樣本對空氣質量指數(shù)進行預測。 歸一化是為了加快訓練網(wǎng)絡的收斂性，具體算法是： 將輸入輸出數(shù)據(jù)變換為 [0,1]區(qū)間的值常用以下變換式： minmaxminii xx xxx ??? （ ） 式中，代表輸入或輸出數(shù)據(jù)；代表數(shù)據(jù)變化范圍的最小值；代表數(shù)據(jù)變化范圍的最大值。盡管從表面上看，這些數(shù)據(jù)并不能直接反映空氣質量指數(shù)的內在規(guī)律，但是通過對它們進行簡單的計算便可以得到相關的狀態(tài)指標。在用試湊法時，可以一些確定隱節(jié)點數(shù)的經(jīng)驗公式。為了得到性能優(yōu)異的網(wǎng)絡拓撲結構，一般按照如下原則來確定隱層節(jié)點數(shù)：在保證精度要求的前提下使結構盡量緊湊，即讓隱層節(jié)點數(shù)盡可能小。用設計好的 BP 神經(jīng)網(wǎng)絡對數(shù)據(jù)進行訓練。 （ 6）預測網(wǎng)絡。當誤差值將到預先設定的精度或者學習次數(shù)大于設定的最大次數(shù)時，則結束訓練。 找到比較好的結果后，用命令 save file name _name 保存網(wǎng)絡，可使預測的結果不會發(fā)生變化，在需要的調用時用命令 load file name 載入。 [outputn,outputps]=mapminmax(output_train)。數(shù)據(jù)歸一化后將對網(wǎng)絡進行初始化創(chuàng)建一個前饋 BP神經(jīng)網(wǎng)絡，調用格式為： =newff(inputn,outputn,5)。在初始化網(wǎng)絡中，創(chuàng)建函數(shù)為 trainlm函數(shù)。 初始化之后將對網(wǎng)絡進行訓練，建立 BP網(wǎng)絡