优化进化神经网络的空气质量预测研究

doi:10.3778/j.issn.1002-8331.2009.28.064

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 211-214.DOI: 10.3778/j.issn.1002-8331.2009.28.064

优化进化神经网络的空气质量预测研究

张齐¹，罗国亮¹，李佳¹，赵坤荣²

1.华南理工大学计算机科学与工程学院，广州 510006
2.环境保护部华南环境科学研究所，广州 510655

收稿日期:2009-03-30 修回日期:2009-05-20 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 张齐

Research of forecasting of air quality based on optimization of Evolutionary Neural Network

ZHANG Qi¹，LUO Guo-liang¹，LI Jia¹，ZHAO Kun-rong²

1.College of Computer Science and Engineering，South China University of Technology，Guangzhou 510006，China
2.South China Institute of Environment Science，National Bureau of Environmental Protection，Guangzhou 510655，China

Received:2009-03-30 Revised:2009-05-20 Online:2009-10-01 Published:2009-10-01
Contact: ZHANG Qi

摘要/Abstract

摘要： 进化神经网络模型与问题内部机制无关，避免了神经网络收敛到局部，但模型存在参数多而过于复杂的问题。对影响基本进化神经网络模型性能的个体编码方式和适应度函数进行优化，并自适应性定义种群交叉率、变异率。以大气中主要污染物SO2为例，考虑气温、相对湿度、风速等影响因子，实验仿真结果表明优化后的进化神经网络较传统的基本进化神经网络模型进化过程收敛更快，预测效果更佳，为环境保护部门提供可靠的决策依据。

关键词: 进化神经网络, 污染源, 预测

Abstract: Evolutionary Neural Network（ENN） does not concern problems’ internal mechanism，avoids the convergence to local brought by neural network model，but the ENN model is complicated because of too many parameters.This paper optimizes the Simple ENN（SENN） with individual encoding，fitness function，and develops self-adaptive crossing rate and mutation rate of the species，which are main factors that influence the performance of the ENN.Simulation of the concentration that SO2 contained in the air with its impact factors and the historical data shows that Optimized ENN（OENN） converges faster in the evolution process than the SENN，and performs better in the forecasting.The OENN model can be capable to supply valuable prediction data for environmental protection.

Key words: Evolutionary Neural Network（ENN）, pollution sources, prediction

中图分类号:

TP183

张齐¹，罗国亮¹，李佳¹，赵坤荣². 优化进化神经网络的空气质量预测研究[J]. 计算机工程与应用, 2009, 45(28): 211-214.

ZHANG Qi¹，LUO Guo-liang¹，LI Jia¹，ZHAO Kun-rong². Research of forecasting of air quality based on optimization of Evolutionary Neural Network[J]. Computer Engineering and Applications, 2009, 45(28): 211-214.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[7]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[8]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[9]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[10]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[11]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[12]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[13]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[14]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[15]	顾海艳，陈亮，王多点. 基于模型预测控制的无人机时空协同航迹规划[J]. 计算机工程与应用, 2021, 57(23): 270-279.

优化进化神经网络的空气质量预测研究

Research of forecasting of air quality based on optimization of Evolutionary Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics