亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        霧霾的RBF網(wǎng)絡(luò)與遺傳算法優(yōu)化預(yù)測(cè)

        2017-05-18 08:39:41王鑫
        科技視界 2016年19期
        關(guān)鍵詞:RBF神經(jīng)網(wǎng)絡(luò)霧霾遺傳算法

        王鑫

        [摘要]霧霾是對(duì)大氣中各種懸浮顆粒物含量超標(biāo)的籠統(tǒng)表述。隨著空氣質(zhì)量的惡化。陰霾天氣現(xiàn)象出現(xiàn)增多,危害加重。為了更加準(zhǔn)確的預(yù)測(cè)霧霾天氣的形成,本文基于自然界遺傳機(jī)制和生物進(jìn)化論,提出了一種基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)霧霾形成的預(yù)測(cè)模型,并使用MATLAB進(jìn)行仿真研究。研究表明RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度與網(wǎng)絡(luò)權(quán)值和RBF參數(shù)初始值有很大關(guān)系,因此本文采用遺傳算法優(yōu)化RBF網(wǎng)絡(luò)權(quán)值和其他參數(shù)。形成GA-RBF預(yù)測(cè)模型。該模型通過計(jì)算群體中個(gè)體適應(yīng)度,確定全局最優(yōu)值。尋找網(wǎng)絡(luò)參數(shù)的最優(yōu)值。實(shí)驗(yàn)結(jié)果表明GA-RBF優(yōu)于傳統(tǒng)的RBF預(yù)測(cè)模型,訓(xùn)練速度和預(yù)測(cè)精度顯著提高。

        [關(guān)鍵詞]RBF神經(jīng)網(wǎng)絡(luò):遺傳算法:霧霾:預(yù)測(cè)

        0引言

        霧霾是霧和霾的混合物,二氧化硫、氮氧化物以及可吸入顆粒物這三項(xiàng)是霧霾的主要組成部分,顆粒物的英文縮寫為PM,北京市目前監(jiān)測(cè)的是PM2.5,也就是空氣動(dòng)力學(xué)當(dāng)量直徑小于等于2.5微米的污染物顆粒。這種顆粒本身既是一種污染物,又是重金屬、多環(huán)芳烴等有毒物質(zhì)的載體。

        霧霾能直接進(jìn)入并粘附在人體下呼吸道和肺葉中,對(duì)人體健康有傷害,因此重污染天氣的預(yù)警預(yù)測(cè)工作顯得尤為重要,不僅可以讓公眾提前合理安排生產(chǎn)生活,也可以讓政府相關(guān)部門及時(shí)采取應(yīng)急措施,緩解重污染天氣帶來的危害。霧霾天氣的形成與組成的主要可吸入顆粒物呈現(xiàn)的是非線性的關(guān)系,并且霧霾天氣時(shí)變且受多種因素影響,而且決定霧霾形成的各因素間的關(guān)系很難精確描述,具有明顯的模糊性、隨機(jī)性和信息不完全性,采用一般的方法很難準(zhǔn)確預(yù)測(cè)。

        神經(jīng)網(wǎng)絡(luò)具有良好的非線性函數(shù)逼近能力,可將信息并行分布式處理與存儲(chǔ),多輸入、多輸出。神經(jīng)網(wǎng)絡(luò)還可進(jìn)行自學(xué)習(xí)以適應(yīng)環(huán)境變化,即使在數(shù)學(xué)模型未知的情況下也能通過訓(xùn)練輸出期望的結(jié)果。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)是具有單隱層的3層前饋網(wǎng)絡(luò),它模擬了人腦中局部調(diào)整、相互覆蓋接受域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),能以任意精度逼近任意連續(xù)函數(shù)。采用RBF網(wǎng)絡(luò)可有效提高預(yù)測(cè)模型精度、魯棒性和自適應(yīng)性。

        本文采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)霧霾的形成進(jìn)行預(yù)測(cè)研究,但是在實(shí)驗(yàn)中發(fā)現(xiàn)每次預(yù)測(cè)結(jié)果具有不一致性,研究表明主要是網(wǎng)絡(luò)初始值是以隨機(jī)函數(shù)形式給出,因此本文采用遺傳算法優(yōu)化RBF網(wǎng)絡(luò)權(quán)值和其他參數(shù),形成GA-RBF預(yù)測(cè)模型,并和未經(jīng)優(yōu)化的RBF模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比研究。

