基于模糊理论的ABC-RBF神经网络对雾霾天气的预测

【摘要】：随着人工智能技术的快速发展,其应用已经遍布在我们生活的各个领域,RBF神经网络作为人工智能的重要方法是学者们现阶段的重点研究问题。RBF神经网络是一种局部逼近的前馈型神经网络,它模拟了人脑神经网络中局部调节和接受阈相互覆盖的结构,目前已经广泛的应用于非线性函数的逼近、人工智能、模式识别、图像分类等领域。在环境污染日益严重的今天,越来越多的人开始对雾霾问题重视起来,它不仅对我们的身心造成伤害,也影响我们的出行。因此,利用RBF神经网络技术从诱发雾霾的污染源出发,实现对雾霾天气的预测,从而提高人们的生活质量,是本文的主要研究内容。但传统的RBF神经网络在算法上存在缺陷,比如,在训练过程中误差收敛速度慢,对不确定的模糊信息呈现较差的性能等,这些都会影响雾霾预测的准确率。本文从提高RBF神经网络算法对雾霾预测准确性的角度出发,在传统算法的基础上进行革新,提出了新的优化算法,主要包括以下几个方面的工作和成果:(1)针对RBF神经网络的初始参数选择问题,引入人工蜂群算法优化的方法,将人工蜂群算法产生的最优解作为RBF神经网络的初始参数,设计出人工蜂群算法与RBF神经网络算法结合后的模型,验证可行性。(2)通过研究模糊理论,找到模糊理论和人工神经网络的结合点,对ABC-RBF神经网络的输入信息通过隶属度函数进行模糊分类,提高雾霾预测的分类精度。(3)将设计出的模糊RBF神经网络模型应用到雾霾预测的实例中,与并与传统RBF神经网络算法进行性能对比,分析实验结果。通过实验结果对比分析发现,基于模糊ABC-RBF神经网络对雾霾天气的预测效果与传统RBF神经网络算法相比,具有很大的优势,它不仅加强了对各个雾霾等级分类的精度,而且在神经网络模型的训练过程中,能更快的收敛到误差极小值。