基于机器学习的PM2.5短期浓度动态预报模型

针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题,从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报（WRF-Chem）浓度和5个主要气象因子的模式预报数据资料,联合应用支持向量机（SVM）和粒子群优化（PSO）算法建立滚动预报模型,对PM2.5未来24小时浓度进行预报,同时对未来一天的昼、夜均值及日均值浓度进行预报,并与径向基函数神经网络（RBFNN）、多元线性回归法（MLR）、模式预报（WRF-Chem）作对比。实验结果表明,相比其他预报方法,所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度,这与此前的研究结论相符;所提模型能对PM2.5未来24小时浓度进行较好的预报,能对未来一天的昼均值、夜均值及日均值进行有效预报,并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高。     

基于随机森林与改进极限学习机的PM2.5浓度模型

由于PM2.5浓度预测中的影响因素过于复杂,影响因素的高维性与非线性对预测结果有着很大的干扰,容易产生PM2.5浓度预测误差高和模型泛化能力差等问题。针对上述缺陷,可通过一种基于随机森林-粒子群优化-极限学习机(RF-PSO-ELM)的PM2.5浓度预测模型解决。该模型首先使用随机森林算法对影响因素进行特征选择,选择出对于PM2.5浓度重要性高的因素构成特征;再利用提取得到的特征作为PSO-ELM算法的输入;最后对上海市的PM2.5浓度做出预测,从最终的实验数据中可以看出:该模型比支持向量机(SVM)、未优化的极限学习机(ELM)和反向神经网络(BPNN)等预测模型在预测精度和泛化能力方面有着显著的提高。     

基于改进萤火虫寻优支持向量机的PM2.5预测

针对现有PM2.5浓度预测误差较大的问题,提出一种基于改进萤火虫寻优支持向量机的预测模型（IFA-SVM）.该模型引入邻域搜索和可变步长策略改进萤火虫算法,利用改进FA对SVM的参数C、ε和γ寻优,用最优参数SVM模型预测太原市PM2.5值.其中邻域搜索策略能为参数优化提供更多更精确的候选解;可变步长可动态调整算法搜索步长,加速收敛,平衡FA的全局和局部搜索能力.将IFA-SVM预测值与萤火虫算法-支持向量机（FA-SVM）、遗传算法-支持向量机（GA-SVM）、粒子群算法-支持向量机（PSO-SVM）相比较.结果表明较其他方法,IFA-SVM模型对太原市未来一天和三天的PM2.5值都取得了更精确的预测性能.     

基于工况识别的辊式淬火过程板形预报方法

板形是衡量淬火后钢板质量的重要指标之一,板形的预报对高质量钢板的持续稳定生产具有重要的指导意义.本文提出一种基于工况识别的辊式淬火过程板形预报方法,为淬火生产控制决策提供参考依据.首先对淬火过程进行特性分析;然后采用模糊C均值聚类算法对淬火过程进行工况识别,使用支持向量机建立各工况的板形预报模型,并运用改进的粒子群优化...     

改进粒子群优化BP神经网络的PM2.5预测

针对PM2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气PM2.5浓度预测模型.引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力.利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做PM 2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度.选取某市某时段的PM2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快.     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

基于优化组合模型的PM2.5浓度预测

为精确预测出具有非线性、非平稳的PM2.5时序数据,提出基于PSO-VMD-LSTM的组合模型。融合机器学习优化算法和深度学习技术,其中利用以包络熵为适应度函数的PSO机器学习算法对VMD分解过程中的惩罚因子和模态个数进行迭代寻优,基于分解处理后的数据进行LSTM深度学习模型预测。构建两种经典分解组合模型作为对照,结果表明,在相同迭代次数情况下,时序分解处理后的LSTM预测比未分解时的预测精度和效果都有明显改善;与经典分解组合模型相比,该模型在准确度和评估指标上均取得最佳预测效果,在PM2.5浓度预测上具有一定普适性。     

电网可靠性评估的PSO-SVR评估模型

城市电网结构复杂,数据量大是电网可靠性评估的难点,导致了传统的电网可靠性评估方法难以有效评估.为提高评估的精度和效率,提出一种基于粒子群支持向量回归法的电网可靠性评估的新方法解决电网可靠性评估的问题,采用供电可靠率作为评估指标,粒子群支持向量回归法能克服传统的人工神经网络可靠性评估方法易陷人局部极值.采用电网可靠性评估特征参数与评估指标,确定评估模型结构,再用粒子群优化算法优化支持向量回归模型参数.仿真结果表明,粒子群支持向量回归法可靠性评估精度高于人工神经网络.证明粒子群支持向量回归的电网可靠性评估方法具有更好的应用价值.     

