本申請(qǐng)涉及環(huán)境質(zhì)量監(jiān)測(cè)技術(shù)領(lǐng)域，尤其涉及空氣質(zhì)量預(yù)報(bào)系統(tǒng)。

背景技術(shù)：

隨著工業(yè)化的不斷發(fā)展，環(huán)境污染也日趨嚴(yán)重，空氣中的細(xì)顆粒物（PM2.5）濃度越來越高，全國(guó)多個(gè)城市霧霾頻發(fā)，公眾對(duì)于空氣質(zhì)量的關(guān)注度不斷提升，而目前許多城市的環(huán)境空氣監(jiān)測(cè)中心站點(diǎn)較少，加之信息化水平不夠發(fā)達(dá)，難以滿足公眾詳細(xì)了解空氣質(zhì)量狀況的需求。大量增加空氣監(jiān)測(cè)站點(diǎn)部署、廣泛開展空氣質(zhì)量監(jiān)測(cè)的重要性日益突出，而一套傳統(tǒng)的空氣質(zhì)量監(jiān)測(cè)儀器的價(jià)格非常昂貴，建設(shè)更多的環(huán)境監(jiān)測(cè)站點(diǎn)需要巨大的資金投入，成本太高。

空氣質(zhì)量預(yù)測(cè)領(lǐng)域中常用的有統(tǒng)計(jì)預(yù)報(bào)方法，根據(jù)常年監(jiān)測(cè)數(shù)據(jù)，建立統(tǒng)計(jì)預(yù)報(bào)模型，模型簡(jiǎn)單，業(yè)務(wù)運(yùn)行方便，但缺乏堅(jiān)實(shí)的物理基礎(chǔ)；另有一基于大氣物理學(xué)和物質(zhì)輸運(yùn)模型的數(shù)值預(yù)報(bào)模型，雖然物理基礎(chǔ)堅(jiān)實(shí)，預(yù)報(bào)結(jié)果全面，但模式所需要的邊界、初始條件不易給出，預(yù)報(bào)結(jié)果精度不很高。

技術(shù)實(shí)現(xiàn)要素：

為克服相關(guān)技術(shù)中存在的問題，本申請(qǐng)?zhí)峁┝艘环N空氣質(zhì)量預(yù)報(bào)系統(tǒng)。

根據(jù)本申請(qǐng)實(shí)施例的第一方面，提供一種空氣質(zhì)量預(yù)報(bào)系統(tǒng)，包括：

環(huán)境質(zhì)量檢測(cè)傳感器，配置在污染源處，用于采集空氣監(jiān)測(cè)數(shù)據(jù)，并將所采集的空氣監(jiān)測(cè)數(shù)據(jù)傳輸至云計(jì)算數(shù)據(jù)處理平臺(tái)；

云計(jì)算數(shù)據(jù)處理平臺(tái)，用于：

接收所述空氣監(jiān)測(cè)數(shù)據(jù)；

采用基于資源分配神經(jīng)網(wǎng)絡(luò)和光滑支持向量回歸機(jī)的空氣質(zhì)量預(yù)測(cè)模型，對(duì)被監(jiān)測(cè)區(qū)域的空氣質(zhì)量進(jìn)行預(yù)測(cè)，獲得各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，并將空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)推送給關(guān)聯(lián)的智能終端；

根據(jù)污染源的空氣監(jiān)測(cè)數(shù)據(jù)和各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，利用高斯點(diǎn)源擴(kuò)散模型計(jì)算污染源的空氣監(jiān)測(cè)數(shù)據(jù)與監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)之間的相關(guān)性，并進(jìn)行可視化展示。

本申請(qǐng)的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

本申請(qǐng)?zhí)岢鲆粋€(gè)基于資源分配網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)和光滑向量回歸機(jī)預(yù)測(cè)模型，利用RAN 神經(jīng)網(wǎng)絡(luò)的距離準(zhǔn)則和誤差準(zhǔn)則，進(jìn)行隱層節(jié)點(diǎn)的動(dòng)態(tài)生成和參數(shù)調(diào)節(jié)，生成能滿足誤差要求的最小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，避免了網(wǎng)絡(luò)中隱含節(jié)點(diǎn)個(gè)數(shù)和初始網(wǎng)絡(luò)參數(shù)難以選取的缺點(diǎn)；采用光滑的支持向量回歸機(jī)取代傳統(tǒng)的支持向量回歸機(jī)，可以實(shí)現(xiàn)高效高性能的質(zhì)量建模與控制，比傳統(tǒng)算法更精確、效率更高。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本申請(qǐng)。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本申請(qǐng)的實(shí)施例，并與說明書一起用于解釋本申請(qǐng)的原理。

