中南大学学报（自然科学版）
中南大學學報（自然科學版）
중남대학학보（자연과학판）
JOURNAL OF CENTRAL SOUTH UNIVERSITY
2012年
5期
1969-1974
,共6页
石灵芝%邓启红%路婵%刘蔚巍
石靈芝%鄧啟紅%路嬋%劉蔚巍
석령지%산계홍%로선%류위외
BP人工神经网络%PM10%预测%多元线性回归%高污染
BP人工神經網絡%PM10%預測%多元線性迴歸%高汙染
BP인공신경망락%PM10%예측%다원선성회귀%고오염
根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度.为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型.研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高:所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62:人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确.
根據2008年長沙市火車站鑑測點全年大氣PM10及氣象參數的小時平均數據,建立BP人工神經網絡預測模型,預測PM10小時平均濃度.為證明人工神經網絡模型用于預測PM10質量濃度的準確性,研究中攷慮2種預測模型:多元線性迴歸模型與人工神經網絡模型.研究結果錶明:與傳統的多元線性迴歸模型相比,人工神經網絡模型能夠捕捉汙染物濃度與氣象因素間的非線性影響規律,能更好地預測PM10質量濃度,擬閤優度R2有較大提高:所選取氣象參數及汙染源彊變量能較準確地描述大氣PM10質量濃度的實時變化,用于PM10質量濃度的預測準確度較高,整體R2可達0.62:人工神經網絡預測模型不僅適用于一般汙染濃度情況,對于高汙染時期PM10質量濃度的預測也較為準確.
근거2008년장사시화차참감측점전년대기PM10급기상삼수적소시평균수거,건립BP인공신경망락예측모형,예측PM10소시평균농도.위증명인공신경망락모형용우예측PM10질량농도적준학성,연구중고필2충예측모형:다원선성회귀모형여인공신경망락모형.연구결과표명:여전통적다원선성회귀모형상비,인공신경망락모형능구포착오염물농도여기상인소간적비선성영향규률,능경호지예측PM10질량농도,의합우도R2유교대제고:소선취기상삼수급오염원강변량능교준학지묘술대기PM10질량농도적실시변화,용우PM10질량농도적예측준학도교고,정체R2가체0.62:인공신경망락예측모형불부괄용우일반오염농도정황,대우고오염시기PM10질량농도적예측야교위준학.
