摘 要

Elman神经网络作为一种循环神经网络，具有良好的非线性和记忆性，被广泛用于处理非线性时变和复杂的数据。然而，Elman神经网络也存在着一些缺陷，例如权值和阈值随机分布、收敛速度慢等，这些都影响了它的识别精度和效率。目前已经提出了许多改进方案来解决这些问题，但是事实证明很难协调许多相关特征，例如存储空间，算法效率，识别精度等。

为了解决以上的诸多问题，在本文中，我采用了一种将遗传算法（GA）引入到Elman神经网络中以优化连接权重和阈值，从而可以防止神经网络陷入局部最优值并提高训练速度和成功率的预测方法。使用GA优化隐含层的结构，这可以解决以前在网络上确定权重的问题，并且收敛速度更快，预测结果更稳定。本课题开展对空气质量的研究，并采用GA- Elman神经网络对空气质量指数进行学习、预测，从而构建对空气质量的预测模型。

关键字：Elman神经网络；空气质量；AQI；GA；遗传算法

Abstract

As a feed-forward neural network, Elman neural network has good nonlinearity and memory, and it is widely used to process nonlinear time-varying and complex data. However, Elman neural network also has some defects, such as random distribution of weights and thresholds, slow convergence speed, etc., which all affect the recognition accuracy and efficiency. Many improvements have been proposed to solve these problems, but it turns out that it is difficult to coordinate all related features, such as storage space, algorithm efficiency, and recognition accuracy.

In order to solve the above problems, we propose to introduce a genetic algorithm (GA) into the Elman neural network to optimize the connection weight and threshold in this paper, which method can prevent the neural network from falling into a local optimal value and improve the training speed and success rate. Using GA to optimize the structure of the hidden layers, which can solve the problem of determining the weight on the network, and the convergence speed is faster and the prediction result is more stable. This subject conducts research on air quality, and uses GA-Elman neural network to learn and predict the air quality index, thereby constructing a prediction model for the air quantity.

Keywords: Elman neural network; air quality; AQI; GA; genetic algorithm

目录

第1章 绪论 1

1.1 研究背景 1

1.2 国内外研究现状 1

第2章 神经网络基本理论 3

2.1 神经元及其结构 3

2.2 激活函数 4

2.3 循环神经网络 5

2.3.1 循环神经网络特点 5

2.3.2 神经网络分类 6

第3章 神经网络的构建 8

3.1 Elman神经网络 8

3.1.1 Elman神经网络结构 8

3.1.2 Elman神经网络的改进 10

3.2 遗传算法 10

3.2.1 遗传算法流程 11

3.2.2 GA设计参数的原则 12

3.3 GA-Elman 13

第4章 Elman网络预测空气质量的测试 16

4.1 数据介绍 16

4.2 数据处理 17

4.3 结果分析 17

第5章 结论 21

参考文献 22

致谢 23

第1章 绪论

1.1 研究背景

随着人们的环保意识的增强，越来越多的人关心环境问题和污染问题。光污染、水污染、土壤污染、大气污染等环境污染问题充斥着我们的生活，威胁着我们的身体健康和心理健康。在各种污染中以大气污染最贴近人们的生活，对人们的影响也最大。大气污染成因复杂，有多重污染物和多种污染源，因此我国执行了《环境空气质量标准》（GB3095-2012）^[1]来统一计量方法，在此标准下，采用统一的空气质量指数来表征空气污染的级别。空气质量指数(AIR QUANTITY INDEX，简称AQI)是一种反映和评价空气质量的方法，它是依据国家规定的标准和污染物的影响程度来确定空气质量指数的分级。AQI将常规监测的六种空气污染物的浓度简化成为单一的概念性数值形式、并分级表征空气质量状况与空气污染的程度，这六种大气污染物分别为PM2.5、CO、SO2、O3、NO2、PM10^[2]，其结果简明直观，使用方便，适用于表示短期空气质量状况和变化趋势。但是由于某一项大气污染物都与其他污染物息息相关，并且受到气象条件例如：气压、温度、湿度，风速、风向等因素影响。因此AQI成因多样且复杂，尤其是在城镇中，多种条件的综合作用下，想要准确预测AQI的难度比较大。

1.2 国内外研究现状

空气质量预测是通过已有的气象资料和数据，达到对未来一段时间内的AQI预测的目的。近些年来，国际上的空气质量的预测方法主要是数值模型和统计模型这两种方法。

数值模型预测常用的空气质量模型有多尺度空气质量模式、扩展综合空气质量模型和 WRF-Chem^[11]，它们主要通过首先建立当地中小尺度的成熟的数值模型，然后收集空气的实际数据，得到初始值和边界值，从而利用计算机运算模拟大气的运动状态。这种预测方式是目前应用较广的一种，但是由于对初始值的要求较高，且空气中化学演变过程复杂，易受其他因素影响，从而使得模型在预测精确度上效果一般。

统计模型则是近些年来兴起的一种方法，常用的统计模型有自回归模型、多元线性回归模型和自回归滑动平均模型等，它们根据数学统计的思想，通过对大量数据的统计、整理、分析等方式建立统计模型，在建立具有一定预测效果的模型后，再根据收集到的大气数据对空气质量进行预测。