Характеристика процессов распространения загрязняющих веществ в атмосфере. Описание нейросетевых моделей прогнозирования и определение их эффективности. Пример построения структуры нейронной сети для прогнозирования распределения диоксида азота.
При низкой оригинальности работы "Применение нейронных сетей для построения модели прогнозирования состояния городской воздушной среды", Вы можете повысить уникальность этой работы до 80-100%
Применение нейронных сетей для построения модели прогнозирования состояния городской воздушной средыСуществующие модели и методики прогнозирования распространения загрязняющих веществ в атмосфере предполагают наличие сложных систем аналитических уравнений, описывающих динамику распространения примеси. Учет особенностей процесса загрязнения атмосферы в условиях неполных метеоданных и данных об источниках загрязнения может быть достигнут путем применения нейросетевых моделей прогнозирования, получивших широкое распространение в различных областях знаний. УПРЗА «Эколог» версия 3.0, вариант «Стандарт» с блоком учета влияния застройки позволяет рассчитать приземные концентрации загрязняющих веществ в атмосфере в соответствии с «Методикой расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах промышленных предприятий (ОНД-86)». В рамках работы были проанализированы восемь типов нейронных сетей: каскадная сеть с прямым распространением сигнала и обратным распространением ошибки; сеть с прямым распространением сигнала и обратным распространением ошибки; сеть с запаздыванием и обратным распространением ошибки; обобщенная регрессионная сеть; радиальная базисная сеть с нулевой ошибкой; радиальная базисная сеть с минимальным числом нейронов; сеть Элмана с обратным распространением ошибки. Для определения эффективности исследуемых нейронных сетей использовалась среднеквадратичная ошибка, усредненная по количеству выходных переменных нейронной сети и рассчитываемая на основе прогнозируемых и реальных значений тестовой выборки по формуле: (1) где - значение i-й выходной переменной нейронной сети для j-го обучающего или тестового примера; - прогнозируемое значение i-й выходной переменной нейронной сети для j-го обучающего или тестового примера; N - количество примеров в обучающей или тестовой выборке; K - количество выходных переменных нейронной сети.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы