基于深度信念网络的PM2.5预测

被引：29

作者：

郑毅

朱成璋

机构：

[1] 国防科学技术大学计算机学院

来源：

山东大学学报(工学版) | 2014年 / 44卷 / 06期

基金：

国家高技术研究发展计划(863计划);

关键词：

PM2.5预测; 深度信念网络; 深度学习; 机器学习; 限制玻尔兹曼机;

D O I：

暂无

中图分类号：

X513 [粒状污染物];

学科分类号：

0706 ; 070602 ;

摘要：

提出一种基于深度信念网络(deep belief networks,DBNs)的区域PM2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function,RBF)和反向传播神经网络(back propagation,BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM2.5日均值与观测日均值之间均方差(mean square error,MSE)为8.47×10-4mg2/m6;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10-3mg2/m6和1.96×10-3mg2/m6。比较分析表明:基于DBNs的方法能较好预测区域整体PM2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。

引用

页码：19 / 25

页数：7

共 9 条

[1] 基于BP人工神经网络的城市PM2.5浓度空间预测 [J].

王敏 ;

邹滨 ;

郭宇 ;

何晋强 .

环境污染与防治, 2013, 35 (09) :63-66+70

[2] 基于文献计量的PM2.5国内外研究情况分析 [J].

李恩敬 ;

艾春艳 ;

赵飞 .

环境与可持续发展, 2013, 38 (04) :34-37

[3] 针对PM2.5的综述 [J].

郭晓泽 ;

单思行 .

能源与节能, 2012, (11) :58-59+111

[4] 深度学习研究综述 [J].

孙志军 ;

薛磊 ;

许阳明 ;

王正 .

计算机应用研究, 2012, 29 (08) :2806-2810

[5] PM2.5的毒性及机制的进展 [J].

周蕊 ;

邵帅 ;

王彦清 .

科技传播, 2012, (06) :85-85

[6] BP和RBF网络在厦门市大气环境质量评价中的比较 [J].

陈一萍 ;

郑朝洪 .

环保科技, 2008, (04) :8-10+14

[7] 基于B-P神经网络的环境空气质量预测模型 [J].

祝翠玲 ;

蒋志方 ;

王强 .

计算机工程与应用, 2007, (22) :223-227

[8] RBF神经网络的一种鲁棒学习算法 [J].

刘妹琴 ;

廖晓昕 .

华中理工大学学报, 2000, (02) :8-10

[9]

Study on Prediction of Atmospheric PM2.5 Based on RBF Neural Network .2 Zheng Haiming,Shang Xiaoxiao. 2013 Fourth International Conference on Digital Manufacturing and Automation . 2013

← 1 →