遗传算法优选个体PM暴露神经网络源解析模型输入变量.pdf

中国颗粒学会第六届学术年会暨海峡两岸颗粒技术研讨会 ofChineseof c14m onParticle acrossTaiwanStraits 2008年12月6。Annual’ConferenceSocietyParticuology Technology Symposium De生三壁塑 遗传算法优选个体PM暴露神经网络源解析模型输入变量 詹水芬1， 胡焱弟2， 彭士涛1’2， 戴明新1’2， 王恺2， 白志鹏2 (1．交通部天津水运工程科学研究所水路交通环境保护技术实验室，天津300456； 2．南开大学环境科学与J二程学院，国家环境保护城市空气颗粒物污染防治重点实验室，天津300071) 摘要：个体暴露采样量小，导致源和受体样品中很多成分测鼍不准确度高，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 BasisFunctionNeural 数，首次将遗传算法应用于个体PM25暴露径向基函数神经网络(Radial Network，RBnD源解析模 型的输入变革的优选．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． 关键词：个体颗粒物暴露；来源解析；径向基函数神经网络：遗传算法 1 前言 它比其它搜索方法，如随机查找、梯度下降、模拟退火 等快速简单且鲁棒性强． 个体颗粒物(particulatematter,PM)暴露来源解析， 遗传算法．神经网络(Genetic 为制定经济、有效的治理措施，有针对性地减少PM暴 Neural 露的健康危害具有重要意义【l-4]． 经网络输入变量，目前已在各领域有大量研究【12-141．而 个体暴露来源解析相对环境样品来源解析，是一个 将遗传算法应用于个体暴露神经网络源解析模型的输 Matrix 较新的研究领域．国外有采用PMF(Positive 入变量的优选，目前国内外尚未见报道． Mass Factorization)、CMB(ChemicalBalance)、 因此，本文尝试将遗传算法应用于个体PM暴露 PCA(PrincipalComponentAnalysis)等方法对个体VOC ANN源解析模型的输入变量的优选，并采用模拟数据 及PM暴露进行了源解析L5-91．戴明新等人【101首次将径 对采用遗传算法前后，ANN的源解析能力进行了评价． 向基函数神经网络(RBFN)应用于个体PM暴露来源解 析，取得了较好的解析结果．证实了RBFN在个体PM 2 方法 暴露来源解析领域应用的可行性．为开创新的个体暴露 2．1GA-ANN源解析模型的构建 源解析方法提供了初步研究基础．但部分源的解析结果 2．1．1遗传算法简介 的相对误差仍较高，为50％以上，仍有待于