基于神经网络的大气细颗粒物软测量研究-机械电子工程专业论文.docx

摘 摘 要 I I 摘 要 近年来随着我国大气中细颗粒物污染的日益严重，对细颗粒物浓度实行实时在 线监测成为势在必行的一件事。由于大气中的细颗粒物浓度受外界环境的作用表现 出很强的非线性特性，传统的软测量技术很难对其做出准确的监测，而基于神经网 络的软测量技术由于其自身的优越性已成为各领域的研究热点。因此本论文主要研 究建立基于 BP 神经网络和 RBF 神经网络的软测量模型对大气中的细颗粒物浓度进 行软测量实验，为大气污染治理提供有力的数据支持。 本文首先介绍了细颗粒物的污染现状、危害以及现阶段国家对其监测采用的技 术及设备，为建立软测量模型积累了一定的先验知识。对 BP、RBF 神经网络的结 构组成及学习过程做了系统的介绍，确定了建立基于 BP 神经网络和 RBF 神经网络 软测量模型对大气中的细颗粒物浓度进行软测量实验的可行性。 然后采用改进的相关性分析对预选的 8 个细颗粒物的影响因子进行筛选，选择 出对细颗粒物浓度影响较大的 6 个影响因子作为软测量模型的输入向量。在此基础 上运用经验加试探法比较模型的运行结果确定了 BP 和 RBF 网络模型的各项参数 值，以此构建出各项性能最优的软测量模型。 之后选取另外一组数据对已建立好的模型进行检验，结果表明，BP 网络模型 和 RBF 网络模型均能对细颗粒物浓度进行较准确的软测量，软测量精度均能满足实 际工作的需要。二者相比，RBF 网络模型构建简单且性能稳定，但 BP 网络模型整 体软测量精度要高一些。 最后利用 MATLAB GUI 编写了软测量系统界面，使得整个系统更加清晰明了， 避免了阅读程序带来的不便，方便了用户的使用。 关键词：软测量；建模；BP 神经网络；RBF 神经网络；细颗粒物 Ab Abstract II II Abstract In recent years as Chinas atmospheric fine particulate matter pollution is getting worse, the real-time online monitoring of fine particulate matter concentrations becomes one imperative thing. As atmospheric fine particulate matter concentrations show strong nonlinear characteristics by the ambient effects, the traditional soft sensor technology is difficult to make accurate monitoring. And the soft sensor technology based on neural network has become a hot topic in various fields because of its superiority. Therefore, this paper studies the establishments of soft sensor models based on BP and RBF neural networks to do the soft sensor experiments for atmospheric fine particulate matter concentrations, and provides strong data supports for the air pollution control. Firstly, this paper describes the pollution status, hazards and national monitoring technologies of the fine particulate matter. This accumulates a certain amount of priori knowledge for the establishment of soft sensor models. Then make systemic presentations for the structures and learning processes of BP and RBF neural networks, and determine the experimental feasibility for soft sensor models based on BP and RBF neural networks. Then this paper uses