庞 曦，胡荣华，赵春生，白宁波

（1.永城煤电控股集团有限公司，城郊煤矿，河南 永城 476600；2. 中国地质大学，湖北 武汉 430074）

0 引言

目前，人们在生产生活中对空气污染的预防以及城市管理层出台治理空气污染的有关政策均是依据气象部门给予的空气污染等级，因此对空气质量等级进行精准划分对当今社会的安全发展有着重要的现实性意义[1-2]。

为了精确地对空气质量进行分类预测，很多学者对此做了深入研究。例如：邱晨提出了基于BP神经网络的空气质量模型分类研究方法[3]；常丽娜提出了基于K-均值聚类和贝叶斯判别的城市空气质量等级分类及预测方法[4]；王琛提出了哈夫曼树SVM在空气质量等级分类中的应用方法[5]等。上述方法均能对空气质量进行有效分类，但受限于算法本身的局限性，其分类效果还有待提升。例如：BP神经网络收敛速度慢，其算法精度依赖于大量的训练样本并在训练过程中极易陷入局部最优解[6]；K-均值聚类预测法需要事先给定聚类的种类数即K的取值，K值在实际应用中是难以估计的，K值偏大或者偏小都严重影响分类的精确度。本文通过分析空气质量分类的特点和现有分类方法的不足，提出了粒子群优化支持向量机算法的空气质量分类方法[7]。

选用某矿区全年在空气中测量得到的PM2.5、PM10、SO2、NO2、CO、O3数值指标组成六维输入向量，以空气质量的指标优良、轻度污染、中度污染和重度污染作为输出向量，结合PSO优化算法在分类模型训练中全局搜寻SVM的最佳参数c和gamma，然后将最佳参数应用到空气质量的分类预测中，能够大大增加分类预测的准确性。……