刘 君

研究表明，气象条件对空气主要污染物浓度的扩散有着较大影响[1]。不同气象因子对污染物浓度的影响不同，有的易于扩散，有的却影响较小。比如当低气压下风力较大，对空气质量具有正面影响；无风且晴好的天气，容易形成地面逆温，此时污染物滞留于近地面上空，对空气质量有负面影响。所以空气质量的影响因素对提高预测精度非常重要。

1 空气质量预测研究现状与不足

目前普遍使用的机理分析方法，回归统计、灰色预测等方法进行空气质量评价分析，但通过对污染物浓度数据具有非线性特征，要实现更准确的预测，须采用能够处理非线性数据规律的方法。目前已有学者将神经网络模型应用于污染物预测研究中，相比传统机理分析模型性能更好。而多数神经网络模型的预测模型都是将所有预报因子数据直接作为网络输入，这使网络维数过高，网络训练时间增加，且不同因子之间存在干扰问题。LU[2]等利用主成分分析法改进神网模型预测NOX浓度。本文利用因子分析将多个预报因子转化为少数几个综合指标，消除因子间的交叉干扰，提高模型精度。

2 因子分析与RBF 神经网络模型

2.1 RBF 神经网络

人工神经网络从算法结构而言分为前馈型和反馈型神经网络，由于其自适应能力强等特点，已被广泛应用于非线性复杂数据现象问题[3]。径向基函数神经网络为具有单隐含层的3层前馈型神经网络，数据输入后存储在输入层节点，经隐含层转换运算后与输出层相连。……