基于最优定权组合法的大气污染物SO2预测

为了提高对大气污染物SO₂的预测准确率,基于多个空气质量预测模式（WRF-CHEM、CMAQ、CAMx）,以过去一段时间内各单项空气质量预测模式的组合预测误差平方和最小为原则,构建出针对大气污染物SO₂的最优定权组合预测模型.选取2018年云南省楚雄、昭通、蒙自三个站点1至5月份的实际观测数据和前述三个空气质量模式的预测数据作为实验样本,然后分别采用多元线性回归法和动态权重更新法在相同的实验条件下与所提的最优定权组合预测法进行预测对比实验.实验结果表明,所提方法的预测值相较其他两种方法更加贴近实际观测值,其两项误差评估指标值均最小.总体而言,最优定权组合预测模型很好地综合了各单项空气质量预测模式的优势,提高了SO₂的预测精度.     

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.     

基于神经网络的邢台市空气质量预测模型构建研究

随着邢台市空气污染日趋严重,构建基于神经网络的空气质量等级预测模型具有重要意义.文章以邢台市空气主要污染源的排放量、日最高温度、日最低温度、风力及空气质量等级为样本数据,基于MATLAB神经网络的背景,运用BP神经网络、PNN神经网络、Elman神经网络模式识别方法构建空气质量预测模型,通过对比预测空气质量等级和实际等级评价模型,结果表明,BP神经网络正确率41.94％,PNN网络正确率38.71％,Elman网络正确率35.48％,BP神经网络所构建的预测模型效果最好.     

Elman神经网络的网络流量预测

研究网络流量准确预测问题,由于网络流量变化具有非线性、突变性,传统网络流量预测是建立在线性模型的基础上,无法准确描述网络流量变化规律,导致预测精度低.为了提高网络流量的预测精度,提出一种Elman神经网络的网络流量预测模型.根据Elman神经网络良好的时变性捕捉能力和非线性预测能力对网络流量变化规律进行建模和预测.实验结果表明,模型具有良好的预测效果,相对于传统ARIMA模型、BP神经网络模型,Elman神经网络模型预测精度更高,误差更小,说明了改进的优化方法对网络流量预测是有效和可行的.     

引入惩罚收益因素OIF Elman神经网络及其应用*

通过在OIF Elman (Output-Input Feedback Elman)神经网络模型中引入惩罚收益因素,提出了一种基于OIF Elman神经网络的改进模型,并将其用于大气质量的预测和评价.实验模拟结果证明,引入惩罚收益因素OIF Elman模型能够明显提高网络的预测精度,具有极佳的逼近性能,所得预测数据和评价结果与实际结果基本吻合.利用该模型对大气质量进行预测和评价是可行而有效的,具有较好的应用潜能;并为大气环境整治规划提供了一种新的技术和方法.     

基于BP神经网络的空气质量模型分类预测研究

随着工业社会的发展,空气质量问题已经成为环保任务的主要焦点。BP神经网络作为深度学习的一种,已经在大部分领域被广泛使用。为了让广大市民更好的了解空气质量情况,本文以云南省昆明市为例,收集当地近6年的空气质量数据,并基于Python语言,在Anaconda环境下的Numpy包建立了三层神经网络数学模型,对空气质量等级进行分类预测。通过训练样本对神经网络模型的训练以及相关参数的调试,得到较好的分类预测模型。将分类结果与实际结果进行比较,结果显示,本次的神经网络模型的分类预测准确率达到90%,能够较好的分析空气质量,达到预期需求。     

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

面向深度学习的空气质量预测研究进展

空气污染是影响公共卫生的重要因素,空气质量预测是空气污染预警的关键,是近年来环境学、统计学、计算机科学等领域中的热点研究课题.本文综述了空气质量预测方法的研究现状与进展,尤其对近年来新发展起来的深度学习方法在空气质量预测方面的应用进行了系统分析与总结.首先,介绍了空气质量预测方法的演变历程和空气污染数据集.然后,阐述了传统空气质量预测方法.随后,从时间信息、时空信息、注意力机制等角度出发,重点分析和比较了现有面向深度学习的空气质量预测方法的进展.最后,对空气质量预测方法的未来发展趋势进行了总结与展望.     

