方成

摘 要：社會(huì)經(jīng)濟(jì)的增長(zhǎng)促進(jìn)社會(huì)工業(yè)化進(jìn)度和人口城市化的加快，也由此帶來越來越多的環(huán)境問題，其中一大氣污染問題較為嚴(yán)峻。我國(guó)濟(jì)南市環(huán)保檢測(cè)站在針對(duì)大氣環(huán)境污染的防治方面，成立專項(xiàng)的城市空氣質(zhì)量自動(dòng)檢測(cè)系統(tǒng)，以便通過大量的監(jiān)測(cè)數(shù)據(jù)分析研究城市空氣質(zhì)量的變化。鑒于傳統(tǒng)的預(yù)測(cè)方式對(duì)精準(zhǔn)歷史數(shù)據(jù)分析的諸多局限，人工神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量監(jiān)測(cè)，借助神經(jīng)網(wǎng)絡(luò)的容噪能力和非線性處理能力對(duì)空氣質(zhì)量進(jìn)行預(yù)測(cè)，是當(dāng)前環(huán)境管理部門獲取全面、精準(zhǔn)、及時(shí)環(huán)境信息的有效途徑。

關(guān)鍵詞：BP神經(jīng)網(wǎng)路；資源分配網(wǎng)絡(luò)；聚類；空氣質(zhì)量預(yù)測(cè)

城市人口激增、交通能源開發(fā)利用，以及大型建筑的興起，產(chǎn)生的氮氧化合物、顆粒物、二氧化硫等大氣污染物給自然環(huán)境和資源帶去嚴(yán)峻挑戰(zhàn)。完善的城市環(huán)境空氣質(zhì)量監(jiān)測(cè)系統(tǒng)，能夠?qū)⒄麄€(gè)城市的空氣質(zhì)量檢測(cè)數(shù)據(jù)及具體的污染指數(shù)和重點(diǎn)污染物等，直接傳達(dá)至環(huán)境監(jiān)測(cè)中心操控室的數(shù)據(jù)庫。神經(jīng)網(wǎng)絡(luò)下的空氣質(zhì)量預(yù)測(cè)，是現(xiàn)代神經(jīng)科學(xué)運(yùn)用到空氣質(zhì)量監(jiān)測(cè)的重要成果。

1.神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)標(biāo)準(zhǔn)的概述

一定意義上，神經(jīng)網(wǎng)絡(luò)能夠模擬神經(jīng)系統(tǒng)的信息處理和檢索、儲(chǔ)存功能，使大量神經(jīng)元組建的非線性系統(tǒng)，且具備一定的學(xué)習(xí)、計(jì)算和記憶能力。神經(jīng)網(wǎng)絡(luò)的顯著特征是有大量簡(jiǎn)單的神經(jīng)元構(gòu)成、無需建立精準(zhǔn)的數(shù)學(xué)模型、強(qiáng)大的非線性映射能力、便于實(shí)現(xiàn)并行計(jì)算且容易傳輸有效的知識(shí)和信息。神經(jīng)網(wǎng)的結(jié)構(gòu)，以神經(jīng)元作為連接節(jié)點(diǎn)，并在節(jié)點(diǎn)之間有向連接為邊組成的整幅圖。結(jié)構(gòu)的連接方式相對(duì)多樣化，總的來說分為分層型和互聯(lián)型兩種。其中分層型神經(jīng)網(wǎng)絡(luò)將全部的神經(jīng)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(jīng)網(wǎng)絡(luò)的誤差反向傳播，是實(shí)現(xiàn)任意非線性輸入和輸出的映射。反向傳播學(xué)習(xí)算法，及BP學(xué)習(xí)算法的訓(xùn)練則主要利用樣本的輸入和輸出來實(shí)現(xiàn)，使得網(wǎng)絡(luò)形成輸入和輸出間的映射函數(shù)關(guān)系。當(dāng)前存在的缺憾在于網(wǎng)絡(luò)系統(tǒng)對(duì)BP初始值敏感度很強(qiáng)，導(dǎo)致收斂速度差異過大；BP學(xué)習(xí)算法常在誤差階梯曲面的平坦區(qū)域停滯，導(dǎo)致收斂緩慢直至出現(xiàn)不再收斂；算法過程中訓(xùn)練網(wǎng)絡(luò)極易陷入局部極小點(diǎn)；網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)量的選取方面沒能統(tǒng)一指導(dǎo)；學(xué)習(xí)速度規(guī)則性不明確且訓(xùn)練過程容易引發(fā)動(dòng)蕩等。

