论文部分内容阅读
现阶段,大气污染问题,特别是雾霾问题仍然是一个非常严峻的问题,PM2.5是引起雾霾问题的一个非常重要的因素,对自身周围的PM2.5进行一个实时的测量,并能了解其后续走势是十分有意义的。现阶段,政府对环境问题也越来越重视,并在大部分城市设置了 PM2.5测量站点,但也仅仅是采用定点测量的方式来推测PM2.5数值,并不能准确的给出具体微观位置的PM2.5数值,所以对PM2.5进行监测并预测后续数值还是十分有意义的。本文设计了一种基于嵌入式的便携PM2.5监测仪,并提出了基于BP神经网络的PM2.5预测算法,同时针对BP神经网络易陷入局部最小值的缺点,用遗传算法进行了优化,来更精确的对PM2.5进行预测。主要进行了以下工作:1、基于模块化原则,划分出PM2.5监测仪的各个模块并进行相应的电路设计,设计出各个模块的驱动软件以及总体驱动软件,给出最终的电路原理图以及PCB板图,经测试,硬件电路可以满足设计需求。2、收集了长沙近三年的AQI相关气体及温度历史数据,以期望值和实际预测值的相对误差作为神经网络的损失函数,设计基于BP神经网络的PM2.5预测模型,利用收集的数据训练BP神经网络,并利用测试数据实际测试模型的预测性能。经测试,模型有一定的预测功能,并具有一定的稳定性。3、先对传统的BP人工神经网络进行了分析,针对存在局部极小值的缺点提出遗传算法改进后的BP神经网络。通过数据测试,该模型均预测准确率0.125,相较于BP神经网络0.253的平均准确率提高了十三个百分点。实验结果表明,本文提出的遗传神经网络模型,在一定程度上提高了预测结果的准确性,大幅度提高了模型的稳定性,验证了模型的有效性。