RBF神经网络在城市空气质量评价中的应用研究分析.pdf

致 谢 首先我非常感谢我的导师李义杰教授，本论文从选题一直到修订的整个过程都是在李 老师的指导下完成的，取得的每一步成果无不凝聚着他的心血。李老师优秀的做人品质， 严谨的治学态度和敏锐的洞察力都深深地感染了我，值得我终生学习。在攻读研究生期间， 李老师不但关心我的学习，在学业上开拓了我的视野，而且在生活上也给了我无微不至的 关怀和照顾。从李老师那里，我学到的不仅是知识，更多的是做人的道理，这都是我人生 的财富，“一日为师，终身为父”，借此机会，我忠心地感谢李老师，您辛苦了! 其次我还要感谢我亲爱的家人，你们一直在支持着我的学业，在我困难和迷茫的时候 不断地给我鼓励，给我信心，给我力量不断地克服一道道困难。 我还要感谢中山大学的张雨浓教授，李克纳博士，感谢他们给我远程细致的指导，你 们的严谨的治学态度和热情友好的品质都深深地感染了我，另外我还要感谢我的同学郑洁 瑱、于迪、王小雨、张红岩等，在与他们共同的生活和学习中，他们给予了我及时的帮助 和建议，特别论文编写阶段，一同帮我调试程序，顺利完成论文。 最后，感谢学院里所有关心我的老师和各位评审老师，你们辛苦了。 摘 要 城市空气质量评价实质上是模式识别问题，但空气质量评价指标过多，指标与空气 级别之间具有复杂的非线性关系，常规的空气质量评价方法或多或少受主观因素的影 响，评价结果的准确性难以保证。依据粗糙集和神经网络的互补性，提出了粗糙集和 RBF 神经网络融合的空气质量评价方法，利用改进的基于信息熵的启发式属性约简 算法去掉多余或不重要的空气指标，得到最优空气质量评价因子；把约简后的决 策规则集作为训练样本，决策规则的条件部分作为径向基函数的中心，并在矩阵伪 逆思想的基础上运用中心、方差及权值直接确定的方法建立 RBF 神经网络模型，这样 不但优化了 RBF 神经网络的结构，而且避免了反复迭代的过程，提高了训练速度。 通过与其它空气质量评价方法的比较，验证了该方法的优越性。 关键词：空气质量；评价；粗糙集；信息熵 - I - Abstract Urban air quality evaluation is pattern recognition problem e ssentially, but there are many air quality evaluation indexes and there exist more complex nonlinearly relation between them and air levels, conventional air quality evaluation methods more or less effected by subjective factor, the evaluation result is hard to ensure accurate reliability. Based on the complementarity between rough set and the neural network, air quality evaluation method wa s proposed which based on rough set and RBF neural network,and used the improved heuristic attribute reduction algorithm, which based on entropy of information to get ri