基于自组织递归模糊神经网络的PM2.5浓度预测
针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络(self-organizing recurrent fuzzy neural network,SORFNN)方法预测PM2.5小时浓度.首先,通过分析影响PM2.5浓度的多种因素,利用主成分分析法(principal component analysis,PCA)筛选出与PM2.5浓度相关性较强的特征变量作为神经网络的输入变量.然后,根据ε准则和偏最小二乘算法(partial least squares,PLS)进行规则化层神经元的增删,实现递归模糊神经网络结构的自动调整,并采用学习率自适应的梯度下降算法调整模型中心、宽度和权值等参数,建立PM2.5预测模型.最后,利用典型非线性系统辨识和实际PM2.5浓度预测实验进行验证.实验结果表明,所设计的自组织递归模糊神经网络结构精简且预测精度高,较好地满足了PM2.5实时预测的要求.
PM2.5、预测、PCA、递归模糊神经网络、自组织、自适应梯度下降
13
TP18(自动化基础理论)
国家自然科学基金项目61533002,61603009;北京工业大学"日新人才"计划项目2017-RX1-04;北京市自然科学基金项目4182007
2018-08-15(万方平台首次上网日期,不代表论文的发表时间)
共8页
509-516