[发明专利]基于PSODE-BP神经网络的空气质量预测方法

权利要求书

1.基于PSODE-BP神经网络的空气质量预测方法，其特征在于该方法包括以下步骤：

1)、BP神经网络模型构建，过程如下：

(1.1)输入层和输出层节点数确定

输入层的节点数包括SO₂浓度、NO₂浓度、O₃浓度、CO浓度、PM_2.5浓度以及风向、风速、气压、气温、湿度；输出层的节点数包括PM₁₀浓度；

(1.2)隐层节点数确定

采用如下公式来确定：

其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数；

(1.3)激励函数的确定

(1.4)粒子维数确定

D＝S1*S2+S2*S3+S2+S3

其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数；

2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：

(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POP_i和DE粒子群X_i，粒子群边界上限P_max和边界下限P_min、飞行速度V_i、速度上限V_max和速度下限V_min、惯性因子w、最大进化次数i、学习因子c₁、c₂、w的最大w_max与最小值w_min、控制因子λ、交叉因子CR和变异概率F₀、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中；

(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：

其中：t_k表示期望输出；y_k表示实际输出；p表示输入样本个数；

(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest；

(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)；

(2.5)、计算适应度值f_new,与当前的适应度值f_old比较，如果f_newf_old,则更新pbest、gbest；

(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子；

(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest；

(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于设定的精度值α，若不满足，G加1,则转步骤(2.4),否则，继续步骤(2.9)；

(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值；

(2.10)、改进PSODE算法优化BP神经网络实现

通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数。

2.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：惯性权重w的更新公式为：

w＝w_min+(w_max-w_min)*exp(-λ*(i/G)^2)

其中：i表示当前的迭代次数。

3.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：粒子位置更新公式为：

其中，表示k次迭代时粒子位置，表示k+1次迭代时粒子速度。