基于结构优化的RAN城市环境空气质量预测模型

山东大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (6): 1-7.

• 机器学习与数据挖掘 • 下一篇

基于结构优化的RAN城市环境空气质量预测模型

蒋志方¹,王德明²,杜晓亮¹,孟祥旭¹,李慎芳¹

1. 山东大学计算机科学与技术学院, 山东济南 250101; 2. 山东省环境监测中心站, 山东济南 250012

收稿日期:2010-04-23 出版日期:2010-12-16 发布日期:2010-04-23
作者简介:蒋志方(1961-),男,江苏无锡人,副教授,硕士,主要研究方向为人工神经网络、数据挖掘与可视化、人机交互与虚拟现实等. E-mail:zfjiang@sdu.edu.cn
基金资助:
国家高技术研究发展计划资助项目(2009AA01Z304),山东省科技攻关项目经费资助项目(2009GG20001025)

Air quality predicting model based on the resource allocation network of structure optimization

JIANG Zhi-fang¹, WANG De-ming², DU Xiao-liang¹, MENG Xiang-xu¹, LI Shen-fang¹

1. School of Computer Science and Technology, Shandong University, Jinan 250101, China;
2. Shandong Province Environmental Monitoring Center, Jinan 250012, China

Received:2010-04-23 Online:2010-12-16 Published:2010-04-23

摘要/Abstract

摘要：

根据城市空气质量随时间变化的特性,利用资源分配神经网络和隐层节点相关性剪枝方法,建立了一个结构简单、具有在线学习能力的空气质量预测模型。通过对网络模型的训练和测试,表明该模型不仅可降低网络结构的复杂度,而且可以得到比普通资源分配网络更精度的预测结果。

关键词: 资源分配网络, 相关性, 节点合并, 空气质量, 预测

Abstract:

According to the time-varying characteristics of the urban air quality, an air quality predicting model using the resource allocation neural network and the hidden layer nodes correlation pruning algorithm was established. The model had simple structure and the online learning capability. Training and testing results showed that the model could not only reduce the complexity of the network structure, but obtain more accurate forecasting than the usual resource allocation neural network.

Key words: resource allocation network; , correlation; , node synthesis; , air quality; , predicting

蒋志方1,王德明2,杜晓亮1,孟祥旭1,李慎芳1. 基于结构优化的RAN城市环境空气质量预测模型[J]. 山东大学学报(工学版), 2010, 40(6): 1-7.

JIANG Zhi-fang1, WANG De-ming2, DU Xiao-liang1, MENG Xiang-xu1, LI Shen-fang1. Air quality predicting model based on the resource allocation network of structure optimization[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2010, 40(6): 1-7.

参考文献

相关文章 15

[1]	刘哲,宋锐,邹涛. 基于模型预测控制的磨削机器人末端力跟踪控制算法[J]. 山东大学学报(工学版), 2018, 48(1): 42-49.
[2]	谢国辉,樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88.
[3]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[4]	李笋,王超,张桂林,徐志根,程涛,王义元,王瑞琪. 基于支持向量回归的短期负荷预测[J]. 山东大学学报(工学版), 2017, 47(6): 52-56.
[5]	车长明,张华栋,李建祥,袁弘,刘海波. 需求侧规模化电动汽车的充电负荷优化调控策略[J]. 山东大学学报(工学版), 2017, 47(6): 108-114.
[6]	周志杰,赵福均,胡昌华,王力,冯志超,刘涛源. 基于证据推理的航天继电器故障预测方法[J]. 山东大学学报(工学版), 2017, 47(5): 22-29.
[7]	周福娜,高育林,王佳瑜,文成林. 基于深度学习的缓变故障早期诊断及寿命预测[J]. 山东大学学报(工学版), 2017, 47(5): 30-37.
[8]	王梦园,张雄,马亮,彭开香. 基于因果拓扑图的工业过程故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 187-194.
[9]	侯广松,高军,吴衍达,张欣,邓影,李常刚,张亚萍. 输电线路参数与运行方式的相关性分析[J]. 山东大学学报(工学版), 2017, 47(4): 89-95.
[10]	路昌海. 基于Markov链的锅炉热负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(3): 151-158.
[11]	何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[12]	包建业,王静. 基于离散裂隙网络模型的隧道涌水量预测[J]. 山东大学学报(工学版), 2016, 46(6): 127-134.
[13]	王志强,文益民,李芳. 基于多方面评分的景点协同推荐算法[J]. 山东大学学报(工学版), 2016, 46(6): 54-61.
[14]	刘斌,李术才,李建斌,王玉杰,张建清,聂利超,王雪亮. TBM掘进前方不良地质与岩体参数的综合获取方法[J]. 山东大学学报(工学版), 2016, 46(6): 105-112.
[15]	于松青, 侯承昊, 孙英涛. 基于系统动力学的山东省电力需求预测[J]. 山东大学学报(工学版), 2015, 45(6): 91-98.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于结构优化的RAN城市环境空气质量预测模型

Air quality predicting model based on the resource allocation network of structure optimization

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

多维度评价

本文评价

推荐阅读 0