方成

摘 要：社會經濟的增長促進社會工業(yè)化進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峻。我國濟南市環(huán)保檢測站在針對大氣環(huán)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(tǒng)，以便通過大量的監(jiān)測數(shù)據(jù)分析研究城市空氣質量的變化。鑒于傳統(tǒng)的預測方式對精準歷史數(shù)據(jù)分析的諸多局限，人工神經網(wǎng)絡的空氣質量監(jiān)測，借助神經網(wǎng)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(huán)境管理部門獲取全面、精準、及時環(huán)境信息的有效途徑。

關鍵詞：BP神經網(wǎng)路；資源分配網(wǎng)絡；聚類；空氣質量預測

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)境和資源帶去嚴峻挑戰(zhàn)。完善的城市環(huán)境空氣質量監(jiān)測系統(tǒng)，能夠將整個城市的空氣質量檢測數(shù)據(jù)及具體的污染指數(shù)和重點污染物等，直接傳達至環(huán)境監(jiān)測中心操控室的數(shù)據(jù)庫。神經網(wǎng)絡下的空氣質量預測，是現(xiàn)代神經科學運用到空氣質量監(jiān)測的重要成果。

1.神經網(wǎng)絡和數(shù)據(jù)標準的概述

一定意義上，神經網(wǎng)絡能夠模擬神經系統(tǒng)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(tǒng)，且具備一定的學習、計算和記憶能力。神經網(wǎng)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(shù)學模型、強大的非線性映射能力、便于實現(xiàn)并行計算且容易傳輸有效的知識和信息。神經網(wǎng)的結構，以神經元作為連接節(jié)點，并在節(jié)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(lián)型兩種。其中分層型神經網(wǎng)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(wǎng)絡的誤差反向傳播，是實現(xiàn)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(xiàn)，使得網(wǎng)絡形成輸入和輸出間的映射函數(shù)關系。當前存在的缺憾在于網(wǎng)絡系統(tǒng)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(qū)域停滯，導致收斂緩慢直至出現(xiàn)不再收斂；算法過程中訓練網(wǎng)絡極易陷入局部極小點；網(wǎng)絡隱含層節(jié)點數(shù)量的選取方面沒能統(tǒng)一指導；學習速度規(guī)則性不明確且訓練過程容易引發(fā)動蕩等。

數(shù)據(jù)的標準化研究中，為防止神經元的過分飽和，減少因數(shù)據(jù)量綱不同引發(fā)的影響，規(guī)定輸入神經網(wǎng)絡的訓練數(shù)據(jù)樣本要全部進行歸一化處理。將所有的輸入數(shù)據(jù)歸一到零至一的區(qū)間范圍內，而后面要進行網(wǎng)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(wǎng)絡空氣質量預測

在預測領域，BP神經網(wǎng)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(shù)據(jù)的產生存在諸多變性和不確定因素，導致樣本數(shù)據(jù)的累加和網(wǎng)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(wǎng)絡和BP網(wǎng)絡進行有機結合，通過自組織的競爭網(wǎng)絡來尋找樣本內部本質規(guī)律和屬性，進而進行有規(guī)則的聚類。樣本數(shù)值的預測輸入，根據(jù)自組織模型的競爭網(wǎng)絡來判別屬性，可盡可能地減少網(wǎng)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(guī)律，可經過神經網(wǎng)絡預測模型進行預測。自組織競爭神經網(wǎng)絡作為一類既有競爭機制的前饋網(wǎng)絡，能夠進行自主性學習，并自主尋找數(shù)據(jù)樣本的本質規(guī)律和特性，通過改變網(wǎng)絡參數(shù)及其組織結構，實現(xiàn)聚類的目標。

BP網(wǎng)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(jié)學習速率相融合，提升BP神經網(wǎng)絡的算法性能。

聚類自組織競爭網(wǎng)絡，構建樣本自組織聚類的BP神經網(wǎng)絡模型結構（如下圖）。模型的競爭網(wǎng)絡對訓練樣本自組織聚類，完成數(shù)據(jù)樣本的分類，并運用分類后的樣本數(shù)據(jù)進行BP網(wǎng)絡訓練。輸入的樣本數(shù)據(jù)訓練網(wǎng)絡不同，然而輸入值、隱層和輸出層的神經元數(shù)量卻是相對固定，且樣本數(shù)據(jù)結構較為一致，導致最終的網(wǎng)絡訓練權值和閾值略有差距。BP神經網(wǎng)絡模型的建立，一般經歷初步確立自組織競爭網(wǎng)絡和網(wǎng)絡結構、自組織競爭網(wǎng)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(wǎng)絡的誤差權值并結束網(wǎng)絡訓練輸出最終預測結論幾個基本步驟。

3.隱節(jié)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(shù)變動。RBF神經網(wǎng)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(yōu)點被廣泛運用到時間序列、分類和函數(shù)的預測領域。神經網(wǎng)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(shù)據(jù)將無法精準捕獲信息對象的非線性特征。另外，樣本數(shù)據(jù)的不完整，使得離線學習方式下搭建的神經網(wǎng)絡遠遠不能滿足現(xiàn)實需要。在保證不危害使用性能的情況下，為實現(xiàn)算法訓練網(wǎng)絡能夠滿足實際運用并擁有泛化能力，神經網(wǎng)絡模型的結果復雜度必然要降低。構建基于隱節(jié)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(wǎng)絡的主旨思想，神經網(wǎng)絡的學習中模型樣本未建立之時，應當依據(jù)新性條件來分配節(jié)點計算。剪枝方法中很重要的一種手段是依據(jù)節(jié)點的相關性進行剪枝。一旦隱節(jié)點的輸出小于所有樣本的標準差，節(jié)點輸出數(shù)據(jù)可當做常數(shù)，進而將其并入到輸出層的閾值范圍；而兩個隱節(jié)點的輸出與所有樣本相關時，可將其進行有規(guī)則的合并使其成為一個節(jié)點；樣本數(shù)據(jù)的常數(shù)調節(jié)致使隱節(jié)點距離工作區(qū)域嚴重偏離時，樣本數(shù)據(jù)不具備激活隱節(jié)點的能力，可以直接刪除。基于隱節(jié)點剪枝建立的RAN空氣質量預測模型，在改良傳統(tǒng)學習算法后，增加了隱節(jié)點合并性能的關聯(lián)度。通過網(wǎng)絡模型的檢測，觀察預測數(shù)值遠遠精準過聚類RBF網(wǎng)絡或其他傳統(tǒng)RAN的預測能力。因此，神經網(wǎng)絡在空氣質量預測方面的應用明顯優(yōu)于傳統(tǒng)的預報方式。值得注意的是，神經網(wǎng)絡技術下的空氣質量預測涉及的信息量過廣，網(wǎng)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(wǎng)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(wǎng)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(tài)粒度小波神經網(wǎng)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(wǎng)絡在空氣質量預測中的應用[J]. 安全與環(huán)境學報，2014，04：246-250.