GA-PSO-BP神经网络在大气污染物浓度预测中的应用研究

随着工业化程度的不断提高，促进经济繁荣崛起的同时，也给我们造成了严峻的环境污染问题。近些年，严重的雾霾天气频频出现，给我的身体健康和日常生活造成了严重的影响，引起了社会的普遍关注和担忧。 近几年，国家对大气污染防治工作高度重视，我国环保部门积极响应国家的政策号召，全面升级改造全国环境大气监测系统，随着系统的升级，站点的增加，监测水平得到了大幅的提高。为了更全面的认识和掌握大气污染物的变化趋势，为大气污染防治工作提供更全面、及时的信息，开展大气污染物预测研究工作势在必行。环境大气污染物预测工作历经几十年的发展，预测方法和预测技术都得到了全面的提升，但是，然而如何改善空气污染物预测的预测精度，一直是空气质量预测领域必须考虑和研究的重点。 本文设计并实现了基于遗传算法和粒子群算法的混合算法BP网络大气污染物浓度预测模型。该模型在BP神经网络的基础上，引入遗传算法和粒子群算法构建的混个算法，实现对BP网络的初始权值进行优化，有效提高了神经网络的泛化能力，避免了神经网络过早收敛于局部极值点。利用该模型采用SO2、NO2和PM10的浓度值进行了短期预测实验，通过预测实验证明该预测模型具有较好的预测准确率，达到了预期的效果。