【技术实现步骤摘要】
本专利技术涉及空气质量预测
,具体涉及一种基于无迹卡尔曼神经网络(简称UKFNN)的PM2.5浓度预测方法。
技术介绍
PM2.5即细颗粒物,是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物,又称可吸入肺颗粒物。它能较长时间悬浮于空气中,其在空气中的浓度越高,就代表空气污染越严重。与直径较大的大气颗粒物相比,PM2.5的粒径小,表面积大,活性强,易附带有毒、有害物质,并且在大气中停留时间较长,运送距离远,对人体健康和大气环境的影响更大。它能引发人们支气管、心血管、呼吸道等方面的疾病,损害血红蛋白输送氧气的能力,甚至可以使人体产生病变,诱发癌症。同时,由于大气中的颗粒物对光的散射和吸收,能显著减弱光信号,大幅降低有效视距,从而使空气中的能见度降低,产生雾霾天气,对人们的日常生活带来不便和危害。因此,对PM2.5的监测及对其浓度变化的研究就显得尤为重要了。
技术实现思路
本申请通过提供一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法,以解决现有技术中对PM2.5浓度预测不准确,误差较大的技术问题。为解决上述技术问题,本申请采用以下技术方案予以实现:一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法,包括如下步骤:S1:获取PM2.5浓度的历史数据;S2:利用无迹卡尔曼神经网络进行递推运算,并通过不断地进行在线预测,循环修正神经网络的权值和阈值,实现对PM2.5浓度混沌时间序列的预测,以建立PM2.5浓度预测的动态演化模型:设有一个N层前向神经网络,每层神经元数为Sk(k=1,2,…,N),输入层为第一层,输出层为第N层,第k层神经元的连接权值为 ...
【技术保护点】
一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法,其特征在于,包括如下步骤:S1:获取PM2.5浓度的历史数据;S2:利用无迹卡尔曼神经网络进行递推运算,并通过不断地进行在线预测,循环修正神经网络的权值和阈值,实现对PM2.5浓度混沌时间序列的预测,以建立PM2.5浓度预测的动态演化模型:设有一个N层前向神经网络,每层神经元数为Sk(k=1,2,…,N),输入层为第一层,输出层为第N层,第k层神经元的连接权值为(i=1,2,…,Sk‑1,j=1,2,…,Sk),将神经网络的权值w、阈值b作为无迹卡尔曼滤波的状态变量,将神经网络的输出作为无迹卡尔曼滤波的测量变量,将神经网络中的所有权值和阈值组成状态向量:X=[w111...ws1s21w112...ws1s22b111w11N-1...ws1s2N-1b11....bs11b12....bs22b1N-1....bsk-1N-1]T,]]>则系统的状态方程和观测方程可表示为:Xk=Xk-1Yek=h(Wk,Xk)+Vk=FN(WkN,FN-1(WkN-1...F2(Wk2,Xk)))+Vk]]>式中,h(·)为非线 ...
【技术特征摘要】
1.一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法,其特征在于,包括如下步骤:S1:获取PM2.5浓度的历史数据;S2:利用无迹卡尔曼神经网络进行递推运算,并通过不断地进行在线预测,循环修正神经网络的权值和阈值,实现对PM2.5浓度混沌时间序列的预测,以建立PM2.5浓度预测的动态演化模型:设有一个N层前向神经网络,每层神经元数为Sk(k=1,2,…,N),输入层为第一层,输出层为第N层,第k层神经元的连接权值为(i=1,2,…,Sk-1,j=1,2,…,Sk),将神经网络的权值w、阈值b作为无迹卡尔曼滤波的状态变量,将神经网络的输出作为无迹卡尔曼滤波的测量变量,将神经网络中的所有权值和阈值组成状态向量: X = [ w 11 1 ... w s 1 s 2 1 w 11 2 ... w s 1 s 2 2 b 11 1 w 11 N - 1 ... w s 1 s 2 N - 1 b 1 1 .... b s 1 1 b 1 2 .... b s 2 2 b 1 N - 1 .... b s k - 1 N - 1 ] T , ]]>则系统的状态方程和观测方程可表示为: X k = X k - 1 ...
【专利技术属性】
技术研发人员:苏盈盈,王晓峰,贾威,贾瑞楠,
申请(专利权)人:重庆科技学院,
类型:发明
国别省市:重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。