1 内容介绍
针对目前PM2.5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PM2.5浓度进行预测,并使用平均影响值分析了影响PM2.5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PM2.5的影响最为显著,其次是CO和前一天PM2.5.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8 μg/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PM2.5浓度的预测和空气质量的预报.
2 仿真代码
% This function initialize the first population of search agents
function Positions=initialization(SearchAgents_no,dim,ub,lb)
Boundary_no= size(ub,2); % numnber of boundaries
% If the boundaries of all variables are equal and user enter a signle
% number for both ub and lb
if Boundary_no==1
Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end
% If each variable has a different lb and ub
if Boundary_no>1
for i=1:dim
ub_i=ub(i);
lb_i=lb(i);
Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
end
end
3 运行结果
编辑
编辑
4 参考文献
[1]徐宗宝. 基于混合优化BP神经网络的水质预测系统的研究与实现[D]. 北京工业大学.
[2]张文胜, 郝孜奇, 朱冀军,等. 基于改进灰狼算法优化BP神经网络的短时交通流预测模型[J]. 交通运输系统工程与信息, 2020, 20(2):8.
[3]石峰, 楼文高, 张博. 基于灰狼群智能最优化的神经网络PM2.5浓度预测[J]. 计算机应用, 2017, 037(010):2854-2860.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
