基于改进型PSO的模糊神经网络PM2.5浓度预测

被引：18

作者：

马天成 ^{[1
,2
]}

刘大铭 ^{[1
,2
]}

李雪洁 ^{[1
,2
]}

孙川川 ^{[1
,2
]}

机构：

[1] 宁夏大学物理电气信息学院

[2] 宁夏沙漠信息智能感知重点实验室

来源：

计算机工程与设计 | 2014年 / 35卷 / 09期

关键词：

PM2.5浓度预测; 改进型PSO算法; 模糊理论; 神经网络; 模型参数;

D O I：

10.16208/j.issn1000-7024.2014.09.066

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响。采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律。对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度。

引用

页码：3258 / 3262

页数：5

共 8 条

[1] 改进粒子群算法及其在模糊控制器设计中的应用.[D].刘家兵.兰州理工大学.2009, 11
[2] PM2.5污染源分析与控制
冯杏仪
[J]. 科技与企业, 2013, (21) : 113 - 113
[3] 基于基因表达式编程的PM2.5浓度预测模型研究
刘小生
李胜
赵相博
[J]. 江西理工大学学报, 2013, 34 (05) : 1 - 5
[4] PSO-SVM在网络入侵检测中的应用
向昌盛
张林峰
[J]. 计算机工程与设计, 2013, 34 (04) : 1222 - 1225
[5] 基于改进粒子群算法的模糊神经网络及其在短时天气预报中的应用
周岩
王盛
高传善
孙慰迟
[J]. 计算机应用与软件, 2010, 27 (05) : 234 - 237
[6] 基于PSO和BP复合算法的模糊神经网络控制器
李雄军
罗健旭
黄娟
[J]. 自动化与仪器仪表, 2010, (02) : 1 - 3
[7] 粒子群优化算法综述
黄少荣
[J]. 计算机工程与设计, 2009, 30 (08) : 1977 - 1980
[8] 天津市区PM_(2.5)污染特征及灰霾等级评价方法研究.[D].古金霞.南开大学.2010, 09

← 1 →