圖1是本申請(qǐng)根據(jù)一示例性實(shí)施例示出的一種空氣質(zhì)量預(yù)報(bào)系統(tǒng)的結(jié)構(gòu)框圖。

圖2是本申請(qǐng)根據(jù)一示例性實(shí)施例示出的一種資源分配網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本申請(qǐng)相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本申請(qǐng)的一些方面相一致的裝置和方法的例子。

在本申請(qǐng)使用的術(shù)語(yǔ)是僅僅出于描述特定實(shí)施例的目的，而非旨在限制本申請(qǐng)。在本申請(qǐng)和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應(yīng)當(dāng)理解，本文中使用的術(shù)語(yǔ)“和/或”是指并包含一個(gè)或多個(gè)相關(guān)聯(lián)的列出項(xiàng)目的任何或所有可能組合。

應(yīng)當(dāng)理解，盡管在本申請(qǐng)可能采用術(shù)語(yǔ)第一、第二、第三等來描述各種信息，但這些信息不應(yīng)限于這些術(shù)語(yǔ)。這些術(shù)語(yǔ)僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本申請(qǐng)范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語(yǔ)境，如在此所使用的詞語(yǔ)“如果”可以被解釋成為“在……時(shí)”或“當(dāng)……時(shí)”或“響應(yīng)于確定”。

如圖1所示，是本申請(qǐng)根據(jù)一示例性實(shí)施例示出的一種空氣質(zhì)量預(yù)報(bào)系統(tǒng)的結(jié)構(gòu)框圖，包括環(huán)境質(zhì)量檢測(cè)傳感器、云計(jì)算數(shù)據(jù)處理平臺(tái)和智能終端。

其中，環(huán)境質(zhì)量檢測(cè)傳感器，配置在污染源處，用于采集空氣監(jiān)測(cè)數(shù)據(jù)，并將所采集的空氣監(jiān)測(cè)數(shù)據(jù)傳輸至云計(jì)算數(shù)據(jù)處理平臺(tái)。

云計(jì)算數(shù)據(jù)處理平臺(tái)，用于：

接收所述空氣監(jiān)測(cè)數(shù)據(jù)。

采用基于資源分配神經(jīng)網(wǎng)絡(luò)和光滑支持向量回歸機(jī)的空氣質(zhì)量預(yù)測(cè)模型，對(duì)被監(jiān)測(cè)區(qū)域的空氣質(zhì)量進(jìn)行預(yù)測(cè)，獲得各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，并將空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)推送給關(guān)聯(lián)的智能終端。

根據(jù)污染源的空氣監(jiān)測(cè)數(shù)據(jù)和各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，利用高斯點(diǎn)源擴(kuò)散模型計(jì)算污染源的監(jiān)測(cè)數(shù)據(jù)與監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)之間的相關(guān)性，并進(jìn)行可視化展示。

本申請(qǐng)實(shí)施例提出并設(shè)計(jì)了基于物聯(lián)網(wǎng)和云計(jì)算的城市空氣質(zhì)量預(yù)報(bào)和危害預(yù)警系統(tǒng)。云平臺(tái)能夠滿足實(shí)時(shí)訪問空氣質(zhì)量的預(yù)報(bào)和危害預(yù)警數(shù)據(jù)。具有實(shí)時(shí)推送性、預(yù)報(bào)預(yù)警性、準(zhǔn)確性等特點(diǎn)，通過發(fā)送給智能終端，可以使用戶通過智能手機(jī)等終端方便地瀏覽和訪問數(shù)據(jù)及形象的數(shù)據(jù)變化圖。

本實(shí)施例提出一個(gè)基于資源分配網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)和光滑向量回歸機(jī)預(yù)測(cè)模型，利用RAN 神經(jīng)網(wǎng)絡(luò)的距離準(zhǔn)則和誤差準(zhǔn)則，進(jìn)行隱層節(jié)點(diǎn)的動(dòng)態(tài)生成和參數(shù)調(diào)節(jié)，生成能滿足誤差要求的最小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，避免了網(wǎng)絡(luò)中隱含節(jié)點(diǎn)個(gè)數(shù)和初始網(wǎng)絡(luò)參數(shù)難以選取的缺點(diǎn)；采用光滑的支持向量回歸機(jī)取代傳統(tǒng)的支持向量回歸機(jī)，可以實(shí)現(xiàn)高效高性能的質(zhì)量建模與控制，比傳統(tǒng)算法更精確、效率更高。

