基于神经网络的大气细颗粒物软测量研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究动态 | 第10-11页 |
| 1.2.1 国外研究动态 | 第10-11页 |
| 1.2.2 国内研究动态 | 第11页 |
| 1.3 本论文研究内容 | 第11-13页 |
| 第2章 现有大气细颗粒物在线监测技术 | 第13-19页 |
| 2.1 β 射线法原理及监测仪技术 | 第13-15页 |
| 2.2 微量振荡天平法原理及监测仪技术 | 第15-16页 |
| 2.3 现有监测仪器技术性能介绍 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 人工神经网络相关理论 | 第19-29页 |
| 3.1 人工神经网络概述 | 第19-20页 |
| 3.2 BP 神经网络 | 第20-24页 |
| 3.2.1 BP 神经网络的结构 | 第20-21页 |
| 3.2.2 BP 神经网络的学习过程 | 第21-23页 |
| 3.2.3 改进的 BP 算法 | 第23-24页 |
| 3.3 RBF 神经网络 | 第24-28页 |
| 3.3.1 RBF 神经网络的结构 | 第24-26页 |
| 3.3.2 RBF 神经网络的学习 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 影响因子的相关性分析 | 第29-41页 |
| 4.1 数据准备 | 第29-31页 |
| 4.1.1 数据的采集与划分 | 第29页 |
| 4.1.2 数据的预处理 | 第29-31页 |
| 4.2 影响因子的相关性分析 | 第31-39页 |
| 4.2.1 NO_2浓度的相关性分析 | 第32页 |
| 4.2.2 SO_2浓度的相关性分析 | 第32-33页 |
| 4.2.3 PM10 浓度的相关性分析 | 第33-34页 |
| 4.2.4 气压的相关性分析 | 第34-35页 |
| 4.2.5 气温的相关性分析 | 第35-36页 |
| 4.2.6 相对湿度的相关性分析 | 第36-37页 |
| 4.2.7 风速的相关性分析 | 第37-38页 |
| 4.2.8 风向的相关性分析 | 第38-39页 |
| 4.3 模型输入因子的筛选 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 神经网络软测量模型的建立及检验 | 第41-64页 |
| 5.1 BP 神经网络软测量模型的建立 | 第41-51页 |
| 5.1.1 BP 网络层数的选取 | 第41-42页 |
| 5.1.2 输入和输出层神经元个数的选取 | 第42页 |
| 5.1.3 隐含层神经元个数的选取 | 第42-47页 |
| 5.1.4 传递函数的选取 | 第47页 |
| 5.1.5 训练算法的选取 | 第47-51页 |
| 5.2 BP 神经网络软测量模型的检验 | 第51-56页 |
| 5.3 RBF 神经网络软测量模型的建立 | 第56-57页 |
| 5.4 RBF 神经网络软测量模型的检验 | 第57-60页 |
| 5.5 RBF 与 BP 网络模型的总体性能比较 | 第60页 |
| 5.6 大气细颗粒物的软测量界面编写 | 第60-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |
