關鍵詞:大氣環境質量評價;軟測量;神經網絡;倍斜率聚類法;等效數值法 余丙榮(1971-)
男,安徽宿松人,工學學士、安徽大學電子與通信工程碩士生,研究方向為電力電子、控制理論。
1 引言
目前,環境污染已經成為了一個嚴峻的問題,特別是城市、工業區,環境污染甚是嚴重。大氣污染也是環境污染問題的重要部分,現在幾乎每個城市每天都要向環境部門報告其空氣污染情況和空氣污染指數,以確定該城市的工業生產和環境治理力度是否合格。所以對空氣環境的質量評價即空氣污染指數的計算是不可缺少的部分,不僅要求準確,而且還要快速。近年來,在環境質量綜合評價方面已提出了很多評價模型,各有各的優缺點。本文將用神經網絡的方法來對空氣環境質量作評價,通過應用于大氣環境質量評價的具體實例來與兩個經典評價模型倍斜率聚類法、等效數值法作比較并分析其評價的結果。
2 軟測量方法概述
軟測量技術是通過選擇一些容易測量且有關的變量(輔助變量),構造一個與輸出建立聯系的數學模型,且用計算機軟件實現估計出輸出變量(主導變量)的方法。建立軟測量的方法有很多,在經驗建模法中,介紹一下人工智能的方法——人工神經網絡。
圖1 徑向基神經網絡結構
污染物 Ⅰ Ⅱ Ⅲ Ⅳ SO2 0-0.05 0.05-0.15 0.15-0.25 0.25-∞ NOx 0-0.10 0 -0.10 0.10-0.15 0.15-∞ TSP 0-0.12 0.12 -0.30 0.30-0.50 0.50- ∞ 分級 SO2 NOx TSP Ⅱ 0.15 0.10 0.12 Ⅱ 0.15 0.10 0.30 Ⅳ 0.25 0.15 0.50
2.1 RBF神經網絡模型
RBF神經網絡也叫徑向基神經網絡,它是一種局部逼近的神經網絡。其結構由三層組成:輸入層、隱含層和輸出層,如圖1所示,隱含層第i個節點的輸出表示為:
(1)
式中,ui是第個i節點的輸出,是第i個節點的標準化常數,q是隱含層的節點數,x=(x1,x2,...,xM)T是樣本輸入;Ci是第i個節點高斯函數的中心向量,此向量是一個與輸入樣本x的維數相同的列向量,即Ci=(Ci1,Ci2,...,CiM)T 由式(1)可知,節點的輸出范圍在0和1之間,且輸入樣本越靠近節點中心,輸出值愈大。當x=Ci時, Ui=1。
從隱含層到輸出層即Ui(x)→yk為線性映射,表示式為:
(2)
式中,ui是隱含層第i個節點的輸出;yk是輸出層第k個節點的輸出;wki是隱含層到輸出層的加權系數;θk是輸出層的閾值;q是隱含層節點數。
2.2 RBF神經網絡學習過程
設訓練樣本有N個,則系統的總誤差表示式為:
(3)
式中,N為模式樣本對數;L為網絡輸出節點數;表示在樣本p的作用下的第k個神經元的期望輸出;
表示在樣本p的作用下的第k個神經元的實際輸出。
其學習過程分為兩個階段:無教師學習階段和有教師學習階段。
2.2.1 無教師學習階段
可以通過k-均值聚類算法來對所有樣本輸入進行聚類,求得各隱含層節點的RBF的中心向量,其算法如下:
(1)給定各隱節點初始中心向量Ci(0)和判定停止計算的;
(2)計算歐式距離,并求最小距離節點;
(4)
式中,k為樣本序號,r為中心向量Ci(k-1)與輸入樣本x(k)距離最近的隱節點序號;
(3)調整中心向量
(5)
式中,是學習速率。
為取整運算。每經過q個樣本之后,調小一次學習速率,逐漸減至零。
(4)判斷聚類質量
(6)
對于全部樣本反復進行以上運算,直到以上條件或聚類結束。
2.2.2 有教師學習階段
當Ci確定以后,求隱含層至輸出層之間的權值Wki(k=1,2,...,L;i=1,2,...,q)就成了線性優化問題,其權值的學習算法為:
(7)
式中,,ui(x)為高斯函數;
為學習速率,且0<
<1;tk和yk分別表示第k個輸出分量的期望值和實際值。由于向量u只要少量幾個元素為1,故需要調整量少,學習速度比較快。
