个体暴露采样量小,导致源和受体样品中很多成分测量不准确度高,将其作为源解析模型的输入变量可能对源解析模型产生负面影响.因此,本研究以源解析模型计算的源分担率与真实分担率之间的均方误差最低为目标函数,首次将遗传算法应用于个体PM暴露径向基函数神经网络(Radial Basis Function Neural Network,RBFN)源解析模型的输入变量的优选.模拟数据的解析结果表明:在源成分谱调查充分的情况下,经遗传算法优选网络输入变量后,有效降低了RBFN对个体PM暴露来源的解析误差.
本文将径向基函数网络(Radial Basis Function Network,RBFN)应用于城市能见度短期预报工作.在天津市目前现有气象、污染物浓度和能见度监测数据的基础上,选取2003年的数据作为训练集,经过训练,使神经网络建立起输入的影响因子和输出...
详细信息
本文将径向基函数网络(Radial Basis Function Network,RBFN)应用于城市能见度短期预报工作.在天津市目前现有气象、污染物浓度和能见度监测数据的基础上,选取2003年的数据作为训练集,经过训练,使神经网络建立起输入的影响因子和输出的能见度之间的映射关系,根据检验集的预测值与真值的回归比较,对模型输入变量进行优选,最后将训练后的模型用于能见度的24小时预报.结果表明:采用完全预报法,神经网络可以对能见度进行有效地短期预测.
暂无评论