神經網絡下的空氣質量預測

方成

摘 要：社會經濟的增長促進社會工業化進度和人口城市化的加快，也由此帶來越來越多的環境問題，其中一大氣污染問題較為嚴峻。我國濟南市環保檢測站在針對大氣環境污染的防治方面，成立專項的城市空氣質量自動檢測系統，以便通過大量的監測數據分析研究城市空氣質量的變化。鑒于傳統的預測方式對精準歷史數據分析的諸多局限，人工神經網絡的空氣質量監測，借助神經網絡的容噪能力和非線性處理能力對空氣質量進行預測，是當前環境管理部門獲取全面、精準、及時環境信息的有效途徑。

關鍵詞：BP神經網路；資源分配網絡；聚類；空氣質量預測

城市人口激增、交通能源開發利用，以及大型建筑的興起，產生的氮氧化合物、顆粒物、二氧化硫等大氣污染物給自然環境和資源帶去嚴峻挑戰。完善的城市環境空氣質量監測系統，能夠將整個城市的空氣質量檢測數據及具體的污染指數和重點污染物等，直接傳達至環境監測中心操控室的數據庫。神經網絡下的空氣質量預測，是現代神經科學運用到空氣質量監測的重要成果。

1.神經網絡和數據標準的概述

一定意義上，神經網絡能夠模擬神經系統的信息處理和檢索、儲存功能，使大量神經元組建的非線性系統，且具備一定的學習、計算和記憶能力。神經網絡的顯著特征是有大量簡單的神經元構成、無需建立精準的數學模型、強大的非線性映射能力、便于實現并行計算且容易傳輸有效的知識和信息。神經網的結構，以神經元作為連接節點，并在節點之間有向連接為邊組成的整幅圖。結構的連接方式相對多樣化，總的來說分為分層型和互聯型兩種。其中分層型神經網絡將全部的神經元按照功能劃分為輸入層、中間層和輸出層，每一層按照順序性分別相連。

神經網絡的誤差反向傳播，是實現任意非線性輸入和輸出的映射。反向傳播學習算法，及BP學習算法的訓練則主要利用樣本的輸入和輸出來實現，使得網絡形成輸入和輸出間的映射函數關系。當前存在的缺憾在于網絡系統對BP初始值敏感度很強，導致收斂速度差異過大；BP學習算法常在誤差階梯曲面的平坦區域停滯，導致收斂緩慢直至出現不再收斂；算法過程中訓練網絡極易陷入局部極小點；網絡隱含層節點數量的選取方面沒能統一指導；學習速度規則性不明確且訓練過程容易引發動蕩等。

數據的標準化研究中，為防止神經元的過分飽和，減少因數據量綱不同引發的影響，規定輸入神經網絡的訓練數據樣本要全部進行歸一化處理。將所有的輸入數據歸一到零至一的區間范圍內，而后面要進行網絡訓練輸出的結果則必要采取相反的方式處理。

2.樣本自組織聚類的BP神經網絡空氣質量預測

在預測領域，BP神經網絡的非線性逼近能力得到廣泛應用。鑒于實際應用中，樣本數據的產生存在諸多變性和不確定因素，導致樣本數據的累加和網絡的多次反復計算，造成不必要的精力和時間浪費。將自組織競爭網絡和BP網絡進行有機結合，通過自組織的競爭網絡來尋找樣本內部本質規律和屬性，進而進行有規則的聚類。樣本數值的預測輸入，根據自組織模型的競爭網絡來判別屬性，可盡可能地減少網絡運行的時間并有效提升預測的精確度?？諝赓|量的變化在一天之內產生的規律，可經過神經網絡預測模型進行預測。自組織競爭神經網絡作為一類既有競爭機制的前饋網絡，能夠進行自主性學習，并自主尋找數據樣本的本質規律和特性，通過改變網絡參數及其組織結構，實現聚類的目標。

BP網絡算法的訓練理論必須具備嚴謹、高精、通用且可靠的特點，所以改進后的訓練算法用誤差精度偏高且收斂速度較快的增加運量項和自適應調節學習速率相融合，提升BP神經網絡的算法性能。

聚類自組織競爭網絡，構建樣本自組織聚類的BP神經網絡模型結構（如下圖）。模型的競爭網絡對訓練樣本自組織聚類，完成數據樣本的分類，并運用分類后的樣本數據進行BP網絡訓練。輸入的樣本數據訓練網絡不同，然而輸入值、隱層和輸出層的神經元數量卻是相對固定，且樣本數據結構較為一致，導致最終的網絡訓練權值和閾值略有差距。BP神經網絡模型的建立，一般經歷初步確立自組織競爭網絡和網絡結構、自組織競爭網絡聚類所有的訓練樣本、衡量聚類結果進行自適應學習速率的調整和BP訓練、標注訓練樣本調整網絡的誤差權值并結束網絡訓練輸出最終預測結論幾個基本步驟。

3.隱節點剪枝的RAN空氣質量預測

城市空氣質量預測中多元化的非線性因素極易影響預測結果，因此需要構建一種具備在線學習能力的空氣質量預測模型，來應對多樣、突變的空氣變化、污染變化和指數變動。RBF神經網絡在預測空氣質量方面，因其具備的學習速成、擬合高精、結構簡單且泛化力強等多項優點被廣泛運用到時間序列、分類和函數的預測領域。神經網絡的建立過程，預測對象時時處在變動之中，簡單的收集輸入輸出數據將無法精準捕獲信息對象的非線性特征。另外，樣本數據的不完整，使得離線學習方式下搭建的神經網絡遠遠不能滿足現實需要。在保證不危害使用性能的情況下，為實現算法訓練網絡能夠滿足實際運用并擁有泛化能力，神經網絡模型的結果復雜度必然要降低。構建基于隱節點的剪枝RAN空氣質量預測模型，將在一定意義上完善算法的缺失并保證結果精準。

作為資源分配網絡的主旨思想，神經網絡的學習中模型樣本未建立之時，應當依據新性條件來分配節點計算。剪枝方法中很重要的一種手段是依據節點的相關性進行剪枝。一旦隱節點的輸出小于所有樣本的標準差，節點輸出數據可當做常數，進而將其并入到輸出層的閾值范圍；而兩個隱節點的輸出與所有樣本相關時，可將其進行有規則的合并使其成為一個節點；樣本數據的常數調節致使隱節點距離工作區域嚴重偏離時，樣本數據不具備激活隱節點的能力，可以直接刪除?；陔[節點剪枝建立的RAN空氣質量預測模型，在改良傳統學習算法后，增加了隱節點合并性能的關聯度。通過網絡模型的檢測，觀察預測數值遠遠精準過聚類RBF網絡或其他傳統RAN的預測能力。因此，神經網絡在空氣質量預測方面的應用明顯優于傳統的預報方式。值得注意的是，神經網絡技術下的空氣質量預測涉及的信息量過廣，網絡設計、樣本選擇、建模方法以及信息獲取方式等都存在很大的進步空間。因此，建立并完善更加全面、及時、高精、合理的神經網絡空氣質量預測模型仍需不斷努力。

參考文獻

[1]李翔. 基于GAB和模糊BP神經網絡的空氣質量預測[J]. 華中科技大學學報（自然科學版），2013，S1：63-65+69.

[2]汪小寒，張燕平，趙姝，張鈴. 基于動態粒度小波神經網絡的空氣質量預測[J]. 計算機工程與應用，2013，06：221-224.

[3]孟棟，樊重俊，李旭東，卜賓賓. 混沌遺傳神經網絡在空氣質量預測中的應用[J]. 安全與環境學報，2014，04：246-250.