3 軟測量技術在大氣環境質量評價上的應用
表1和表2為國家大氣環境質量分級標準(GB3095-1996)以及本文要用到的分級標準濃度限值。
表1 大氣環境質量分級標準 (mg/m3)
表2 分級標準濃度限值 (mg/m3)
這里假設環境質量標準為連續的數,表2表示當污染物開始達到限度值時,分級標準開始達到標準值。分級指標=(int)環境質量標準,即取整。下面以各污染物濃度作為該軟測量技術方法的輔助變量,以分級標準作為主導變量通過MATLAB軟件來建立評價模型,各設計參數取默認值,其結果如圖2所示。
圖2 環境質量模型的擬合評價效果
其輸出層網絡訓練的誤差曲面如圖3所示。
圖3 訓練誤差曲面圖
表3為某市大氣污染指標實測值。
表3 某市大氣污染指標實測值
監測點 |
A1 |
A2 |
A3 |
A4 |
A5 |
A6 |
A 7 |
A8 |
A9 |
A10 |
SO2 |
0.125 |
0.022 |
0.131 |
0.097 |
0.067 |
0.014 |
0.176 |
0.029 |
0.1 |
0.038 |
NOx |
0.086 |
0.013 |
0.016 |
0.027 |
0.035 |
0.018 |
0.123 |
0.026 |
0.075 |
0.038 |
TSP |
0.239 |
0.188 |
0.101 |
0.417 |
0.657 |
0.409 |
0.415 |
0.274 |
0.225 |
0.462 |
根據上面已建立好的評價模型,對此市大氣污染指標進行評價,并與倍斜率聚類法、等效數值法列表作比較,其結果如表4所示。
表4 各軟測量方法的結果比較
監測點 |
A1 |
A2 |
A3 |
A4 |
A5 |
A6 |
A7 |
A8 |
A9 |
A10 |
評價數值結果 |
2.6702 |
2.1333 |
1.9955 |
3.2580 |
3.9199 |
3.0081 |
3.5391 |
2.5266 |
2.5428 |
3.2877 |
評價數值指標 |
Ⅱ |
Ⅱ |
Ⅰ |
Ⅲ |
Ⅲ |
Ⅲ |
Ⅲ |
Ⅱ |
Ⅱ |
Ⅲ |
倍余率聚類法 |
Ⅱ |
Ⅱ |
Ⅱ |
Ⅱ |
Ⅲ |
Ⅱ |
Ⅲ |
Ⅱ |
Ⅱ |
Ⅱ |
等效數值法 |
Ⅱ |
Ⅱ |
Ⅱ |
Ⅲ |
Ⅲ |
Ⅲ |
Ⅲ |
Ⅱ |
Ⅱ |
Ⅲ |
從表4可以看出,用軟測量技術的神經網絡技術作評價,其結果與倍斜率聚類法、等效數值法的結果基本上一致,特別是與等效數值法,基本一樣。從計算過程來看,軟測量技術計算非常簡捷,只需要輸入數據,通過計算機軟件,立即得到結果,并從數據中可以看出其偏向前一級或后一級的趨向。而倍斜率聚類法等中隸屬函數的建立以及計算相對復雜。
根據神經網絡這一軟測量方法所建立的評價模型,可以確定其輔助變量與主導變量的關系,即y=f(x), x=[x1,x2,...,xp]T 為輔助變量,y=[y1,y2,...,yt]T為主導變量。本例中它們之間的函數關系為:tx=simurb(px,w1,b1,w2,b2),px為輔助變量,tx為主導變量。
4 結束語
用神經網絡的軟測量方法對大氣環境質量評價,因為要經過多次訓練,其評價誤差可達到很小,本例為10-16以下,而且通過神經網絡的方法,可以很方便地得到輸入與輸出的函數關系。使用方便,在環境評價中的應用前景廣闊。
參考文獻:
[1] 李澤應,曹菁菁等. RBF 神經網絡及其在水質評價中的應用.兵工自動化,2006.7.
[2] 阮沈勇,王永利. MATLAB程序設計.北京:電子工業出版社,2004.1.
[3] 李國勇.智能控制及其MATLAB實現.北京:電子工業出版社,2005.5.
[4] 喬敬萍.幾種環境質量評價方法的應用.山西大學學報(自然科學版),2004.