一种基于模糊加权ELM的移动污染源排放浓度预测方法技术

本发明专利技术公开了一种基于模糊加权ELM的移动污染源排放浓度预测方法，本发明专利技术根据移动污染源污染物的时空分布特点，提出自适应模糊加权超限学习机模型；根据模糊系统的特点，利用移动污染源排放浓度数据集的部分输入数据，完成自适应模糊加权超限学习机初始化，即模糊化处理；由于模糊系统自学习、自调节的特点可以对超限学习机的输入权值和隐层偏置值进行优化，通过对加权超限学习机进行正则化处理，得到移动污染源排放浓度预测方法。

A prediction method of mobile pollutant emission concentration based on fuzzy weighted ELM

The invention discloses a method for predicting the emission concentration of a mobile pollution source based on the fuzzy weighted ELM. According to the spatial and temporal distribution characteristics of the pollutants in the mobile pollution source, an adaptive fuzzy weighted ultra limited learning machine model is proposed, and some input data of the emission concentration data set of the mobile pollution source are used according to the characteristics of the fuzzy system. The self-adaptive fuzzy weighted ultra limited learning machine is initialized, that is, the model gelatinization processing. Because of the self learning and self adjustment characteristics of the fuzzy system, the input weights and the offset value of the hidden layer can be optimized. By regularizing the weighted overlimit learning machine, the prediction method of the emission concentration of the mobile pollution source is obtained.

【技术实现步骤摘要】
一种基于模糊加权ELM的移动污染源排放浓度预测方法
本专利技术涉及一种数据预测方法，尤其涉及一种基于模糊加权ELM的移动污染源排放浓度预测方法。
技术介绍
近年来，大气污染日渐成为一个严峻的问题，尤其是移动污染源超细颗粒物和挥发性有机物造成的大范围雾霾已经成为我国最突出的环境问题之一。超细颗粒物和挥发性有机物不仅对人体健康具有严重的直接危害，同时作为PM2.5的重要前体物和光化学烟雾的主要组成部分，对复合大气污染的形成起着至关重要的作用。由于移动污染源增速快、保有量大、流动范围广，排放污染物种类多、浓度高、持续时间长，其所排放的污染物权重日益加大，减排地位日益凸显。因此，超标排放移动污染源的实时管控和预报预警，不仅关系到为决策者制订相关行业规范、标准、政策提供参考依据，而且关系到进一步改善区域城市大气环境的质量。为此，我们需要对移动污染源污染物浓度进行事先预测，通过对单个监测点检测到的移动污染源污染物浓度进行时间序列的预测为决策者提供参考依据，实现对超标排放移动污染源的实时管控。目前，基于统计模型的预测方法被广泛应用在预测空气污染物浓度，如多元线性回归模型(multi-linearr本文档来自技高网...

【技术保护点】
一种基于模糊加权ELM的移动污染源排放浓度预测方法，其特征在于：该方法具体包括以下步骤：步骤1：初始化训练样本；采用最大最小法分别对训练集和测试集进行归一化处理，转化为[0,1]之间的值；所述训练样本为污染源，将数据集按照“留出法”划分成训练集和测试集；步骤2：选择高斯型隶属函数参数并计算各输入变量的隶属度

【技术特征摘要】
1.一种基于模糊加权ELM的移动污染源排放浓度预测方法，其特征在于：该方法具体包括以下步骤：步骤1：初始化训练样本；采用最大最小法分别对训练集和测试集进行归一化处理，转化为[0,1]之间的值；所述训练样本为污染源，将数据集按照“留出法”划分成训练集和测试集；步骤2：选择高斯型隶属函数参数并计算各输入变量的隶属度具体方法如下：1)TSK模糊系统用如下的“If-then”规则形式来定义，在规则为Ri的情况下，模糊推理如下：其中，为模糊系统的模糊集；为模糊系统参数；yi为根据模糊规则得到的输出，输入部分即if部分是模糊的，输出部分即then部分是确定的，该模糊推理表示输出为输入的线性组合；2)将输入的精确量xj＝[xj1,xj2,…,xjn]T∈Rn进行模糊化处理，转化为给定论域上的模糊集合，然后激活对应的模糊规则，并且选用模糊推理方法；ANFIS-WELM模型使用高斯型隶属函数；式中，为隶属度函数的中心，随机分配高斯模糊隶属函数σ的标准偏差，L为模糊子集数；步骤3：通过激活对应的模糊规则，对每个模糊规则的激活强度进行归一化处理，计算隐层节点输出矩阵H；具体方法如下：1)将各隶属度进行模糊计算，采用模糊算子为连乘算子：2)归一化层，每个模糊规则的激活强度都是由其总和来进行归一化，如下：对于N个训练样本，l个隐层节点来说，标准SLFNs的数学模型为：给定N个训练数据[xj,tj],j＝1,2,…,N，其中xj＝[xj1,xj2,…,xjn]T∈Rn是样本,tj＝[tj1,tj2,…,tjm]T∈Rm为样本xj的期望输出向量，n和m代表对应着输入和输出的维数；则ANFIS-WELM输出为：假设有L个规则，用pi表示第i个规则的参数矩阵，表示第i个规则下的第j个输入变量，i＝1,2,…,L，则输出γi表示为所有输入的线性组合

【专利技术属性】
技术研发人员：蒋鹏，李永安，佘青山，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33