基于无迹卡尔曼神经网络的PM2.5浓度预测方法技术

本发明专利技术提供了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：获取PM2.5浓度的历史数据，基于无迹卡尔曼神经网络进行递推计算，利用MATLAB仿真软件编程，不断进行在线预测，不断修正权值和阈值，建立PM2.5浓度预测的动态演化模型，在得到动态演化模型和预测数据的基础上，建立图视化预警，以达到在数据预测后的预警作用。相较于基于BP神经网络建模而言，基于无迹卡尔曼神经网络建模在预测结果上更加的精准，误差更小。

【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(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 n - 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 Y e k = h ( W k , X k ) + V k = F N 本文档来自技高网...

【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(·)为非线性变换，FN为神经网络第N层传递函数，Yek为期望输出，Xk为输入矢量，Vk为观测噪声，它是随机白噪声，在无迹卡尔曼神经网络中设为0；时间更新为：k‑1时刻到k时刻的预测状态变量Xk/k‑1＝AXkAT，k‑1时刻到k时刻的预测误差协方差矩阵Pk/k‑1＝APkAT，式中，A＝[1]，Pk为k时刻的协方差矩阵；测量更新为：计算卡尔曼滤波增益式中，Kk为k时刻的滤波增益矩阵，Pk/k‑1为从k‑1时刻到k时刻的预测误差均方差矩阵，Hk为k时刻的观测矩阵，Rk为k时刻的量测噪声序列的方差阵，Rk＝[0.01]；利用测量值更新状态变量Xk＝Xk/k‑1+Kk(y(k)T‑Hk)，式中，y(k)T为期望输出，Hk为网络训练输出；更新误差协方差矩阵Pk＝(I‑KkHk)Pk/k‑1，式中，单位矩阵I＝diag(1)；S3：利用PM2.5浓度值的动态演化模型对PM2.5的浓度进行预测。...

【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