基于动态多叉树大气环境质量评价方法研究.docVIP

基于动态多叉树大气环境质量评价方法研究 　　摘要：提出将动态多叉树算法应用于大气环境质量评价系统中，实现知识增值和继承。当系统扩充时，只需对增加的模式类别或训练样本构建新的分类器，其余的分类器可保持不变，从而很好地解决现有评价识别系统在学时新知识会破坏已有知识,需要重新学习的问题。结果表明利用动态多叉树算法进行大气环境质量评价的研究具有传统方法无法比拟的优势。 　　关键词：大气环境质量评价； 地理信息系统； 模式识别； 动态多叉树算法 　　中图分类号：X823文献标志码：A 　　文章编号：1001-3695(2007)11-0090-03 　　 　　大气环境系统是一个受众多因素影响的开放系统。自然进程或人类活动产生的污染物进入大气环境后，使大气环境质量发生变化，带来人类健康状况下降、经济损失和生态失调等危害。因而，客观地对大气环境质量进行评价，为环境综合整治规划提供有效的科学依据，显得尤为重要。纵观关于大气环境质量评价方面的文献可知，大气环境质量评价的研究经历了两个阶段： 　　a)仅考虑各污染物监测值的大气环境质量评价方法。依据大气污染物的分级标准，比较待评价的大气环境中的各污染物监测值与哪级标准浓度最近，则它就符合哪级大气环境质量标准[1] 。例如，模糊识别方法以模糊集理论中的权距离概念来表示待评价的大气环境检测值与已知的空气质量分级标准之间的差异[2]。 　　b)基于地理信息系统的大气环境质量评价方法。对于同样的污染物排放量，由于其所处地理位置和气象条件的不同，其污染程度与范围将有所不同。在这种方法中大气污染数据既包括各种污染物排放的数量，还包括污染源的地理位置数据和气象数据[3]。在地理信息系统的帮助下，不仅可以方便地获取存储、管理和显示各种环境信息，而且还可以对环境进行有效的监测、分析、评价、模拟、预测等管理及研究工作，从而为环境保护提供全面及时准确和客观的信息服务及技术支持[4]。?? 　　基于地理信息系统的大气环境质量评价方法可以较好地完成监测和预报局部污染状况。还有两个方面需要考虑：a)大气环境质量所包含的内容十分广泛，它涉及到大气中物理和化学的变化。一方面，评价的位置不同所选用的评价因子也不相同，如我国北方地区降尘的影响不容忽视，南方地区雨水较丰富不用考虑降尘，但是普遍存在酸性降水的困扰[5]；另一方面，相同的评价位置由于气象条件的影响和地方政府对污染源的控制的重视程度不同，评价因子也会不相同。评价系统应该能根据地区情况便于改变评价因子。?? 　　b)由于大气污染程度不能仅从某一时刻的大气环境监测值来衡量。它受很多条件的影响，如地理位置、气旋、风向，应从地区一组监测值中评价。又由于人为因素的影响，具体选几组又不确定，系统应能便于增加训练样本。但是现有评价系统在进行动态扩展时，如改变评价因子或增加训练样本，要对原有模式重新学习，无法继承和积累原有知识，导致知识浪费。在认真研究分析各种多类分类算法的基础上，参考借鉴其他专家学者的研究成果，本文尝试用动态多叉树算法来解决这一问题。?? 　　 　　1动态多叉树算法?? 　　 　　动态多叉树算法利用分治和局部最优原理缩小目标范围，结合组合识别法提高识别率，更主要的是算法模拟了人脑学习时循序渐进和知识积累、继承的方式。用该算法实现的评价系统可以方便地进行扩展。在改变评价指标数量或增加训练样本的同时，不影响原有模式训练已获取的知识，克服了现有评价系统在学习新的知识的同时会破坏已有知识，需要重新学习的问题，实现了知识逐渐积累、继承和不断完善。?? 　　评价系统由以下两部分组成：?? 　　a)训练部分。用于对现有的多类训练样本进行分组训练。利用分治原理的思想，把一个由多类样本组成的样本集分成多个小样本集，针对各个训练样本子集构造好相应的分类器。当系统扩充时，相当于增加新的训练样本子集，只需针对该样本子集构造新的分类器，把其加入原有的系统，而不必改变原有的已经学习好的分类器。这样做的优点是把大样本集分组，各分组的训练过程可以并行，加快计算速度，并可以防止训练集过大，单个网络无法完成训练任务的情况出现。此外，在系统扩充时，已经学习好的网络可以不作调整，可保留原有的各个分组训练出来的分类器学习已获取的知识。各个分组训练出来的分类器构成动态多叉树的叶子节点。若有新的分类器加入，等价于增加新的叶子节点。?? 　　b)动态分组识别部分。用于系统识别。把待识别样本输入a)已训练好的各分类器，根据各个分类器的输出结果，选出相近模式的训练样本，构成新的训练样本集。针对该训练样本集构造新的分类器，相当于树的深度增加一层。再把测试样本输入新构建的分类器，继续挑选出新训练样本集。重复一直到挑选出的样本集数量很少，只用一个分类器即可完成时停止，该分类器即为动态多叉树的根