引入懲罰收益因素ＯＩＦ Ｅｌｍａｎ神經網絡及其應用

摘 要：通過在OIF Elman (Output－Input Feedback Elman)神經網絡模型中引入懲罰收益因素，提出了一種基于OIF Elman神經網絡的改進模型，并將其用于大氣質量的預測和評價。實驗模擬結果證明，引入懲罰收益因素OIF Elman模型能夠明顯提高網絡的預測精度，具有極佳的逼近性能，所得預測數據和評價結果與實際結果基本吻合。利用該模型對大氣質量進行預測和評價是可行而有效的，具有較好的應用潛能；并為大氣環境整治規劃提供了一種新的技術和方法。

關鍵詞：輸入/輸出反饋Elman神經網絡；懲罰收益因素；預測；評價

中圖分類號：TP301.6文獻標志碼：A

文章編號：1001-3695(2007)06-0233-03

0 引言

隨著工業化進程的加快和人們生活質量的不斷改善，大氣污染已經成為我國乃至于全世界人類普遍關注的焦點。為了控制大氣污染，預測和評價大氣質量已經成為一個重要的研究課題。目前，國內外采用的大氣預測模型主要有三種，即潛式預測、統計預測和數值預測。它們各有弊端：要么預測的模型過于復雜，要么預測的結果精度欠佳，其效果往往不如人意。

人工神經網絡具有廣泛的自學習、自組織和自適應的能力，因此受到越來越多學者的關注。K.Hornik等人已證明人工神經網絡能夠任意逼近很多函數，且能揭示數據樣本中蘊涵的非線性關系［1，2］。近年來，人工神經網絡已經被成功地應用到工業、農業以及軍事等各個領域，并取得了令人鼓舞的進展。鑒于神經網絡具有廣泛的適應能力和學習能力，目前許多學者都在探索將其應用于大氣污染預測領域［3］。1993年，Boznar等人在一個高度污染的工業區，利用神經網絡的方法預測SO2的濃度，近而確定能源站的發熱量［4］；1996年，在北美的一個工業區，Yi和Prybutok采用多層感知器的神經網絡方法預測臭氧的濃度［5］。為了得到更加精確的預測結果，本文在OIF Elman神經網絡中引入反映升降趨勢的懲罰收益因素，提出了一種基于OIF Elman神經網絡的改進模型并將其用于對長春市大氣質量的預測和評價，得到了令人滿意的結果。

1 OIF Elman 神經網絡簡介

OIF Elman網絡是文獻[6]在Elman網絡的基礎上所提出的一種改進的神經網絡模型。其結構如圖1所示。該模型除了輸入層、隱層、輸出層單元外，還有一個特殊的聯系單元。聯系單元是用來記憶隱層單元以前時刻的輸出值，可認為是一個時延算子。因此這里前饋連接部分可以進行連接權修正，而遞歸部分則是固定的，即不能進行學習修正。在Elman網絡模型中，它只計入了隱層節點的反饋，而沒有考慮輸出層節點的反饋。由于各層神經元的反饋信息會影響網絡的信號處理能力，因此在OIF Elman網絡中增加了輸出層節點的反饋，稱之為聯系單元2，并將其放在第一層，與輸入單元和聯系單元一起作為隱層節點的輸入，其數學模型為

2 引入懲罰收益因素OIF Elman神經網絡

3 應用引入懲罰收益因素OIF Elman網絡預測和評價大氣質量

3.1 數據及網絡結構的選取

本文選取由長春市環境監測中心站提供的2001年12月1日－2002年11月30日連續365d的監測數據為數據樣本，以大氣中的主要污染物，即PM10（可吸入顆粒物）、SO2和NO2三種污染物的實際監測濃度值為主要研究對象，采用OIF Elman網絡及其改進網絡模型對其進行預測。網絡的結構均為3－10－1式，即含有3個輸入節點，10個隱層和聯系單元1節點，1個輸出和聯系單元2節點的三層網絡結構。輸入層節點的輸入為連續3d污染物濃度的監測值，輸出為第四日該污染物濃度的預測值。為了更好地度量網絡模型的預測效果，本文采用絕對平均誤差(Absolute Average Error， AAE)和最小二乘誤差(Least Square Error， LSE)表示網絡的預測精度，其形式如下：

3.2 參數值的確定

選取2002年2月1日－2002年2月28日間長春市環境監測中心站提供的實際監測數據作為數據樣本，應用OIFENNDPF網絡對大氣中的三種主要污染物PM10、SO2 和NO2進行預測。利用污染物濃度的預測值及根據文獻[8]所得到的評價結果如表3所示。實驗結果表明：引入懲罰收益因素OIF Elman神經網絡用于大氣污染評價所得到的評價結果與實際結果基本一致，僅有一個結果稍有差異，并且在大氣污染物濃度的實際監測中，通常要受到監測儀器、技術人員的技術水平等諸多客觀因素的影響。因此上述結果綜合說明，本文所提出的改進模型用于大氣污染預測及評價領域是可行而有效的，可以推廣利用，具有一定的應用價值。

4 結束語

本文在OIF Elman神經網絡模型中引入一個反映升降趨勢的懲罰收益因素。在預測趨勢與目標趨勢不一致時，通過調整懲罰因素來提高網絡的預測精度。通過實驗結果表明：與OIF Elman神經網絡相比，本文所提出的改進模型能夠明顯提高網絡的預測性能，具有廣泛的應用前景。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。