        1遺傳算法

        遺傳算法簡(jiǎn)稱GA,是1962年由美國(guó)Michigan大學(xué)Holland教授提出的模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法。遺傳算法是對(duì)參數(shù)的編碼進(jìn)行操作,而非對(duì)參數(shù)本身,它可同時(shí)使用多個(gè)搜索點(diǎn)的搜索信息,在解空間進(jìn)行高效啟發(fā)式搜索,而非盲目地窮舉或完全隨機(jī)搜索。遺傳算法具有并行計(jì)算的特點(diǎn),因而可通過大規(guī)模并行計(jì)算來提高計(jì)算速度,適合大規(guī)模復(fù)雜問題的優(yōu)化。霧霾天氣時(shí)變且受多種因素影響,傳統(tǒng)的優(yōu)化算法不僅需要利用目標(biāo)函數(shù)值,而且需要目標(biāo)函數(shù)的導(dǎo)數(shù)值等輔助信息才能確定搜索方向,不適用于對(duì)霧霾形成的預(yù)測(cè)。而遺傳算法在搜索過程中不需要問題的內(nèi)在性質(zhì),對(duì)于任意形式的目標(biāo)函數(shù)和約束,無論是線性的還是非線性的,離散的還是連續(xù)的都可處理,較適用于處理霧霾形成預(yù)測(cè)此類模糊性、隨機(jī)性和不完全性強(qiáng)的問題。

        1.1算法原理

        遺傳算法將“優(yōu)勝劣汰,適者生存”的生物進(jìn)化原理引入優(yōu)化參數(shù)形成的編碼串聯(lián)群體中,按所選擇的適配值函數(shù)并通過遺傳中的復(fù)制、交叉及變異對(duì)個(gè)體進(jìn)行篩選,使適配值高的個(gè)體被保留下來,組成新的群體,新的群體既繼承了上一代的信息,又優(yōu)于上一代。這樣不斷循環(huán),群體中個(gè)體適應(yīng)度不斷提高,直到滿足一定的條件。一般的遺傳算法是由4部分組成:編碼機(jī)制、適應(yīng)度函數(shù)、遺傳算子、控制參數(shù)。

        基本遺傳算法使用固定長(zhǎng)度的二進(jìn)制符號(hào)來表示群體中的個(gè)體,其等位基因是由二值符號(hào)集{0,1}所組成的。初始個(gè)體的基因值可用均勻分布的隨機(jī)值來生成。基本遺傳算法與個(gè)體適應(yīng)度成正比的概率來決定當(dāng)前群體中每個(gè)個(gè)體遺傳到一代群體中的概率多少。為正確計(jì)算這個(gè)概率,須先確定由目標(biāo)函數(shù)值到個(gè)體適應(yīng)度之間的轉(zhuǎn)換規(guī)則,從而做到所有個(gè)體的適應(yīng)度為整數(shù)或零。遺傳算法最重要的遺傳算子有三種:選擇、交叉和變異,且操作期間確定一些可用的參數(shù),以提高選擇結(jié)果的優(yōu)化性。

        1.2遺傳算法基本參數(shù)

        (1)M:群體大小,即群體中所含個(gè)體的數(shù)量,一般取20-100;

        (2)G:遺傳算法的終止進(jìn)化代數(shù)。一般取100-500;

        (3)Pc:交叉概率,一般取0.4-0.99;

        (4)Pm:變異概率,一般取0.0001-0.1。

        1.3算法流程

        遺傳算法優(yōu)化步驟如下:

        (1)確定決策變量及各種約束條件,即確定出個(gè)體的表現(xiàn)型X和問題的解空間:

        (2)建立優(yōu)化模型,即確定出目標(biāo)函數(shù)的類型及數(shù)學(xué)描述形式或量化方法:

        (3)確定表示可行解的染色體編碼方法,即確定出個(gè)體的基因型x及遺傳算法的搜索空間:

        (4)確定個(gè)體適應(yīng)度的量化評(píng)價(jià)方法,即確定出由目標(biāo)函數(shù)J(x)到個(gè)體適應(yīng)度函數(shù)F(x)的轉(zhuǎn)換規(guī)則;

        (5)設(shè)計(jì)遺傳算子,即確定選擇運(yùn)算、交叉運(yùn)算、變異運(yùn)算等遺傳算子的具體操作方法:

        (6)確定遺傳算法的有關(guān)運(yùn)行參數(shù),即M,G,Pc,Pm等參數(shù);

        (7)確定解碼方法,即確定出由個(gè)體表現(xiàn)型X到個(gè)體基因型x的對(duì)應(yīng)關(guān)系或轉(zhuǎn)換方法,

        2RBF神經(jīng)網(wǎng)絡(luò)