本實(shí)施例基于高斯點(diǎn)源擴(kuò)散模式，建立城市空氣污染源排放監(jiān)測(cè)數(shù)據(jù)與城市空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的相關(guān)性矩陣，可實(shí)現(xiàn)在給定氣象條件下的城市區(qū)域內(nèi)任意選定污染源排放監(jiān)測(cè)數(shù)據(jù)對(duì)各環(huán)境質(zhì)量監(jiān)測(cè)站點(diǎn)的污染物濃度值貢獻(xiàn)率，并對(duì)兩者的相關(guān)性可進(jìn)行可視化分析。

本申請(qǐng)實(shí)施例采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行城市或區(qū)域的空氣質(zhì)量預(yù)測(cè)，可以不必使用顯式的方程來確定模型而是依據(jù)輸入的數(shù)據(jù)創(chuàng)建模型。借助神經(jīng)網(wǎng)絡(luò)的非線性問題處埋能力和容噪能力，根據(jù)不同的實(shí)際情況，構(gòu)建特定情況下的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在實(shí)驗(yàn)和訓(xùn)練的基礎(chǔ)上，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，彌補(bǔ)傳統(tǒng)算法的不足之處，提高網(wǎng)絡(luò)的泛化能力。可以為環(huán)境管理工作提供一些新的思路方法，同時(shí)也可以為充分利用環(huán)境信息管理系統(tǒng)中的海量數(shù)據(jù)提供決策依據(jù)，尋找一種切實(shí)可行的方法。

城市空氣質(zhì)量監(jiān)測(cè)和預(yù)報(bào)數(shù)據(jù)是一種具有時(shí)間和空間特性的數(shù)據(jù)，能夠在一定程度上反映出空氣質(zhì)量變化的規(guī)律。由于建立數(shù)量眾多的環(huán)境空氣質(zhì)量監(jiān)測(cè)點(diǎn)位需要投入的費(fèi)用成本很高，對(duì)大范圍區(qū)域的空氣污染物濃度值進(jìn)行完全準(zhǔn)確的監(jiān)測(cè)目前尚不可行，因此，利用插值理論和方法對(duì)區(qū)域內(nèi)各監(jiān)測(cè)點(diǎn)位的監(jiān)測(cè)數(shù)據(jù)和預(yù)報(bào)數(shù)據(jù)的插值來獲得全區(qū)域內(nèi)的空氣污染物濃度的分布狀況就變得可行，通過插值得到的區(qū)域內(nèi)各空間點(diǎn)位的空氣質(zhì)量(污染物濃度值)數(shù)據(jù)也可以作為評(píng)估該區(qū)域內(nèi)大氣環(huán)境質(zhì)量的一個(gè)重要依據(jù)。

空氣污染擴(kuò)散的研究己經(jīng)與氣象學(xué)、大氣化學(xué)等學(xué)科密切結(jié)合形成了一門新的學(xué)科:空氣污染氣象學(xué)。從上世紀(jì)50 年代開始，空氣污染氣象學(xué)逐漸形成體系，出現(xiàn)了箱模型，高斯模型、拉格朗日模型、歐拉模型、稠密氣體模型等五類模型。最早高斯模型能夠預(yù)測(cè)局部小尺度的擴(kuò)散，隨后以高斯模型為基礎(chǔ)研究得到了針對(duì)其他地形和天氣條件的修正模型，雖然到目前為止高斯模型仍然是大部分實(shí)用模型的基礎(chǔ)，但是因?yàn)樗腔谖廴緷舛确细咚狗植嫉募僭O(shè)，模擬的精度和適用的條件都難以應(yīng)付大尺度復(fù)雜氣象條件下空氣質(zhì)量的預(yù)報(bào)。隨著計(jì)算機(jī)的發(fā)展，對(duì)大氣污染擴(kuò)散模型的研究發(fā)展主要以數(shù)值求解來進(jìn)行。大氣污染擴(kuò)散可以用一套基于流體力學(xué)的數(shù)學(xué)方程來描述，由于計(jì)算機(jī)能力的提高，可以直接采用各種數(shù)值求解的方法來計(jì)算，求解的核心問題是大氣湍流擴(kuò)散作用。數(shù)值求解模型精度高，能夠適應(yīng)各種復(fù)雜的氣象條件，但是計(jì)算量巨大，目前主要在高性能計(jì)算機(jī)上運(yùn)行，需要相當(dāng)長(zhǎng)的計(jì)算時(shí)間。

本申請(qǐng)利用對(duì)高架連續(xù)點(diǎn)源高斯擴(kuò)散模式進(jìn)行模擬，計(jì)算在不同的氣象條件下，區(qū)域內(nèi)環(huán)境空氣質(zhì)量監(jiān)測(cè)點(diǎn)處污染物濃度值，分析空氣污染源與空氣質(zhì)量監(jiān)測(cè)點(diǎn)之間的相關(guān)性，并對(duì)這種相關(guān)性進(jìn)行可視化展示，直觀的表征區(qū)域內(nèi)不同污染源對(duì)不同空氣質(zhì)量監(jiān)測(cè)點(diǎn)的相互影響，具有很好的效果。