Dynamic parameter estimation for a street canyon air quality model

The Operational Street Pollution Model (OSPM^®) is a widely used air quality model for urban street canyons. It is a parametric model, simulating the contribution from traffic emissions on a single street at receptor points at the buildings' facades. The OSPM contains a number of empirical parameters, accounting for processes such as emission factors or dispersion of pollutants. The values of these parameters are based on empirical assumptions, and might not be optimal for a specific street. In this work, we allow these parameters to vary within a certain meaningful range.We implemented two different parameter estimation schemes: a dynamic estimation procedure (using an ensemble Kalman filter) that allowed parameter values to vary, and a static estimation procedure scheme (using a least-squares algorithm) that kept parameter values fixed during the course of the simulation. We ran year-long simulations for five different streets in Danish cities, and evaluated performance by comparing forecast concentrations of NO_x, NO₂, O₃ and CO with observations.Overall, the parameter estimation substantially improved the performance of the model in forecasting, especially for NO₂ and CO. However it led to slightly more bias in the modelled daily maximum concentrations, suggesting that the parameter estimation fits to the bulk of the data rather than the extremes. Estimated parameter values varied substantially in time and between sites, making it difficult to generalise parameter estimates to other locations. Modelled concentrations from the OSPM were, on average, notably more accurate in simulations using measured urban background concentrations and meteorological parameters compared to using modelled data for these inputs. However this is only applicable when observations from nearby meteorological and urban background monitoring sites are available.We conclude that although dynamic parameter estimation has limited applicability to real-time air quality forecasting, it can potentially give useful feedback about the quality of model parameterisations or model inputs. Static parameter estimation is a simpler method, which is often as effective as dynamic parameter estimation.     

利用图像质量评估空气质量的新方法

图像质量的差异能够反映拍摄环境成像条件的差异。提出一种利用视频监控图像序列评估空气质量的新方法：首先定义3类图像质量评估参数,即图像的噪声亮度比、对比度以及模糊度来度量当前图像的质量;其次对监控图像序列连续帧数据计算上述质量参数,并将计算结果在时间轴上顺次连接形成3类时间序列数据;再次对上述时间序列数据中的噪声亮度比采用Gompertz增长类型扩散过程模型进行建模与分析,同时对对比度、模糊度参数使用降趋势波动性分析（DFA）方法进行分析;最终通过对Gompertz模型以及DFA模型的模型参数的分析,可以评估与解释空气质量程度的好坏。比较了晴天与雾天条件下模型变化趋势的不同,大量实验亦表明此方法的有效性。     

基于PIC单片机的手持式空气质量监测仪

介绍了一种基于PIC单片机的手持式空气质量监测仪。该监测仪由锂电池供电,利用半导体和红外光学传感原理,实时检测大气中有机污染物和烟尘的含量,具有液晶显示和超限声光报警功能,并能通过触摸键盘自动标定。该仪器具有功耗低、智能化程度高、适应性强的特点,是很有前景的在线式工业或实验室用仪器仪表。     

汽车空气质量传感器的最新进展及探讨

本文简单介绍了空气质量传感器技术的发展现状及历史,集中介绍了它的技术进展情况,并通过分析指出了该领域存在的问题和今后的研究方向.     

中国城市空气质量数据仓库的研究与实现

根据空气质量监测数据的空间特征,对数据仓库的星型模型进行扩展,利用Oracle10g和ArcGIS9．0设计并建立中国城市空气质量数据仓库的原型系统,实现面向高级分析、挖掘和决策的数据组织和管理。为方便查询和分析数据,设计一个基于Web的空间OLAP系统,弥补了传统OLAP在空间分析和可视化表达方面的不足。     

远程通信技术在环境监测中的应用

从结构设计和软件设计的角度阐述了远程通信技术在空气质量监测技术中的应用及实现方法     

Monitoring air pollution by deep features and extreme learning machine

Smartphones have different kinds of applications that help to promote health and care of humans. This paper proposes a practical and low-cost method for predicting air pollution which is applicable to the smartphones based on an image taken by their camera. To find the best method, in the first approach, some convenionalconventional feature extraction methods including wavelet transform, scale-invariant feature transform and histogram of oriented gradients are implemented. Then, to reduce the dimension of the extracted feature vectors, principal component analysis is employed. For classification of the obtained reduced feature vectors, multilayer perceptron is employed. In the second approach, the performance of convolutional neural network (CNN) in classifying the sky images in terms of air quality is investigated. In CNN, the fully connected classifier can be replaced by other classifiers such as extreme learning machine (ELM). The results illustrate that if the deep features obtained by CNN are fed to the ELM, an accuracy of 66.92% in predicting the level of air quality is achieved, which is higher than the results of other previous and conventional methods.     

新风机智能控制器的设计

针对当前空气污染形势严峻、室内空气品质低下的问题，设计了适用于新风机的嵌入式控制系统。系统应用传感器技术、信号采集技术、液晶显示技术和电机模糊控制技术等，实现了对室内空气质量的高精度自动控制。经实验室测试和实际运行证明，该控制器具有操作方便、性能稳定、节能效果明显等优点。     

一种便携式室内空气质量监测仪设计

为了实时、便捷地检测室内空气质量,设计了一种融合多种传感器的便携式室内空气质量监测仪。利用新型光、化学传感器与基于STC89C52单片机的信号处理电路测量湿度、一氧化碳(CO)、细颗粒物(PM2.5)三种影响空气质量成分的初始浓度值,结合误差抑制方法提高测量精度,浓度超过设定阈值进行声光报警,并通过全球移动通信系统(GSM)向特定人员发送检测信息。实验表明,该监测仪能够准确地测量并发出警报,且具有体积小、成本低等优点,可广泛适用于住宅、仓库等场地。