        2.1網(wǎng)絡(luò)結(jié)構(gòu)

        RBF神經(jīng)網(wǎng)絡(luò)是一種3層前向網(wǎng)絡(luò),由輸入到輸出的映射是非線性的,而隱層空間到輸出空間的映射是線性的,而且RBF網(wǎng)絡(luò)是局部逼近的神經(jīng)網(wǎng)絡(luò),因而采用RBF網(wǎng)絡(luò)可大大加快學(xué)習(xí)速度并避免局部極小問題,適合于霧霾天氣預(yù)測(cè)實(shí)時(shí)控制的要求。

        采用RBF網(wǎng)絡(luò)構(gòu)成神經(jīng)網(wǎng)絡(luò)控制方案,可有效提高系統(tǒng)的精度、魯棒性和自適應(yīng)性。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示:

        (1)

        (2)

        (3)

        2.2網(wǎng)絡(luò)迭代算法

        根據(jù)梯度下降法,輸出權(quán)、節(jié)點(diǎn)基寬參數(shù)及節(jié)點(diǎn)中心矢量的迭代算法如下:

        (4)

        (5)

        (6)

        (7)

        c(k),b(k)的調(diào)節(jié)與w(k)調(diào)節(jié)方法類似。式中,η為學(xué)習(xí)速率,α為動(dòng)量因子。η,α∈[0,1]。取RBF網(wǎng)絡(luò)的第一個(gè)輸入為u(k),即x1=u(k),則由于高斯基函數(shù)的有效性與中心向量G和基寬bj取值有關(guān),因此RBF初始參數(shù)與模型的預(yù)測(cè)準(zhǔn)確性有較大關(guān)系。

        3預(yù)測(cè)模型的建立及應(yīng)用

        3.1參數(shù)選擇

        預(yù)測(cè)模型的建立依賴于要解決的實(shí)際問題,根據(jù)實(shí)際問題中輸入量和輸出量的個(gè)數(shù),可以確定RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。本文采用2015年12月北京空氣質(zhì)量的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),如表1所示。

        3.2仿真預(yù)測(cè)模型建立及預(yù)測(cè)結(jié)果

        在MATLAB R2009a環(huán)境中編寫程序進(jìn)行測(cè)試。

        (1)未經(jīng)優(yōu)化的RBF網(wǎng)絡(luò)預(yù)測(cè)

        RBF神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn),可以取影響空氣質(zhì)量狀況的可吸入顆粒SO2,CO,NO2,O3等4項(xiàng)指標(biāo),輸出層節(jié)點(diǎn)取PM2.5指數(shù)。RBF網(wǎng)絡(luò)結(jié)構(gòu)確定為4-5-1。RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)取學(xué)習(xí)速率η=0.05,慣性系數(shù)α=0.01。預(yù)測(cè)結(jié)果如圖2所示。

        (2)經(jīng)優(yōu)化的GA-RBF預(yù)測(cè)模型預(yù)測(cè)

        RBF網(wǎng)絡(luò)結(jié)構(gòu)確定為4-5-1。RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)取學(xué)習(xí)速率η=0.05,慣性系數(shù)α=0.01。由此確定需要優(yōu)化的參數(shù)共計(jì)有4×5+5+5=30。

        遺傳算法中,取樣本個(gè)數(shù)為Size=30,進(jìn)化代數(shù)G=250,交叉概率為Pc=0.6,采用自適應(yīng)變異概率,適應(yīng)度越小。變異概率越大。取變異概率為:

        Pc=0.001-[11:1:Size]×0.001/Size (8)

        RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)取學(xué)習(xí)速率η=0,05,慣性系數(shù)α=0.01。GA-RBF模型實(shí)現(xiàn)程序包括3個(gè)模塊:①GA算法;②最佳適應(yīng)度計(jì)算;③RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)。

        神經(jīng)網(wǎng)絡(luò)的最佳適應(yīng)度函數(shù)變化過程如圖3所示,其中適應(yīng)度函數(shù)采用下式

        (*)

        式中y,ym分別為實(shí)際輸出與RBF網(wǎng)絡(luò)輸出。

        將GA算法優(yōu)化的網(wǎng)絡(luò)權(quán)值和RBF參數(shù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的初始參數(shù),對(duì)RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練,達(dá)到規(guī)定的訓(xùn)練精度或次數(shù)后再進(jìn)行預(yù)測(cè)?;贕A-RBF模型預(yù)測(cè)結(jié)果如圖4所示。