綜上所述，開展基于云計(jì)算的智能檢測(cè)系統(tǒng)研究、基于人工神經(jīng)網(wǎng)絡(luò)環(huán)境空氣質(zhì)量預(yù)測(cè)模型的研究、海量環(huán)境空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的可視化分析、城市空氣污染源排放數(shù)據(jù)與城市空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)之間相關(guān)性的研究，對(duì)于正確描述和表征一個(gè)城市或指定區(qū)域內(nèi)的環(huán)境空氣質(zhì)量狀況、污染源的擴(kuò)散狀況、污染源與環(huán)境監(jiān)測(cè)點(diǎn)之間的數(shù)據(jù)相關(guān)性方面就具有重要的理論與實(shí)踐意義。這不僅在論證人類活動(dòng)如何影響環(huán)境空氣質(zhì)量這個(gè)理論問題上有著重要意義，而且對(duì)城市環(huán)境管理、污染控制、環(huán)境規(guī)劃、城市建設(shè)、交通規(guī)劃及公共衛(wèi)生事業(yè)均有重要的實(shí)際應(yīng)用價(jià)值。

本申請(qǐng)?jiān)谖廴驹刺幒透鞅O(jiān)測(cè)站點(diǎn)配置環(huán)境質(zhì)量檢測(cè)傳感器，可以監(jiān)測(cè)大氣中的主要污染因子，如PM2.5，NO₂，SO₂，NH₃以及硫化氫氣體等污染物濃度值。傳感器可以通過GPRS進(jìn)行無(wú)線數(shù)據(jù)傳輸，在有公網(wǎng)IP 的服務(wù)器上進(jìn)行數(shù)據(jù)接收和初步的處理，最后傳輸至云計(jì)算數(shù)據(jù)處理平臺(tái)。

在實(shí)際應(yīng)用中，可以利用無(wú)線傳感器節(jié)點(diǎn)實(shí)時(shí)采集空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)，用無(wú)線發(fā)射裝置把實(shí)時(shí)數(shù)據(jù)用無(wú)線傳送的方式發(fā)射到主機(jī)上。針對(duì)城市空氣質(zhì)量的復(fù)雜環(huán)境，可以配置數(shù)據(jù)采集單元負(fù)責(zé)將被監(jiān)控參數(shù)的物理量信息通過AD 轉(zhuǎn)換，轉(zhuǎn)換為數(shù)字量，并在合適的時(shí)候發(fā)送到接入點(diǎn)（例如中轉(zhuǎn)服務(wù)器）。接入點(diǎn)通過發(fā)送同步時(shí)鐘信息和制作發(fā)送時(shí)間表控制各個(gè)數(shù)據(jù)采集單元的接入，避免出現(xiàn)數(shù)據(jù)接收的沖突導(dǎo)致接收失敗。通過實(shí)時(shí)監(jiān)測(cè)監(jiān)控，獲取了大量環(huán)境空氣質(zhì)量和重點(diǎn)空氣污染源排放的基礎(chǔ)數(shù)據(jù)和實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)數(shù)據(jù)，同時(shí)接入點(diǎn)在接收信息的同時(shí)不斷地將接收到的信息進(jìn)行簡(jiǎn)單的處理，并送到云平臺(tái)中心的數(shù)據(jù)庫(kù)中，由云平臺(tái)上進(jìn)行顯示。

接下來對(duì)云計(jì)算數(shù)據(jù)處理平臺(tái)的具體功能進(jìn)行描述。

1）基于人工神經(jīng)網(wǎng)絡(luò)和光滑支持向量回歸機(jī)預(yù)測(cè)模型的構(gòu)建

構(gòu)建一以污染源處的空氣監(jiān)測(cè)數(shù)據(jù)為輸入，區(qū)域內(nèi)的各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)為輸出的人工神經(jīng)網(wǎng)絡(luò)和光滑支持向量回歸機(jī)預(yù)測(cè)模型?？諝赓|(zhì)量預(yù)測(cè)模型中，通過資源分配網(wǎng)絡(luò)以及多項(xiàng)式光滑支持向量回歸機(jī)模型訓(xùn)練得到。

該模型為基于資源分配網(wǎng)絡(luò)(RAN Resource Allocation Network)的神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式光滑支持向量回歸機(jī)（PSSVR Polynomial Smooth Support Vector Regression）預(yù)測(cè)模型，利用RAN 神經(jīng)網(wǎng)絡(luò)的距離準(zhǔn)則和誤差準(zhǔn)則，進(jìn)行隱層節(jié)點(diǎn)的動(dòng)態(tài)生成和參數(shù)調(diào)節(jié)，生成能滿足誤差要求的最小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，避免了網(wǎng)絡(luò)中隱含節(jié)點(diǎn)個(gè)數(shù)和初始網(wǎng)絡(luò)參數(shù)難以選取的缺點(diǎn)，利用多項(xiàng)式光滑支持向量機(jī)的多項(xiàng)式函數(shù)減少訓(xùn)練和預(yù)測(cè)的復(fù)雜度，改善預(yù)測(cè)的準(zhǔn)確度，這個(gè)模型，比經(jīng)典的BP 神經(jīng)網(wǎng)絡(luò)有更快的網(wǎng)絡(luò)的訓(xùn)練速度和更高的預(yù)測(cè)精度。

資源分配網(wǎng)絡(luò)(Resource Allocating Network，RAN)是基于徑向基函數(shù)(Radical Basis Function，RBF)的單隱層前向神經(jīng)網(wǎng)絡(luò)，資源分配網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層。其思想是采用徑向基函數(shù)作為隱含層神經(jīng)元節(jié)點(diǎn)的“基”，構(gòu)成隱含層；將輸入層矢量直接映射(不需要權(quán)值連接)到隱層；隱含層到輸出層的為線性映射。RAN 神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)在線訓(xùn)練，通過判斷新穎性條件來動(dòng)態(tài)增加隱節(jié)點(diǎn)，確定或調(diào)節(jié)徑向基函數(shù)的數(shù)據(jù)中心，擴(kuò)展常數(shù)，輸出權(quán)值等網(wǎng)絡(luò)參數(shù)，生成能滿足誤差要求的最小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有全局逼近特性和較好的泛化能力，有效避免BP 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)(隱節(jié)點(diǎn)個(gè)數(shù))和初始網(wǎng)絡(luò)參數(shù)難以選取、訓(xùn)練易陷入局部最小等缺點(diǎn)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2中，i₁至i_n為輸入數(shù)據(jù)，隱含層C₁至C_m為神經(jīng)元節(jié)點(diǎn)，r₁（I）至r_m（I）為局部映射輸出，w₁至w_m為連接權(quán)值，為輸出內(nèi)部閾值，y為輸出數(shù)據(jù)。

所述隱含層中的神經(jīng)元節(jié)點(diǎn)的激勵(lì)函數(shù)采用徑向基函數(shù)，采用高斯函數(shù)，對(duì)于第J個(gè)神經(jīng)元節(jié)點(diǎn)，其局部映射輸出通過下式表示：

。

所述空氣質(zhì)量預(yù)測(cè)模型的輸入數(shù)據(jù)為所述空氣監(jiān)測(cè)數(shù)據(jù)，所述空氣質(zhì)量預(yù)測(cè)模型的輸出數(shù)據(jù)為空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，所述空氣質(zhì)量預(yù)測(cè)模型的輸出數(shù)據(jù)通過下式計(jì)算得到：

2）資源分配網(wǎng)絡(luò)的學(xué)習(xí)算法

RAN 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練開始時(shí)并無(wú)隱層節(jié)點(diǎn)，其是在訓(xùn)練過程通過神經(jīng)元節(jié)點(diǎn)分配策略和參數(shù)調(diào)節(jié)策略來動(dòng)態(tài)生成隱層結(jié)合和調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)參數(shù)；所述神經(jīng)元節(jié)點(diǎn)分配策略通過檢查訓(xùn)練樣本對(duì)集，判斷是否滿足新穎性條件來動(dòng)態(tài)分配一個(gè)神經(jīng)元節(jié)點(diǎn)，參數(shù)調(diào)節(jié)策略通過調(diào)節(jié)網(wǎng)絡(luò)參數(shù)而提高網(wǎng)絡(luò)精度。

訓(xùn)練樣本對(duì)集為，其中為訓(xùn)練樣本對(duì)集中第i 個(gè)輸入樣本， 為對(duì)應(yīng)的輸出樣本，N為訓(xùn)練樣本對(duì)數(shù)目。RAN 算法遍歷樣本對(duì)集中的每一個(gè)樣本對(duì)，當(dāng)滿足新穎性條件時(shí)，即為網(wǎng)絡(luò)增加一個(gè)隱節(jié)點(diǎn)；否則進(jìn)行網(wǎng)絡(luò)參數(shù)調(diào)節(jié)。

