基于MRMR-PSO的递归模糊神经网络PM2.5预测模型

摘要：

针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并采用所设计的递归模糊神经网络(recurrent fuzzy neural network,RFNN)为预测模型实现PM2.5浓度预测.首先根据MRMR准则对变量的互信息进行计算并排序,过滤掉一些相关性小的特征.然后将PSO优化算法与RFNN预测模型结合,以RFNN的预测精度作为PSO的适应度函数在过滤得到的特征中选择出最优特征子集,作为RFNN模型的输入变量.将该方法用于PM2.5浓度预测实验,与3种不同特征选择算法的结果进行对比,基于互信息和PSO混合特征选择方法的RFNN预测模型利用最少的特征获得了最小的预测误差,说明该方法能够有效地用于PM2.5浓度预测.

关键词：PM2.5、互信息、PSO优化、模糊神经网络

所属期刊栏目：35

分类号：TQ015.9;TP391.9;O6-39(一般性问题)

资助基金：国家自然科学基金;国家自然科学基金;北京市自然科学基金;北京工业大学日新人才计划

在线出版日期：2019-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：783-791