融合数值模式预报数据的深度学习PM2.5浓度预测模型

PM2.5污染问题是中国近年来引起广泛关注的环境问题,对PM2.5浓度进行预报有重要意义.传统的预报方法是基于空气动力学理论的数值模式预报方法.最近几年深度学习方法被广泛应用于PM2.5浓度预报问题.之前的深度学习预报方法主要是使用观测站的观测数据建立单点式的预报模型.本文使用ConvLSTM深度神经网络建立模型,在中国及周边区域的PM2.5数据集上实现了网格化的序列到序列预报.模型通过卷积模块提取空间特征,通过LSTM模块提取时间特征,适合解决PM2.5网格化预报问题.同时,模型中使用了再分析数据和模式数据两种不同来源的数据结合起来进行预报,融合了深度学习方法和传统数值模式方法.实验表明,模型的均方根误差比数值模式预报下降30.2%,具有良好的预报效果.     

基于优化PSO-SVM模型的软件可靠性预测方法

讨论了传统软件可靠性预测模型的主要弱点;在分析传统PSO-SVM模型和软件可靠性预测特点的基础上,对传统PSO-SVM模型进行改进,建立了优化PSO-SVM软件可靠性预测模型。最后通过仿真结果表明,该优化预测模型具有更好的小样本适应性,训练速度快,预测精度高,能够更好地适用于软件可靠性预测。     

基于音乐情感识别的舞台灯光控制方法研究

为了实现音乐情感识别的舞台灯光自动控制,需对音乐文件进行情感标记。针对人工情感标记效率低、速度慢的问题,开展了基于音乐情感识别的舞台灯光控制方法研究,提出了一种基于支持向量机和粒子群优化的音乐情感特征提取、分类和识别算法。首先以231首MIDI音乐文件为例,对平均音高、平均音强、旋律的方向等7种音乐基本特征进行提取并进行标准化处理;之后组成音乐情感特征向量输入支持向量机（SVM）多分类器,并利用改进的粒子群算法（PSO）优化分类器参数,建立标准音乐分类模型;最后设计灯光动作模型,将新的音乐文件通过离散情感模型与灯光动作相匹配,生成舞台灯光控制方法。实验结果表明了情感识别模型的有效性,与传统SVM多分类模型相比,明显提高了音乐情感的识别率,减少了测试时间,从而为舞台灯光设计人员提供合理参考。     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

PSO-SVR算法在发酵过程控制中的应用

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归模型的复杂性和推广能力的好坏很大程度上取决于其3个参数（?着,C,?酌）能否取到最优值,采用粒子群算法实现对参数（?着,C,?酌）的同时寻优。在此基础上,以L-天冬酰胺酶II为对象,建立其基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力,可实现对L-天冬酰胺酶II产物浓度的实时在线预估。     

基于深度学习的PM2.5浓度长期预测

为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型.该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测.通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2％、5.7％,R2提升7.5％.实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度.     

基于灰狼群智能最优化的神经网络PM2.5浓度预测

针对目前PM_2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM_2.5浓度进行预测,并使用平均影响值分析了影响PM_2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明：PM₁₀对PM_2.5的影响最为显著,其次是CO和前一天PM_2.5。选取2016年11月1日-12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m³,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM_2.5浓度的预测和空气质量的预报。     

改进型卡尔曼滤波的PM2.5浓度预测系统

针对目前室内空气净化器功能单一、自动调节能力弱的特性,设计了一种改进型卡尔曼滤波对PM2.5浓度进行预测的系统,为净化器提供可靠的调节参数.选用S3C2440芯片,通过外设采集PM2.5浓度和温度,以及对历史数据进行分析.通过改进型卡尔曼滤波对历史数据、PM2.5浓度以及温度进行融合,可以准确得到下一时刻的浓度值.测试结果表明:系统运行稳定,算法跟踪效果明显,鲁棒性强,可以准确预测出下一时刻的PMV2.5浓度,并且预测误差在2.0％以内,满足设计要求.     

北京地区PM_(2.5)质量浓度分布及其与气象条件影响关系分析

近些年来,随着城市规模的扩大及工商业的发展,雾霾污染越来越严重。作为产生雾霾天气的主要原因之一,PM_(2.5)受到了空前的关注。在一定条件下,污染物的生成、积累和扩散主要取决于气象条件。因此,本文收集了2009年2月18日至2013年12月31日期间北京市PM_(2.5)质量浓度监测资料和同期气象观测资料,根据PM_(2.5)的实际分布情况,研究了北京市PM_(2.5)污染状况及其与气象条件的相互影响关系,为北京市PM_(2.5)监测和污染防治提供参考。结果表明,北京市PM_(2.5)质量浓度呈现明显的非正态分布,年均污染水平在100μg·m~(-3)左右。风速、相对湿度和日照时数等气象条件对于细颗粒物的污染程度有着较显著的影响。风速低,相对湿度高时,会导致PM_(2.5)的积累,从而降低了日照时数。同时,北京地区特殊的地形使得西北风下颗粒物能够较快扩散。