何晓云 罗泽蓉 李明悦 李亚斌 赵盛萍

摘 要：随着社会的进步，我国空气质量指数日益下降，一氧化碳、颗粒物、臭氧等是影响最严重的大气污染物，且它们已经成为检测空气质量品质的重要参数，对这些空气质量参数的监控和预测已变得尤为重要。BP神经网络对非线性系统函数有良好的逼近能力，符合我们对空气质量建模的实际要求。本文选择BP网络进行建模，以空气中几种主要污染物为输入，AQI参数作为输出。并结合实际情况进行了引入时间参量和引入动量因子两种优化方法。经过仿真论证，优化后的模型拟合度更好，收敛速度更快。

关键词：BP网络；自适应学习；动量因子；神经网络改进

DOI：10.16640/j.cnki.37-1222/t.2018.17.210

1 引言

人工神经网络，是根据生物神经网络而来的一种可以处理信息的仿真模拟，它是由很多的人工神经元以某种规则衔接成人工神经网络，神经网络对训练过的数据有存储的功能，只要是训练过的数据，便可以自动生成一个训练模式，具备很高的自适应性。因为网络具有较好的独立处理数据的能力，网络实用性十分地强。神经网络对信息的处理具备诸多的优点，便于应用各个领域，因此人工神经网络广泛应用在计算机科学、模式识别技术、人工智能控制等領域[1-3]。

2 BP神经网络介绍

BP神经网络是最常用的一种网络模型。标准的BP神经网络通过不断修正网络的权值和阈值，从而使网络达到优化的目的。BP神经网络，又称前馈型网络，主要依靠输入信号（空气中的几种主要污染物）的正向传播，和误差的反向传递来进行优化建模。

3 BP算法的空气质量建模

本文用到的数据来自“中国空气质量在线监测分析“平台，数据类型。选择2016年成都的空气质量情况为依据，建立成都的空气质量数据库，随机选择260天的空气质量为训练样本，剩下的空气质量为测试样本，输入变量时六种大气污染物，分别是颗粒物PM10和PM2.5、SO2、NO2、O3、CO等，输出变量是空气质量AQI，AQI也是代表空气质量好坏的一个综合性因素。

（1）参数的分析与选择。在《环境空气质量标准》中，明确说明了颗粒物PM10和PM2.5、SO2、NO2、O3、CO等是需要我们检测的大气污染物，所以每个参数都有重要的意义：颗粒物PM10和PM2.5对造成雾霾天气有重要的影响；PM10，是可吸入颗粒物，影响着人体的健康；臭氧（O3），有着消毒、杀菌的效果，但是过量就会对人体有害；二氧化硫，在高浓度时人甚至会出现溃疡直至窒息死亡，还可以形成酸雨。一氧化碳，是约占大气百分之三十的污染物，如果浓度过高，还会危害人体的心脏、神经系统的功能；NO2，是棕红色的颜色，会快速破坏肺细胞，可能造成肺气肿、哮喘病和肺癌。

因此，在对空气质量进行建模的过程中，选择PM10和PM2.5、SO2、NO2、O3、CO这六个参数作为模型的输入变量，空气质量AQI作为模型的输出进行建模。

（2）数据的处理。归一化：利用相应的公式把样本数据限制在规定的区间内。本文里的数据都限制在了（0 1）之间。可以使神经网络的收敛性变好。所用公式如下：

在公式中，数据库样本的最大值用max表示，样本数据的最小值用min表示。X为归一化后的数据。

3.1 BP网络仿真训练

随机选择数据库中260天的空气质量数据作为训练样本，一年中其他的104天的空气质量作为测试样本，首先建立以PM10和PM2.5、SO2、NO2、O3、CO这六个参数为输入的六输入、单输出的网络拓扑结构如下图：