數(shù)據(jù)的標(biāo)準(zhǔn)化研究中，為防止神經(jīng)元的過分飽和，減少因數(shù)據(jù)量綱不同引發(fā)的影響，規(guī)定輸入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)樣本要全部進(jìn)行歸一化處理。將所有的輸入數(shù)據(jù)歸一到零至一的區(qū)間范圍內(nèi)，而后面要進(jìn)行網(wǎng)絡(luò)訓(xùn)練輸出的結(jié)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(jīng)網(wǎng)絡(luò)空氣質(zhì)量預(yù)測(cè)

在預(yù)測(cè)領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)的非線性逼近能力得到廣泛應(yīng)用。鑒于實(shí)際應(yīng)用中，樣本數(shù)據(jù)的產(chǎn)生存在諸多變性和不確定因素，導(dǎo)致樣本數(shù)據(jù)的累加和網(wǎng)絡(luò)的多次反復(fù)計(jì)算，造成不必要的精力和時(shí)間浪費(fèi)。將自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合，通過自組織的競(jìng)爭(zhēng)網(wǎng)絡(luò)來尋找樣本內(nèi)部本質(zhì)規(guī)律和屬性，進(jìn)而進(jìn)行有規(guī)則的聚類。樣本數(shù)值的預(yù)測(cè)輸入，根據(jù)自組織模型的競(jìng)爭(zhēng)網(wǎng)絡(luò)來判別屬性，可盡可能地減少網(wǎng)絡(luò)運(yùn)行的時(shí)間并有效提升預(yù)測(cè)的精確度?？諝赓|(zhì)量的變化在一天之內(nèi)產(chǎn)生的規(guī)律，可經(jīng)過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)作為一類既有競(jìng)爭(zhēng)機(jī)制的前饋網(wǎng)絡(luò)，能夠進(jìn)行自主性學(xué)習(xí)，并自主尋找數(shù)據(jù)樣本的本質(zhì)規(guī)律和特性，通過改變網(wǎng)絡(luò)參數(shù)及其組織結(jié)構(gòu)，實(shí)現(xiàn)聚類的目標(biāo)。

BP網(wǎng)絡(luò)算法的訓(xùn)練理論必須具備嚴(yán)謹(jǐn)、高精、通用且可靠的特點(diǎn)，所以改進(jìn)后的訓(xùn)練算法用誤差精度偏高且收斂速度較快的增加運(yùn)量項(xiàng)和自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率相融合，提升BP神經(jīng)網(wǎng)絡(luò)的算法性能。

聚類自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)，構(gòu)建樣本自組織聚類的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)（如下圖）。模型的競(jìng)爭(zhēng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本自組織聚類，完成數(shù)據(jù)樣本的分類，并運(yùn)用分類后的樣本數(shù)據(jù)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練。輸入的樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)不同，然而輸入值、隱層和輸出層的神經(jīng)元數(shù)量卻是相對(duì)固定，且樣本數(shù)據(jù)結(jié)構(gòu)較為一致，導(dǎo)致最終的網(wǎng)絡(luò)訓(xùn)練權(quán)值和閾值略有差距。BP神經(jīng)網(wǎng)絡(luò)模型的建立，一般經(jīng)歷初步確立自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)和網(wǎng)絡(luò)結(jié)構(gòu)、自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)聚類所有的訓(xùn)練樣本、衡量聚類結(jié)果進(jìn)行自適應(yīng)學(xué)習(xí)速率的調(diào)整和BP訓(xùn)練、標(biāo)注訓(xùn)練樣本調(diào)整網(wǎng)絡(luò)的誤差權(quán)值并結(jié)束網(wǎng)絡(luò)訓(xùn)練輸出最終預(yù)測(cè)結(jié)論幾個(gè)基本步驟。

3.隱節(jié)點(diǎn)剪枝的RAN空氣質(zhì)量預(yù)測(cè)

