基于GAB和模糊BP神经网络的空气质量预测
为了提高空气质量预测精度,提出一种由GentleAdaBoost(GAB)迭代算法和模糊BP神经网络组成的空气质量预测方法.首先,对空气质量样本数据进行预处理,并初始化测试数据分布权值;然后,通过选取不同类型的模糊BP神经网络构造出不同的模糊BP弱预测器,并对样本数据进行反复训练;最后,将多个模糊BP神经网络弱预测器使用GAB算法进行迭代,得到新的强预测器.对北京市近1a的空气污染指数(API)和空气质量指数(AQI)进行仿真实验,结果表明:本方法比传统BP空气质量预测模型预测平均误差绝对值减少近30％,提高了神经网络预测精度,为神经网络在空气质量预测中的应用提供借鉴.
空气质量 数据处理 迭代算法 模糊BP神经网络
李翔
淮阴工学院计算机工程学院,江苏 淮安 223003
国内会议
长沙
中文
63-65,69
2013-11-01（万方平台首次上网日期，不代表论文的发表时间）