得到模型训练结果：

通过分析训练误差图和拟合结果图，可以看出该模型的训练误差下降较快，第1000步训练完成时误差为0.01，平均误差为0.639，预测值基本跟踪实际值。

3.2 加入时间参量的模型优化

考虑到成都各个季节的气温、风量、雨量的变化对空气质量的变化可能有较大的影响，本文考虑加入月份作为模型的输入，建立7个输入变量，一个输出变量BP网络模型，来提高模型的准确性。得到的仿真结果如图3、图4所示。

蓝色的点表示预测的空气质量AQI值，红色的点表示实际的空气质量AQI值，经验证，没有增加月份的影响时的的平均误差为0.0639，增加月份后的平均误差为0.428，可见增加月份作为输入参数后，模型的准确性得到了提高。

不难理解，因为不同的季节，不同的月份，空气质量的品质可能会有差异。

3.3 引入动量因子的模型优化

引入动量项的改进，可以近似使用最速下降法得到权值在空间中的轨迹。在学习中，η越小，权值的改变量就越小，轨迹也可以变的更光滑。在BP网络中，引入动量项后，就可以有效的改变步长η，使它不再是一个恒定的值。相当于加入了一个扰动，可以自动的调节着步长，并向着平均方向改变，所以动量项起到了加快收敛速度的效果[7]。

加入动量因子后的更新公式：

w（n0+1）=w（n0）+ η（n0）d（n0）+w（n0）

其中：

d（n0）=

w（n0）=w（n0）-w（n0-1）=η（n0-1）d（n0-1）

这是，权值修正量已经加入了修改的记忆方向，动量因子的选取一般是0.1-0.8。

同样以成都的空气质量参数为例进行建模，随机选择260天的空气质量作为训练样本，一年中其它几天的104个空气质量作为测试样本，加入了动量项，标准的BP算法采用的训练方法traingd，改进是加入动量项，所以训练函数变成了traingdx，它是引入了动量项的具有自适应的学习方法，可以自动的调整学习步长。进行建模，得到的结果如图5、图6所示。

通过分析训练误差图和拟合结果图，可以看出该模型的训练误差下降较快，第858步训练完成时误差为0.001，收敛速度变快了，平均误差为0.0322，预测值基本跟踪实际值。

4 结论

在大量的实际应用中，标准BP算法存在收敛速率慢、学习步长固定、网络不稳定，甚至会达不到网络收敛精度的要求，本文也主要根据BP算法的局限性，从而展开对空气质量的建模分析。所以在本文中，加入了动量项，对BP算法进行了改进，从而使BP算法的迭代次数变少，也减小了误差，最终优化了网络，提高了BP算法的品质。从上面可以看出在没有改进前，BP神经网络的训练函数用的是梯度下降法traingd，收敛速度很慢。所以，这里引入了优化网络的改进方法，加入动量项，也改变了训练函数，它是带有动量项的自适应学习算法traingdx，可以自动的调整学习步长。

经过仿真对比，得出加入动量项改进BP网络后，模型的收敛效果明显变好了，网络的误差平方和也变小了，所以平均误差也减小了，使得网络的拟合能力也大大地提高了，提升了网络的品质。

参考文献：

[1]曹晓强，刘胜荣，黄学敏.空气质量评价智能信息处理技术的研究[J].微计算机信息，2008（13）：1-3.

[2]胡辉，谢静，侯祺棕，李湘男，徐双庆.城区大气污染物——NO_X浓度预测预报模式研究[J].城市环境与城市生态，2002（01）：11-16.

[3]杨文东.大气环境质量评价的模糊综合评判法[J].武汉理工大学学报，2001（12）：7-13.

[4]裴咏.浅析几种环境空气质量评价方法的优缺点[J].辽宁教育学院学报，2001（09）：8-16.

[5]郝新波.环境影响评价与可持续发展刍议[J].科技情报开发与经济，2000（04）：8-17.

[6]Arti3.Advances in Environmental Research[J].ElsevierScience，1997（04）：5-11.

[7]C.L.M.Harnold，K.Y.Lee.Free-model Based Adaptive Inverse Neuro-controller for Dynamic Systems[C].The 37th IEEE Conference on Decision and Control，Tampa，Florida，1998：507-512.