发明名称 |
一种大气颗粒物质量浓度的拟合方法 |
摘要 |
本发明公开了一种大气颗粒物质量浓度的拟合方法,首先获取气象条件参数、反应大气物化特性的关键化学组分参数与大气颗粒物质量浓度的原始数据参数,并以日为时间尺度,构成各个参数的原始值时间序列;利用所得到的原始值时间序列,逐日前后依次取差值,变换得到各个原始参数的逐日绝对变化量数据时间序列,并进行归一化处理;然后构建BP神经网络,枚举隐层神经元个数,对变换得到的各个原始参数的逐日绝对变化量数据时间序列进行训练,并确定最优的拓扑结构;利用所得到的最优拓扑结构,对大气颗粒物的质量浓度进行数据拟合,以及趋势预测分析。上述方法能够减小常规拟合方法的误差,更好地模拟气象条件和大气关键化学组分与大气颗粒物质量浓度之间的复杂非线性映射关系。 |
申请公布号 |
CN105868559A |
申请公布日期 |
2016.08.17 |
申请号 |
CN201610189221.7 |
申请日期 |
2016.03.29 |
申请人 |
北京师范大学 |
发明人 |
田贺忠;段事恒;王堃;朱传勇;王勇 |
分类号 |
G06F19/00(2011.01)I;G06N3/02(2006.01)I |
主分类号 |
G06F19/00(2011.01)I |
代理机构 |
北京凯特来知识产权代理有限公司 11260 |
代理人 |
郑立明;陈亮 |
主权项 |
一种大气颗粒物质量浓度的拟合方法,其特征在于,所述方法包括:首先获取气象条件参数、反应大气物化特性的关键化学组分参数与大气颗粒物质量浓度的原始数据参数,并以日为时间尺度,构成各个参数的原始值时间序列;利用所得到的原始值时间序列,逐日前后依次取差值,变换得到各个原始参数的逐日绝对变化量数据时间序列,并进行归一化处理;然后构建BP神经网络,枚举隐层神经元个数,对变换得到的各个原始参数的逐日绝对变化量数据时间序列进行训练,并确定最优的拓扑结构;利用所得到的最优拓扑结构,对大气颗粒物的质量浓度进行数据拟合,以及趋势预测分析。 |
地址 |
100875 北京市海淀区新街口外大街19号 |