對(duì)當(dāng)前輸入樣本，求或與當(dāng)前隱層中已有的隱節(jié)點(diǎn)數(shù)據(jù)中心的距離。

對(duì)于檢查到的第i 個(gè)樣本對(duì)，新穎性條件為:

(1)距離準(zhǔn)則:當(dāng)前樣本輸入距離最近的數(shù)據(jù)中心C 超過一個(gè)值。

其中，稱為距離分辨率(簡(jiǎn)稱距離)，t 為訓(xùn)練時(shí)間。

(2)誤差準(zhǔn)則：當(dāng)前樣本輸出與神經(jīng)網(wǎng)絡(luò)的輸出y 的偏差大于某一定值：

情形1:當(dāng)新穎性條件(1)和(2)同時(shí)滿足，則為隱層增加1 個(gè)隱節(jié)點(diǎn)。記新增加的隱節(jié)點(diǎn)編號(hào)為k，則該隱節(jié)點(diǎn)數(shù)據(jù)中心為。

情形2:當(dāng)條件(l)和(2)有任何一個(gè)不滿足時(shí)，網(wǎng)絡(luò)不增加新的隱節(jié)點(diǎn)，而是通過widrow Hoff LMS 算法調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，減小網(wǎng)絡(luò)預(yù)測(cè)輸出y 與輸出樣本的誤差。誤差計(jì)算公式為：

對(duì)隱層中各隱節(jié)點(diǎn)與輸出節(jié)點(diǎn)的連接權(quán)值進(jìn)行如下調(diào)節(jié)：

對(duì)輸出節(jié)點(diǎn)偏移量z 的進(jìn)行如下調(diào)節(jié)：

根據(jù)梯度下降法，對(duì)數(shù)據(jù)中心進(jìn)行如下調(diào)節(jié)：

。

3）光滑支持向量回歸機(jī)算法

支持向量機(jī)(Support Vector Machine，SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，推廣能力明顯優(yōu)于一些傳統(tǒng)學(xué)習(xí)方法, 且能得到全局唯一最優(yōu)解, 在解決小樣本、非線性及高維模式識(shí)別問題中有特有的優(yōu)勢(shì). 已經(jīng)在數(shù)字識(shí)別、人臉檢測(cè)、以及數(shù)據(jù)挖掘等領(lǐng)域成功地應(yīng)用。

采用多項(xiàng)式光滑支持向量回歸機(jī)模型（Palynomial Smooth Support Vector Regression，PSSVR）模型做為目標(biāo)函數(shù)，無(wú)約束最優(yōu)化回歸問題模型為：

。

其中，

關(guān)于x 具有n 階光滑性。

當(dāng)n≥2時(shí), 具有二階及以上光滑性，因此Newton-Armijo算法可以求解此無(wú)約束回歸模型。

Newton-Armijo算法是按照Newton下降方向和Armijo一維搜索進(jìn)行迭代優(yōu)化。此方法的最大優(yōu)點(diǎn)是收斂的速度比較快，而且由于算法中使用了Armijo不精確一維搜索，也就不會(huì)像經(jīng)典的Newton 算法那樣出現(xiàn)使目標(biāo)函數(shù)值增大的迭代。目標(biāo)函數(shù)只要是二階及二階以上光滑就可以使用此算法進(jìn)行計(jì)算，而公式(4.67)中的這類光滑函數(shù)中除了n=1 時(shí)是一階多項(xiàng)式光滑函數(shù)，其他的都能滿足條件可使用Newton-Armijo 算法進(jìn)行計(jì)算。采用newton-armijo算法進(jìn)行迭代優(yōu)化，迭代優(yōu)化過程包括如下步驟：

步驟1：初始化:i=0，給定算法的初始點(diǎn)及精度要求>0；

步驟2：根據(jù)公式計(jì)算值，如果則返回作為結(jié)果，否則繼續(xù)計(jì)算；

步驟3：計(jì)算Hessian矩陣，由求出Newton下降方向的值;

步驟4：利用Armijo一維搜索計(jì)算步長(zhǎng)。如果，取為近似解并停止，否則繼續(xù)，其中滿足：

，并且，這里的;

步驟5：令，轉(zhuǎn)步驟2繼續(xù)執(zhí)行。

4）污染源的空氣監(jiān)測(cè)數(shù)據(jù)與監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)之間的相關(guān)性及可視化

城市空氣污染狀況主要取決于污染物的排放情況和大氣的擴(kuò)散能力。在污染源相對(duì)穩(wěn)定的情況下，污染物在大氣中的擴(kuò)散、遷移、流動(dòng)和轉(zhuǎn)化，與當(dāng)時(shí)的氣象條件密切相關(guān)，風(fēng)向、風(fēng)速、逆溫層結(jié)、降水等氣象因子對(duì)污染物的擴(kuò)散起到重要作用。如當(dāng)有降水出現(xiàn)，或有風(fēng)的時(shí)候，往往有利于空氣中污染物的擴(kuò)散；反之當(dāng)有霧或風(fēng)很小時(shí)，往往容易出現(xiàn)空氣污染加重。

本實(shí)施例通過空氣污染源的污染物排放監(jiān)測(cè)數(shù)據(jù)、城市空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)和天氣情況數(shù)據(jù)，利用高斯點(diǎn)源擴(kuò)散模型計(jì)算和研究不同的空氣污染源對(duì)城市中不同空間位置的空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的污染物濃度進(jìn)行計(jì)算，研究污染源對(duì)空氣質(zhì)量監(jiān)測(cè)點(diǎn)的貢獻(xiàn)率，實(shí)現(xiàn)城市環(huán)境空氣質(zhì)量與污染源廢氣排放量之間相關(guān)性的可視化。

污染源處的空氣監(jiān)測(cè)數(shù)據(jù)和各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)的相關(guān)性，是指在在指定時(shí)間內(nèi)、指定區(qū)域內(nèi)、氣象數(shù)據(jù)條件下，區(qū)域內(nèi)的污染源的數(shù)量為n、監(jiān)測(cè)站點(diǎn)的個(gè)數(shù)為m，在n 個(gè)污染源中的第i 個(gè)污染源的排放數(shù)據(jù)與m 個(gè)監(jiān)測(cè)站點(diǎn)中的第j個(gè)監(jiān)測(cè)點(diǎn)的污染物濃度值之間的對(duì)應(yīng)關(guān)系，形成一個(gè)n 對(duì)m 的數(shù)量關(guān)系。

各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)（也即是污染物濃度值）是多種多個(gè)不同類型的污染源點(diǎn)共同作用的結(jié)果，通過計(jì)算得到的各監(jiān)測(cè)點(diǎn)位的污染物濃度數(shù)據(jù)與對(duì)應(yīng)監(jiān)測(cè)點(diǎn)的真實(shí)監(jiān)測(cè)數(shù)據(jù)可能具有一定的誤差，這是因?yàn)楦鞅O(jiān)測(cè)站點(diǎn)監(jiān)測(cè)得到的數(shù)據(jù)是由多種不同類型的污染源在該監(jiān)測(cè)站點(diǎn)處的濃度值之和，是由多種不同類型的污染源共同作用的結(jié)果。

高斯點(diǎn)源擴(kuò)散的理論依據(jù)泰勒應(yīng)用統(tǒng)計(jì)方法研究大氣湍流擴(kuò)散問題，以以大氣湍流是平穩(wěn)而均勻的假設(shè)條件下，取污染源為原點(diǎn)，x軸為平均風(fēng)向；假定首先從原點(diǎn)處釋放出一個(gè)粒子，經(jīng)過時(shí)間T 之后，粒子離開原點(diǎn)的x 方向距離是x=/T，而粒子在y方向的位移則是隨時(shí)間而變化，正負(fù)、大小隨機(jī)變化。

高斯點(diǎn)源擴(kuò)散模型的模型參數(shù)包括大氣穩(wěn)定度、煙流抬升高度和貢獻(xiàn)率：

大氣穩(wěn)定度

大氣穩(wěn)定度是指大氣某一高度的氣團(tuán)在垂直方向上穩(wěn)定的程度，主要通過風(fēng)速、云量大小與太陽(yáng)輻射狀況等常規(guī)的氣象觀察資料來確定大氣穩(wěn)定度等級(jí)。在確定擴(kuò)散參數(shù)之前，首先要確定當(dāng)前的大氣情況，為此我們將大氣大致分為A-F 共6 個(gè)穩(wěn)定度等級(jí)。依次為不穩(wěn)定、中等不穩(wěn)定、弱不穩(wěn)定、中性、弱穩(wěn)定、中等穩(wěn)定狀態(tài)，根據(jù)日射、風(fēng)速和夜間天空云量狀況半定量地給出穩(wěn)定度擴(kuò)散級(jí)別。

煙流抬升高度

高斯擴(kuò)散模式中需要的參數(shù)煙流抬升高度，指的是有效源高H，它包括排放源,例如煙囪的自然高度和煙流抬升高度。

貢獻(xiàn)率

貢獻(xiàn)率，可以確定各空氣質(zhì)量監(jiān)測(cè)站點(diǎn)主要跟哪些污染源相關(guān)，以及它們的相關(guān)性大小，為污染源的排放量管理控制提供依據(jù)。該參數(shù)表示從某一污染源處排出的污染物擴(kuò)散到監(jiān)測(cè)站點(diǎn)時(shí)的濃度值占所有污染源點(diǎn)到該監(jiān)測(cè)站點(diǎn)污染物濃度值的百分比，為了準(zhǔn)確的描述他們之間的關(guān)系，本實(shí)施例把監(jiān)測(cè)站點(diǎn)的污染物濃度值定義為使用那些納入到監(jiān)控體系中的污染源在監(jiān)測(cè)站點(diǎn)處的濃度值之和。

