【正文】 本人授權(quán)大學(xué)可以將本論文的全部或部分內(nèi)容編入數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保 存和匯編本論文。除了文中特別加以標(biāo)注引用的內(nèi)容外，本 20 論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果。 進(jìn)度表分前、中、后三期由學(xué)生填寫，每期填寫后交指導(dǎo)教師簽署審查意見，并作為畢業(yè)論文工作檢查的主要依據(jù)。這不僅是一種禮貌，也是對他人勞動(dòng)的尊重，是治學(xué)者應(yīng)有的思想作風(fēng)。引用參考文獻(xiàn)時(shí)，必須注意寫法的規(guī)范性。如不這樣 做，就有抄襲、剽竊、侵權(quán)之嫌。 （ 3）要實(shí)事求是地介紹自己研究的成果，切忌言過其實(shí)，在無充分把握時(shí)，應(yīng)留有余地。一般寫得概括、篇幅較短。在對結(jié)果作定性和定量分析時(shí)，應(yīng)說明數(shù)據(jù)的處理方法以及誤差分析，說明現(xiàn)象出現(xiàn)的條件及其可觀性，交代理論推導(dǎo)中認(rèn)識的由來和發(fā)展，以便別人以此為依據(jù)進(jìn)行核實(shí)驗(yàn)證，對結(jié)果進(jìn)行分析后所得的結(jié)論和推論，也應(yīng)說明其使用的條件與范圍。 c． 用調(diào)查研究的方法達(dá)到研究目的的，調(diào)查目標(biāo)、對象、范圍、時(shí)間、地點(diǎn)、調(diào)查的過程和方法等，這些內(nèi)容與研究的最終結(jié)果有關(guān)系，但不是結(jié)果本身，所以，一定要簡述。 （ 2）課題研究的方法與手段分別用以下幾種方法說明 ： a． 用實(shí)驗(yàn)方法研究課題，應(yīng)具體說明實(shí)驗(yàn)用的裝置、儀器、原材料的性能是否標(biāo)準(zhǔn)，并應(yīng)對所有裝置、儀器、原材料做出檢驗(yàn)和標(biāo)定。主要內(nèi)容包括研究工作的基本前提、假設(shè)和條件；模型的建立，實(shí)驗(yàn)方案的擬定；基本概念和理論基礎(chǔ)；設(shè)計(jì)計(jì)算的主要方法和內(nèi)容；實(shí)驗(yàn)方法、內(nèi)容及其結(jié)果和意義的闡明；理論論證，理論在實(shí)際中的應(yīng)用等等。 作為摘要和前言，雖然所定的內(nèi)容大體相同，但仍有很大的區(qū)別。 4．前言 前言是全篇論文的開場白 ， 它包括： （ 1）選題的緣由。 （ 4）要獨(dú)立成文，選詞用語要避免與全文尤其是前言和結(jié)論雷同。摘要應(yīng)寫得扼要、準(zhǔn)確，一般在畢業(yè)論文全文完成后再寫摘要。題目的字?jǐn)?shù)要適當(dāng)，一般不宜超過 20 字。 7．謝辭 簡述自己通過本設(shè)計(jì)的體會(huì)，并對指導(dǎo)老師和協(xié)助完成設(shè)計(jì)的有關(guān)人員表示謝意。 （ 3）樣機(jī)或試件的各種實(shí)驗(yàn)及測試情況：包括實(shí)驗(yàn)方法、線路及數(shù)據(jù)處理等。 4．前言 應(yīng)說明本設(shè)計(jì)的目的、意義、范圍及應(yīng)達(dá)到的技術(shù)要求；簡述本課題在國內(nèi)（外）的發(fā)展概況及存在的問題；本設(shè)計(jì)的指導(dǎo)思想；闡述本設(shè)計(jì)應(yīng)解決的主要問題。 2．中外文摘要 及關(guān)鍵詞 應(yīng)扼要敘述本設(shè)計(jì)的主要內(nèi)容、特點(diǎn)，文字要簡練。 基于 BP人工神經(jīng)網(wǎng)絡(luò)的土壤環(huán)境質(zhì)量評價(jià)方法研究 （ J） 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào) [7]劉長安 人工神經(jīng)網(wǎng)絡(luò)的研究方法及應(yīng)用（ M）， 2020 年 [8]中華人民共和國國家標(biāo)準(zhǔn)環(huán)境空氣質(zhì)量標(biāo)準(zhǔn) (GB30951996)各項(xiàng)污染物的濃度限值（ 1999年） [9]張志涌等編著 MATLAB基礎(chǔ)教程 [10]Neural Network Toolbox User’sGuide (Version 4) The Math Works Inc , 2020. 