基于粗糙集和BP神经网络的空气质量评价方法.pdfVIP

第28 卷 第4 期 河 南 科 学 Vol.28 No.4 2010 年4 月 HENAN SCIENCE Apr. 2010 文章编号：1004-3918 （2010）04-0432-04 基于粗糙集和BP 神经网络的空气质量评价方法 方 莹 （商丘师范学院计算机科学系，河南商丘 476000） 摘 要：基于粗糙集理论，提出了空气质量评价参数的选取算法，在不降低有效分类信息的前提下对监测数据经过 约简并作为BP 神经网络的输入数据，简化了网络结构，提高了训练速度和测试精度. 基于BP 神经网络的空气质 量评价方法能有效融合多种监测数据，系统通用性强. 实验表明，基于粗糙集和BP 神经网络的空气质量评价方法 是可行有效的. 关键词：粗糙集；BP 神经网络；评价；属性约简；训练 中图分类号：TP 18 文献标识码：A 由于具有联想记忆、分布并行处理、自学习、自适应、非线性映射等能力，BP 神经网络已成为目前应用最 广泛的神经网络之一，在环境质量评价方面已有大量研究并在一定领域取得不错的应用效果. 但BP 神经 [1] 网络 在应用时易受训练速度和训练样本集的困扰，即如果训练样本集中存在大量冗余数据，会增加网络规 [2] 模、加大系统开销，降低训练速度，更主要的是会造成“过拟合”现象. 粗糙集 （Rough set）理论可以对不完 整、不精确数据进行分析、推理，发现数据间关系，剔除冗余特征并简化数据，是智能信息处理的有力工具. 因此，本文将粗糙集理论和神经网络结合起来用于空气质量评价. 1 基于粗糙集的空气质量评价参数的选取 [3] 大气环境污染源 很多，如CCl 、CS 、苯、CN－、NO 、SO 、CO 、HF、苯、烟尘、悬浮颗粒物TSP 等. 决定某 4 2 X 2 2 一地域空气质量类别的主要因素往往是不同的，只有从主要污染物中选择合适的评价参数，才能体现这一地 区环境质量优劣的真实性和改造控制环境质量的可能性. [4] 本文提出的基于粗糙集的空气质量评价参数的选取算法思想 是：从评价参数集中查找造成分类不统 一的待删除评价项，进一步删去对其它类别来说非主要的分类参数，最后剩下的参数构成约简后的评价参数 集，算法过程描述为： 设样本集S＝ ｛X ，X ，…，X ｝，n 为样本总数；评价参数集C＝ ｛C ，C ，…，C ｝，m 为评价项数目；空气质量 1 2 n 1 2 m 分类类别D＝ ｛d ，d ，…，d ｝，k 为分类数目. 样本X 在C