城市空氣質(zhì)量預(yù)測(cè)中多元化的非線性因素極易影響預(yù)測(cè)結(jié)果，因此需要構(gòu)建一種具備在線學(xué)習(xí)能力的空氣質(zhì)量預(yù)測(cè)模型，來應(yīng)對(duì)多樣、突變的空氣變化、污染變化和指數(shù)變動(dòng)。RBF神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)空氣質(zhì)量方面，因其具備的學(xué)習(xí)速成、擬合高精、結(jié)構(gòu)簡(jiǎn)單且泛化力強(qiáng)等多項(xiàng)優(yōu)點(diǎn)被廣泛運(yùn)用到時(shí)間序列、分類和函數(shù)的預(yù)測(cè)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的建立過程，預(yù)測(cè)對(duì)象時(shí)時(shí)處在變動(dòng)之中，簡(jiǎn)單的收集輸入輸出數(shù)據(jù)將無法精準(zhǔn)捕獲信息對(duì)象的非線性特征。另外，樣本數(shù)據(jù)的不完整，使得離線學(xué)習(xí)方式下搭建的神經(jīng)網(wǎng)絡(luò)遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)實(shí)需要。在保證不危害使用性能的情況下，為實(shí)現(xiàn)算法訓(xùn)練網(wǎng)絡(luò)能夠滿足實(shí)際運(yùn)用并擁有泛化能力，神經(jīng)網(wǎng)絡(luò)模型的結(jié)果復(fù)雜度必然要降低。構(gòu)建基于隱節(jié)點(diǎn)的剪枝RAN空氣質(zhì)量預(yù)測(cè)模型，將在一定意義上完善算法的缺失并保證結(jié)果精準(zhǔn)。

作為資源分配網(wǎng)絡(luò)的主旨思想，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中模型樣本未建立之時(shí)，應(yīng)當(dāng)依據(jù)新性條件來分配節(jié)點(diǎn)計(jì)算。剪枝方法中很重要的一種手段是依據(jù)節(jié)點(diǎn)的相關(guān)性進(jìn)行剪枝。一旦隱節(jié)點(diǎn)的輸出小于所有樣本的標(biāo)準(zhǔn)差，節(jié)點(diǎn)輸出數(shù)據(jù)可當(dāng)做常數(shù)，進(jìn)而將其并入到輸出層的閾值范圍；而兩個(gè)隱節(jié)點(diǎn)的輸出與所有樣本相關(guān)時(shí)，可將其進(jìn)行有規(guī)則的合并使其成為一個(gè)節(jié)點(diǎn)；樣本數(shù)據(jù)的常數(shù)調(diào)節(jié)致使隱節(jié)點(diǎn)距離工作區(qū)域嚴(yán)重偏離時(shí)，樣本數(shù)據(jù)不具備激活隱節(jié)點(diǎn)的能力，可以直接刪除?；陔[節(jié)點(diǎn)剪枝建立的RAN空氣質(zhì)量預(yù)測(cè)模型，在改良傳統(tǒng)學(xué)習(xí)算法后，增加了隱節(jié)點(diǎn)合并性能的關(guān)聯(lián)度。通過網(wǎng)絡(luò)模型的檢測(cè)，觀察預(yù)測(cè)數(shù)值遠(yuǎn)遠(yuǎn)精準(zhǔn)過聚類RBF網(wǎng)絡(luò)或其他傳統(tǒng)RAN的預(yù)測(cè)能力。因此，神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量預(yù)測(cè)方面的應(yīng)用明顯優(yōu)于傳統(tǒng)的預(yù)報(bào)方式。值得注意的是，神經(jīng)網(wǎng)絡(luò)技術(shù)下的空氣質(zhì)量預(yù)測(cè)涉及的信息量過廣，網(wǎng)絡(luò)設(shè)計(jì)、樣本選擇、建模方法以及信息獲取方式等都存在很大的進(jìn)步空間。因此，建立并完善更加全面、及時(shí)、高精、合理的神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量預(yù)測(cè)模型仍需不斷努力。

參考文獻(xiàn)

[1]李翔. 基于GAB和模糊BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)[J]. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，S1：63-65+69.

[2]汪小寒，張燕平，趙姝，張鈴. 基于動(dòng)態(tài)粒度小波神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用，2013，06：221-224.

[3]孟棟，樊重俊，李旭東，卜賓賓. 混沌遺傳神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量預(yù)測(cè)中的應(yīng)用[J]. 安全與環(huán)境學(xué)報(bào)，2014，04：246-250.