附錄 A：中華人民共和國國家標(biāo)準(zhǔn)環(huán)境空氣質(zhì)量標(biāo)準(zhǔn) (GB30951996)各項(xiàng)污染物的濃度限值（ 1999 年） 污染物名稱pollutants 取值時(shí)間 Time 濃度限值 Concentration value 濃度單位Concentrention Unit 一級 Level Ove 二級 Level two 三級 Level Three 二氧化硫 SO2 年平均 Annual Average 日平均 Daily Average /小時(shí)平均 One hour Average mg/m3 (標(biāo)準(zhǔn)狀態(tài) )（ Standard state） 總懸浮顆粒物 TSP 年平均 Annual Average 日 平均 Daily Average 可吸入顆粒物 PM10 年平均 Annual Average 日平均 Daily Average 氮氧化物 NOX 年平均 Annual Average 日平均 Daily Average /小時(shí)平均 One hour Average 二氧化氮 NO2 年平均 Annual Average 日平均 Daily Average /小時(shí)平均 One hour Average 一氧化碳 CO 日平均 Daily Average /小時(shí)平均 One hour Average 臭氧 O3 1小時(shí)平均 One hour Average 鉛 Pb 年平均 Annual Average 季平均 Quarterly Average μg/m3 (標(biāo)準(zhǔn)狀態(tài) )（ Standard state） 苯并 (a)芘 B(a)P 日平均 Daily Average 氟化物 F 日平均 Daily Average 1小時(shí)平均 One hour Average 7(1) 20(1) 月平均 Monthly Average 植物生長季平均 Plant Growth Period Average (2) (2) (3) (3) μg/(dm 2基于 —— 神經(jīng)網(wǎng)絡(luò)（第二版）（ M）西安電子科技大學(xué)出版社， 2020 年 [2]叢爽編著。有多少可敬的師長、同學(xué)、朋友給了我無言的幫助，在這里請接受我誠摯的謝意 ! 最后感謝我的導(dǎo)師 ,她為人隨和熱情，治學(xué)嚴(yán)謹(jǐn)細(xì) 心。 表 3 結(jié)果比較 評價(jià)方法 1 2 3 4 5 6 7 8 9 物元評價(jià)法 2 2 1 2 3 1 3 3 2 模糊綜合評價(jià)法 2 2 1 2 3 2 3 3 2 BP 網(wǎng)絡(luò)評價(jià)法 1 2 1 2 3 1 3 3 2 灰色聚類評價(jià)法 1 2 1 2 3 1 3 3 2 4 結(jié)語 利用 MATLAB 的 rand 函數(shù)生成評價(jià)訓(xùn)練樣本、檢測樣本及其對應(yīng)目標(biāo)輸出的方法 ， 可以產(chǎn)生足夠數(shù)量的訓(xùn)練與 檢測樣本 ， 能較好地避免過去僅用評價(jià)標(biāo)準(zhǔn)作為訓(xùn)練樣本帶來的訓(xùn)練樣本數(shù)少和不能構(gòu)建檢測樣本問題 ， 對提高網(wǎng)絡(luò)的泛化能力具有較為顯著的效果。同樣，檢驗(yàn)樣本的檢測結(jié)果也比較符合目標(biāo)輸出。) 運(yùn)行結(jié)果如下圖所示： 圖 10 訓(xùn)練樣本 結(jié)果仿真 （ 7） 調(diào)用 postreg 函數(shù)對訓(xùn)練后網(wǎng)絡(luò)的仿真輸出和目標(biāo)輸出做線性回歸分析，以檢驗(yàn)網(wǎng)絡(luò)的訓(xùn)練效果。 text(100,3,39。)。一級 優(yōu) 39。 ylabel(39。)。 plot(x,y,39。 (,tr)=train(,P,T)。 程序運(yùn)行生成： 圖 8 網(wǎng)絡(luò) 生成結(jié)果 （ 5）訓(xùn)練網(wǎng)絡(luò)如下： =’ traingdx’ 。 [P,minp,maxp,T,mint,maxt]=premnmx(p,t)。 (4) 構(gòu)建網(wǎng)絡(luò) BP網(wǎng)絡(luò)輸入神經(jīng)元數(shù)取決于空氣質(zhì)量評價(jià)標(biāo)準(zhǔn)的指標(biāo)數(shù)，根據(jù)題意定為 3， 輸出層神經(jīng)元數(shù)設(shè)定為 1， 利用 MATLAB 中的函數(shù)訓(xùn)練網(wǎng)絡(luò) ,確定所需隱層單元數(shù)。 t3=2+ones(1,200)。 運(yùn)行生成如下所示： 圖 6 輸入變量生成結(jié)果 檢測樣本 ： 用生成訓(xùn)練樣本同理的方法生成檢測樣本 ， 小于一級標(biāo)準(zhǔn)生成 50個(gè)，一、二級標(biāo)準(zhǔn)之間生成 50 個(gè) ， 二、三級標(biāo)準(zhǔn)之 間生成 50個(gè) ， 共形成 150 個(gè)檢測樣本。 p3(1,:)=+.*rand(1,200)。 p1(3,:)=0+.*rand(1,200)。 訓(xùn)練樣本 [4][6]： 采用 MATLAB 的 rand()函數(shù)在各級評價(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 ， 小于一級標(biāo)準(zhǔn)生成 200 個(gè) ， 一、二級標(biāo)準(zhǔn)之間生成 200 個(gè) ， 二、三級標(biāo)準(zhǔn)之間生成 200個(gè) ， 共形成 600 個(gè)訓(xùn)練樣本。應(yīng)用 minmax函數(shù)可以求出樣本的輸入范圍，使用附加動(dòng)量法和自適應(yīng)學(xué)系速率相結(jié)合的技術(shù)算法函數(shù) traingdx 為訓(xùn)練函數(shù)，設(shè)定訓(xùn)練次數(shù)、要求精度、學(xué)習(xí)率等訓(xùn)練參數(shù)，進(jìn)行網(wǎng)絡(luò) 訓(xùn)練，使網(wǎng)絡(luò)的學(xué)習(xí)值和期望值達(dá)到精度要求，保存權(quán)值和閾值。 (4)BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 (3) BP 網(wǎng)絡(luò)模型的建立。 基于 MATLAB 的 BP 算法的實(shí)現(xiàn)過程 (1) 原始數(shù)據(jù)的預(yù)處理。 式中， p 為輸入量， t 為輸出量， P和 T為經(jīng)過歸一化處理后的實(shí)驗(yàn)數(shù)據(jù)。由于輸入層只起數(shù)據(jù)傳送作用，層中的神經(jīng)元是扇區(qū)單元，通常使用線性作用函數(shù) (輸出等于輸入 )，不存在飽和狀態(tài)。如果 Emin 值取得較大時(shí)則相反。本文采用 newff()函數(shù)自動(dòng)完成權(quán)值和閾值的初始化。針對具體的網(wǎng)絡(luò)結(jié)構(gòu)模型和學(xué)習(xí)樣本，都存在一個(gè)最佳的學(xué)習(xí)率 ? 和動(dòng)量因子 ? ，它們的取值范圍一般 0～ 1之間，視實(shí)際情況而定。為了保證算法的收斂性，學(xué)習(xí)率 ? 必須小于某一上限，一 般取 0＜ ? ＜ 1，而且越接近極小值，由于梯度變化值逐漸趨于零，算法的收斂就越來越慢。 隱層神經(jīng)元數(shù)為 4， 5的訓(xùn)練結(jié)果如下： 圖 3 隱層神經(jīng)元為 4 的訓(xùn)練結(jié)果 圖 4 隱層神經(jīng)元為 5 的訓(xùn)練結(jié)果 同理比較神經(jīng)元數(shù)為 6， 9， 10等等，可得當(dāng)隱層神經(jīng)元數(shù)為 5時(shí)最好，所以，隱層節(jié)點(diǎn)為 5個(gè)?？紤]到本研究的特點(diǎn)，結(jié)合不同隱層網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果，本文選擇了隱層數(shù) L=1 的網(wǎng)絡(luò)結(jié)構(gòu)模型。這些參數(shù)對訓(xùn)練速度的影響最為關(guān)鍵。關(guān)于這類網(wǎng)絡(luò)對非線性的逼近能力， Hornikl 等分別利用不同的方法證明了如下一個(gè)事實(shí)：僅含有一個(gè)隱層的前向網(wǎng)絡(luò)能以任意精度逼近定義在 Rn的一個(gè)緊集上的任意非線性函數(shù)。 雖然神經(jīng)網(wǎng)絡(luò)的類型很多，建立神經(jīng)網(wǎng)絡(luò)模型時(shí) ，根據(jù)研究對象的特點(diǎn)，可以考慮不同的神經(jīng)網(wǎng)絡(luò)模型。通常，在網(wǎng)絡(luò)結(jié)構(gòu)擴(kuò)大（隱層節(jié)點(diǎn)數(shù)增加）的過程中，網(wǎng)絡(luò)誤差會(huì)出現(xiàn)迅速減小然后趨于穩(wěn)定的一個(gè)階段，因此，合理隱層節(jié) 點(diǎn)數(shù)應(yīng)取誤差迅速減小后基本穩(wěn)定時(shí)的隱層節(jié)點(diǎn)數(shù)。此外，在不滿足隱層節(jié)點(diǎn)數(shù)條件時(shí)，總也可以求得訓(xùn)練樣本誤差很小或?yàn)榱愕臉O小點(diǎn)，但此時(shí)檢驗(yàn)樣本和測試樣本的誤差可能要大得多；若改變網(wǎng)絡(luò)連接權(quán)初始值，檢驗(yàn)樣本和測試樣本的網(wǎng)絡(luò)計(jì)算結(jié)果會(huì)產(chǎn)生很大變化，即多模式現(xiàn)象。因?yàn)橛?xùn)練樣本的誤差可以達(dá)到很小，因此，用從總樣本中隨機(jī)抽取的一部分測試樣本的誤差表示網(wǎng)絡(luò)模型計(jì)算和預(yù)測所具有的精度（網(wǎng)絡(luò)性能）是合理的和可靠的。因此，僅給出訓(xùn)練樣本誤差（通常是指均方根誤差 RSME 或均 方誤差、 AAE 或 MAPE 等）的大小而不給出非訓(xùn)練樣本誤差的大小是沒有任何意義的。因此，要求計(jì)算程序必須能夠自由改變網(wǎng)絡(luò)初始連接權(quán)值。 增加沖量項(xiàng)的目的是為了避免網(wǎng)絡(luò)訓(xùn)練陷于較淺的局部極小點(diǎn)。這些方法中應(yīng)用最廣的是增加了沖量（動(dòng)量）項(xiàng)和自適應(yīng)調(diào)整的改進(jìn) BP算法。但遺憾的是，迄今為止還沒有構(gòu)造性結(jié)論，即在給定有限個(gè)（訓(xùn)練）樣本的情況下，如何設(shè)計(jì)一個(gè)合理的 BP網(wǎng)絡(luò)模型并通過向所給的有限個(gè)樣本的學(xué)習(xí)（訓(xùn)練）來滿意地逼近樣本所蘊(yùn)含的規(guī)律（函數(shù)關(guān)系，不僅僅是使訓(xùn)練樣本的誤差達(dá)到很?。┑膯栴}，目前在很大程度上還需要依靠經(jīng)驗(yàn)知識和設(shè)計(jì)者的經(jīng)驗(yàn)。 總之，若 隱層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)可能根本不能訓(xùn)練或網(wǎng)絡(luò)性能很差；若隱層節(jié)點(diǎn)數(shù)太多，雖然可使網(wǎng)絡(luò)的系統(tǒng)誤差減小，但一方面使網(wǎng)絡(luò)訓(xùn)練時(shí)間延長，另一方面，訓(xùn)練容易陷入局部極小點(diǎn)而得不到最優(yōu)點(diǎn)，也是訓(xùn)練時(shí)出現(xiàn)“過擬合”的內(nèi)在原因。研究表明，隱層節(jié)點(diǎn)數(shù)不僅與輸入 /輸出層的節(jié)點(diǎn)數(shù)有關(guān)，更與需解決的問題的復(fù)雜程度和轉(zhuǎn)換函數(shù)的形式以及樣本數(shù)據(jù)的特性等因素有關(guān)。 隱層節(jié)點(diǎn)數(shù) 在 BP 網(wǎng)絡(luò)中，隱層 節(jié)點(diǎn)數(shù)的選擇非常重要，它不僅對建立的神經(jīng)網(wǎng)絡(luò)模型的性能影響很大，而且是訓(xùn)練時(shí)出現(xiàn)“過擬合”的直接原因，但是目前理論上還沒有一種科學(xué)的和普遍的確定方法。另外一個(gè)問題 :能不能僅用具有非線性激活函數(shù)的單層網(wǎng)絡(luò)來解決問題呢？結(jié)論是：沒有必要或效果不好。顯然，這是一個(gè)存在性結(jié)論。但必須注意的是，預(yù)處理的數(shù)據(jù)訓(xùn)練完成后，網(wǎng)絡(luò)輸出的結(jié)果要進(jìn)行反變換才能