本申請(qǐng)實(shí)施例中，將污染源處的空氣監(jiān)測(cè)數(shù)據(jù)和各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)的相關(guān)性，并進(jìn)行可視化展示，包括：

將空氣監(jiān)測(cè)數(shù)據(jù)和預(yù)設(shè)的氣象數(shù)據(jù)作為原始數(shù)據(jù)。

根據(jù)所述原始數(shù)據(jù)，使用所述高斯點(diǎn)源擴(kuò)散模型計(jì)算污染源擴(kuò)散到監(jiān)測(cè)站點(diǎn)處的空氣質(zhì)量預(yù)測(cè)數(shù)據(jù)，并且寫入到數(shù)據(jù)庫(kù)中。

根據(jù)用戶的選擇，將需要的數(shù)據(jù)根據(jù)XSI 格式寫入到XML 文檔中。

根據(jù)所述XML 文檔，使用星形結(jié)構(gòu)布局顯示相關(guān)性。

以監(jiān)測(cè)站點(diǎn)為例，查詢污染源對(duì)監(jiān)測(cè)站點(diǎn)的相關(guān)性，由于對(duì)各個(gè)監(jiān)測(cè)站點(diǎn)來說，污染源的數(shù)量是不一定的，為了能夠充分利用界面空間，使界面更加美觀，對(duì)污染源點(diǎn)的個(gè)數(shù)進(jìn)行了判斷，然后根據(jù)判斷結(jié)果給出不同的展示效果。

首先，假設(shè)已知污染源點(diǎn)的個(gè)數(shù)為80個(gè)，以此數(shù)據(jù)為基礎(chǔ)，給出的算法不僅適用于污染源點(diǎn)小于等于80的情況，而且還適用于跟某監(jiān)測(cè)站點(diǎn)有關(guān)的污染源點(diǎn)的數(shù)量小于等于80的情況，該數(shù)據(jù)可以滿足大多數(shù)情況下的需要。

然后，使用圓形圖形表示污染源點(diǎn)和監(jiān)測(cè)站點(diǎn)，使用排序算法對(duì)各污染源點(diǎn)和監(jiān)測(cè)站點(diǎn)進(jìn)行排列，使用分層思想分別顯示不同個(gè)數(shù)的污染源。

由上述實(shí)施例可知，通過在污染區(qū)域大規(guī)模部署環(huán)境質(zhì)量檢測(cè)傳感器，通過后臺(tái)云計(jì)算（數(shù)據(jù)立方）和空氣質(zhì)量檢測(cè)預(yù)警平臺(tái)，分析處理大規(guī)模的空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)，可以做到及時(shí)的預(yù)警，最大程度降低對(duì)環(huán)境的危害。通過海量歷史數(shù)據(jù)智能分析，能夠檢測(cè)到的污染過程和追溯污染源頭，再結(jié)合視頻攝像頭攝錄到的污染視頻錄像，更方便環(huán)保部門管理和整頓，做到執(zhí)法有據(jù)。利用這些特征因子采集器結(jié)合最新云計(jì)算檢測(cè)系統(tǒng)，既能夠解決資金投入問題，又能滿足一定的測(cè)量精度，和現(xiàn)有的空氣環(huán)境自動(dòng)監(jiān)測(cè)系統(tǒng)形成互補(bǔ)，滿足環(huán)保部門對(duì)環(huán)境監(jiān)控的需求，并為環(huán)保行政執(zhí)法提供信息化支持。

本領(lǐng)域技術(shù)人員在考慮說明書及實(shí)踐這里申請(qǐng)的發(fā)明后，將容易想到本申請(qǐng)的其它實(shí)施方案。本申請(qǐng)旨在涵蓋本申請(qǐng)的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本申請(qǐng)的一般性原理并包括本申請(qǐng)未申請(qǐng)的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說明書和實(shí)施例僅被視為示例性的，本申請(qǐng)的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本申請(qǐng)并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本申請(qǐng)的范圍僅由所附的權(quán)利要求來限制。

以上所述僅為本申請(qǐng)的較佳實(shí)施例而已，并不用以限制本申請(qǐng)，凡在本申請(qǐng)的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請(qǐng)保護(hù)的范圍之內(nèi)。