        對(duì)比圖4和圖2可知,GA-RBF模型預(yù)測(cè)曲線幾乎與期望輸出曲線重合,而傳統(tǒng)RBF網(wǎng)絡(luò)預(yù)測(cè)結(jié)果存在較大誤差。

        經(jīng)過對(duì)比發(fā)現(xiàn),無論從迭代次數(shù)、網(wǎng)絡(luò)訓(xùn)練時(shí)間、預(yù)測(cè)誤差及預(yù)測(cè)精度來看,GA-RBF的性能均優(yōu)于傳統(tǒng)RBF模型。實(shí)際上。由于傳統(tǒng)RBF的迭代次數(shù)已經(jīng)達(dá)到規(guī)定最大值2000,這說明其在訓(xùn)練過程中沒有達(dá)到要求的精度。

        上述預(yù)測(cè)屬于多因素預(yù)測(cè)方法,采用了其中的20組樣本進(jìn)行訓(xùn)練,各類參數(shù)的選取和確定主要依據(jù)是實(shí)驗(yàn)效果。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)只有采用大量的訓(xùn)練樣本才能保證網(wǎng)絡(luò)知識(shí)學(xué)習(xí)的完備性,圖4中GA-RBF模型預(yù)測(cè)精度很理想,表明20組樣本數(shù)據(jù)質(zhì)量好。

        4結(jié)論

        本文對(duì)遺傳算法優(yōu)化的RBF霧霾預(yù)測(cè)模型進(jìn)行了研究,由于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果受網(wǎng)絡(luò)初始參數(shù)影響較大,因此本文利用GA優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)初始參數(shù)進(jìn)行了優(yōu)化。實(shí)驗(yàn)結(jié)果表明,雖然GA優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)算法比傳統(tǒng)RBF網(wǎng)絡(luò)算法復(fù)雜,但從預(yù)測(cè)結(jié)果和性能看,前者要遠(yuǎn)優(yōu)于后者,達(dá)到要求精度所需迭代次數(shù)和時(shí)間明顯減少,預(yù)測(cè)精度有較大的提高,證明了這種方法在霧霾預(yù)測(cè)中的有效性。

        [責(zé)任編輯:王偉平]

        猜你喜歡
        RBF神經(jīng)網(wǎng)絡(luò)霧霾遺傳算法
        基于自適應(yīng)遺傳算法的CSAMT一維反演
        一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
        可以消除霧霾的新型無人機(jī)
        基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
        無線Mesh網(wǎng)絡(luò)發(fā)展
        基于RBF神經(jīng)網(wǎng)絡(luò)的PID自校正控制研究
        基于RBF神經(jīng)網(wǎng)絡(luò)的一回路核動(dòng)力裝置典型故障診斷
        科技視界(2016年18期)2016-11-03 23:59:24
        RBF神經(jīng)網(wǎng)絡(luò)在創(chuàng)業(yè)板新股定價(jià)問題上的研究
        基于改進(jìn)的遺傳算法的模糊聚類算法
        從霧霾中突圍
        欧美成人看片黄a免费看| 亚洲亚色中文字幕剧情| 精品久久久久久久久午夜福利| 亚洲精品国偷自产在线99正片| 国产精品福利片免费看| 在线亚洲国产一区二区三区| 国产高颜值女主播在线| 久久成人国产精品| 亚洲国产一区在线二区三区| 日本一区二区精品色超碰| 亚洲国产成人av二区| 少妇久久久久久被弄到高潮| 91亚洲国产成人aⅴ毛片大全| 亚洲一区二区三区一区| 久久日日躁夜夜躁狠狠躁| 国产97在线 | 中文| 亚洲欧洲日产国码久在线观看| 久久精品国产亚洲av沈先生| 日本免费一区尤物| 丰满人妻无奈张开双腿av| 亚洲处破女av日韩精品中出| 国产精品福利自产拍在线观看| 亚洲AV伊人久久综合密臀性色| av成人资源在线观看| 色综合久久网| 黄色视频在线免费观看| 精品日韩欧美一区二区三区在线播放| 亚洲精品中文字幕乱码| 成人精品天堂一区二区三区| 久久久噜噜噜久久中文字幕色伊伊| 亚洲av成人一区二区三区色| 日韩av在线播放人妻| 国产精品成人国产乱| 日韩精品一区二区三区毛片| 少妇激情高潮视频网站| 日本特黄特色特爽大片| 亚洲精品第一国产麻豆| 国产视频免费一区二区| 朝鲜女人大白屁股ass孕交 | 国产精品无码无片在线观看| 蜜桃在线观看视频在线观看|