基于Elman的空气质量预测方法的研究与实现开题报告

近些年来，国际上的空气质量的预测方法主要为数值模型和统计模型这两种方法。数值模型预测常用的cmaq、camx和wrf-chem,它们是通过收集空气的实际情况，得到初始值和边界值，从而利用计算机运算模拟大气的运动状态，这种预测方式是目前应用较广的一种，但是由于对初始值的要求较高,且大气化学演变过程受诸多因素影响,从而使得模型在预测精确度上效果一般；统计模型则是近些年来兴起的一种方法，常用的统计模型有自回归综合移动平均(arima)模型 、多元线性回归(mlr)模型和灰色模型,它们根据统计学原理利用概率论和数理统计的方法建立预测模型，根据收集到的大气数据对空气质量进行预测，在各种统计模型中，以人工神经网络为代表的机器学习算法是当今研究的主流方向，并且应用较多。人工神经网络因具备很强的非线性逼近能力和自适应、自学习等特点,解决了其他统计模型对非线性问题预测结果通常稳定性较低的问题，在用来研究空气污染预测时具有特定的优势。

2. 研究的基本内容与方案

2.1 研究内容和目标

研究的基本内容。本设计将学习基于elman神经网络的空气质量预测方法的研究与实现，相对于bp(back propagation,bp)算法的静态前馈神经网络elman神经网络具有适应时变特性的优点，通过matlab平台对elman神经网络进行训练，从而达到预测空气质量的目的。为达到更好的预测结果，在网络结构方面，采用增设输入到输出的反馈；在学习算法方面，采用遗传算法，解决网络参数无固定标准、易陷入局部最优解的问题，实现基于elman神经网络的空气质量预测，进一步减小预测误差。

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容，了解基于elman神经网络的空气质量预测的国内外的研究方向和实现方案，弄清工作原理，完成开题报告。

第4-7周 进一步阅读相关文献，确定系统框架，明确设计要点，完成改进elman神经网络的设计方案。

第8-10周 根据方案的工作流程进行分步骤仿真，测试改进后的网络的可行性，获得空气质量预测的初步仿真结果，获取预测数据对应的相对预测误差。

4. 参考文献（12篇以上）

[1]吴曼曼,徐建新,王钦.基于数据分解的aqi的ceemd-elman神经网络预测研究[j].中国环境科学,2019,39(11):4580-4588.

[2]李志新, 赖志琴, 龙云墨. 基于ga-elman神经网络的参考作物需水量预测[j].节水灌溉,2019,(2):117-120.

[3]艾静.基于ga-elman的网络舆情研究 [d].华中师范大学，2013.