基于遗传算法优化的BP神经网络模型的臭氧预测方法技术

基于遗传算法优化的BP神经网络模型的臭氧预测方法，属于BP神经网络技术领域。其特征在于：包括如下步骤：步骤1001，构建BP神经网络模型；步骤1002，选用遗传算法对BP神经网络模型进行优化；步骤1003，对BP神经网络模型，进行进一步优化；步骤1004，使用验证集对优化后的BP神经网络模型进行精度验证；步骤1005，根据步骤1004验证后的BP神经网络模型预测臭氧浓度。在本基于遗传算法优化的BP神经网络模型的臭氧预测方法中，通过BP神经网络模型作为预测模型，具有较强的自适应、自学习能力。同时结合遗传算法对BP神经网络模型进行优化，有助于对环境中污染物浓度的突发事件的模拟能力较差，通常只能用于平稳状态的预测。通常只能用于平稳状态的预测。通常只能用于平稳状态的预测。

【技术实现步骤摘要】
基于遗传算法优化的BP神经网络模型的臭氧预测方法


[0001]基于遗传算法优化的BP神经网络模型的臭氧预测方法，属于环境预测


技术介绍

[0002]空气质量的模型模拟研究最早可追溯到20世纪六十年代，到现在已经发展到第三代空气质量模型，可以被用来预测和模拟空气中臭氧的浓度。空气质量模型能够模拟的最小网格通常为1km*1km，不适用于小区域的大气污染模拟，准确度不高。空气质量模型的安装需在配置Linux的服务器上进行，安装复杂，研究者的计算机在达到一定要求后才能运行流畅，且需要大量研究区域的各方面数据，如气象、污染源、地形数据，而目前空气污染物的机理尚未彻底研究清楚。许多研究人员使用其他方法，如多元线性回归模型、时间序列模型等来预测空气污染物的浓度。尽管这些方法简单、直接、实用，但传统的数学和统计学方法的灵活性和通用性较差，且它们难以充分利用历史数据中的有用信息，对环境中污染物浓度的突发事件的模拟能力较差，通常只能用于平稳状态的预测。

技术实现思路

[0003]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种
[0004]本专利技术解决其技术问题所采用的技术方案是：该基于遗传算法优化的BP神经网络模型的臭氧预测方法，其特征在于：包括如下步骤：
[0005]步骤1001，构建BP神经网络模型；
[0006]步骤1002，选用遗传算法对BP神经网络模型进行优化；
[0007]步骤1003，对步骤1002中通过遗传算法优化后的BP神经网络模型，进行进一步优化；
[0008]步骤1004，使用验证集对优化后的BP神经网络模型进行精度验证；
[0009]步骤1005，根据步骤1004验证后的BP神经网络模型预测臭氧浓度。
[0010]优选的，步骤1002，包括如下步骤：
[0011]步骤1002
‑
1，初始化种群；
[0012]步骤1002
‑
2，计算适应度值；
[0013]步骤1002
‑
3，执行选择运算；
[0014]步骤1002
‑
4，执行交叉运算；
[0015]步骤1002
‑
5，执行变异运算。
[0016]优选的，在步骤1003中，利用EMA算法，对BP神经网络模型进行进一步优化。
[0017]优选的，步骤1003，包括如下步骤：
[0018]步骤1003
‑
1，初始评价，首先对输入的个体元素进行评价，对整体进行全局搜索得到M个初始评价得分高的元素和N个得分低的元素；
[0019]步骤1003
‑
2，划分初始子群，以上一步分化出的M、N个个体元素为中心搜索点，然后选取适当的半径为搜索范围，得到M个第一代优胜子群体和N个临时子群体；
[0020]步骤1003
‑
3，群体内趋同运算，在上一步产生的M+N个子群体内部，对每个个体元素进行评价，得分高的个体元素被定位为优胜个体，以此优胜个体为中心再进行搜索，直至无更优的个体元素得分产生；
[0021]步骤1003
‑
4，群体间异化运算，通过使分化出的优胜子群体和临时子群体之间形成竞争，从而不断更迭，实现找到最优解；
[0022]步骤1003
‑
5，优胜子群体与临时子群体之间的互换更迭；
[0023]步骤1003
‑
6，确定收敛条件，算法收敛的条件为优胜子群体的得分不再变化且与临时子群体之间不再产生更迭，即满足条件，执行步骤1003
‑
7；否则，返回步骤1003
‑
3；
[0024]步骤1003
‑
7，得到最优解，当算法整体符合收敛条件时，MEA算法整体结束，最终得分最高的个体元素。
[0025]优选的，在步骤1001中，以温度、湿度、日照强度、大气压、TVOC数据作为输入数据，臭氧数据作为输出数据，采用Matlab构建BP神经网络模型。
[0026]优选的，在执行步骤1001之前模型构建过程之前，采用R语言对数据进行预处理。
[0027]与现有技术相比，本专利技术所具有的有益效果是：
[0028]在本基于遗传算法优化的BP神经网络模型的臭氧预测方法中，通过BP神经网络模型作为预测模型，具有较强的自适应、自学习能力。人工神经网络模型是一门以人脑机制为基础、多学科交叉、研究非程序信息处理的新兴科学，能够通过对大量数据大规模处理、存储、自组织，实现有效逼近一个非线性关系，从而对大气污染进行预测，同时结合遗传算法对BP神经网络模型进行优化，有助于对环境中污染物浓度的突发事件的模拟能力较差，通常只能用于平稳状态的预测。
附图说明
[0029]图1为基于遗传算法优化的BP神经网络模型的臭氧预测方法流程图。
[0030]图2为BP神经网络结构示意图。
[0031]图3为遗传算法优化过程流程图。
[0032]图4为GA
‑
BP神经网络模型预测效果图。
[0033]图5为GA
‑
BP神经网络模型验证集的预测值与实际值对比图。
具体实施方式
[0034]图1～5是本专利技术的最佳实施例，下面结合附图1～5对本专利技术做进一步说明。
[0035]如图1所示，基于遗传算法优化的BP神经网络模型的臭氧预测方法，包括如下步骤：
[0036]步骤1001，构建预测臭氧浓度的BP神经网络模型；
[0037]结合图2，与现有技术相同，BP神经网络一般由输入层、隐含层和输出层三部分组成。其中，输入层和输出层都会与外界直接接触，由众多神经元组成，输入层接收大量的输入信息，输出层输出目标输出数据。隐含层并不与外界直接接触，而是用来接收输入层传入的数据，并对数据处理变换，隐含层的神经元个数由经验公式和模型反复多次训练测试确定。
[0038]BP神经网络的三部分间是由大量的节点相互联接构成，一个节点就代表一个激励
函数，用来计算其相邻节的加权和。节点之间的连线可以看做是一个权重，每一层都包含用来传递和处理数据的神经元节点，相邻层之间的神经元节点彼此全连接。
[0039]输入层节点的个数由输入参数的种类数量决定，输入层节点负责接受输入参数的数据，并将数据通过计算处理后传递给隐含层节点。多个输入层节点的数据一般会经过加权求和后输入到一个隐含层节点，这一过程是并行计算的，即多个隐含层节点会同时收到来自输入层节点处理后的信息。
[0040]隐含层节点个数可以参照不同方法人为进行设置，根据不同的应用场景，隐含层节点数通常需要通过针对性的调整才能满足需求。隐含层节点负责在输入层和输出层之间进行数据的传递，隐含层节点会根据设置好的激活函数、权重等计算得出一个临时输出。
[0041]隐含层节点个数可以参照不同方法人为进行设置，根据不同的应用场景，隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传算法优化的BP神经网络模型的臭氧预测方法，其特征在于：包括如下步骤：步骤1001，构建BP神经网络模型；步骤1002，选用遗传算法对BP神经网络模型进行优化；步骤1003，对步骤1002中通过遗传算法优化后的BP神经网络模型，进行进一步优化；步骤1004，使用验证集对优化后的BP神经网络模型进行精度验证；步骤1005，根据步骤1004验证后的BP神经网络模型预测臭氧浓度。2.根据权利要求1所述的基于遗传算法优化的BP神经网络模型的臭氧预测方法，其特征在于：步骤1002，包括如下步骤：步骤1002
‑
1，初始化种群；步骤1002
‑
2，计算适应度值；步骤1002
‑
3，执行选择运算；步骤1002
‑
4，执行交叉运算；步骤1002
‑
5，执行变异运算。3.根据权利要求1所述的基于遗传算法优化的BP神经网络模型的臭氧预测方法，其特征在于：在步骤1003中，利用EMA算法，对BP神经网络模型进行进一步优化。4.根据权利要求3所述的基于遗传算法优化的BP神经网络模型的臭氧预测方法，其特征在于：步骤1003，包括如下步骤：步骤1003
‑
1，初始评价，首先对输入的个体元素进行评价，对整体进行全局搜索得到M个初始评价得分高的元素和N个得分低的元素；步骤1003
‑
2，划分初始子群，以上一步分化出的M、N个...

【专利技术属性】
技术研发人员：王永强，宮净玉，王刚，蒋文春，曹怀祥，左海强，孔强，黄元凤，王嘉玮，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：