引入惩罚收益因素OIFElman神经网络及其应用摘要：通过在OIFElman(Output－InputFeedbackElman)神经网络模型中引入惩罚收益因素，提出了一种基于OIFElman神经网络的改进模型，并将其用于大气质量的预测和评价。实验模拟结果证明，引入惩罚收益因素OIFElman模型能够明显提高网络的预测精度，具有极佳的逼近性能，所得预测数据和评价结果与实际结果基本吻合。利用该模型对大气质量进行预测和评价是可行而有效的，具有较好的应用潜能；并为大气环境整治规划提供了一种新的技术和方法。关键词：输入/输出反馈Elman神经网络；惩罚收益因素；预测；评价：TP301.6文献标志码：A：1001-3695(2007)06-0233-030引言??随着工业化进程的加快和人们生活质量的不断改善，大气污染已经成为我国乃至于全世界人类普遍关注的焦点。为了控制大气污染，预测和评价大气质量已经成为一个重要的研究课题。目前，国内外采用的大气预测模型主要有三种，即潜式预测、统计预测和数值预测。它们各有弊端：要么预测的模型过于复杂，要么预测的结果精度欠佳，其效果往往不如人意。??人工神经网络具有广泛的自学习、自组织和自适应的能力，因此受到越来越多学者的关注。K.Hornik等人已证明人工神经网络能够任意逼近很多函数，且能揭示数据样本中蕴涵的非线性关系［1，2］。近年来，人工神经网络已经被成功地应用到工业、农业以及军事等各个领域，并取得了令人鼓舞的进展。鉴于神经网络具有广泛的适应能力和学习能力，目前许多学者都在探索将其应用于大气污染预测领域［3］。1993年，Boznar等人在一个高度污染的工业区，利用神经网络的方法预测SO??2的浓度，近而确定能源站的发热量［4］；1996年，在北美的一个工业区，Yi和Prybutok采用多层感知器的神经网络方法预测臭氧的浓度［5］。为了得到更加精确的预测结果，本文在OIFElman神经网络中引入反映升降趋势的惩罚收益因素，提出了一种基于OIFElman神经网络的改进模型并将其用于对长春市大气质量的预测和评价，得到了令人满意的结果。1OIFElman神经网络简介??OIFElman网络是文献[6]在Elman网络的基础上所提出的一种改进的神经网络模型。其结构如图1所示。该模型除了输入层、隐层、输出层单元外，还有一个特殊的联系单元。联系单元是用来记忆隐层单元以前时刻的输出值，可认为是一个时延算子。因此这里前馈连接部分可以进行连接权修正，而递归部分则是固定的，即不能进行学习修正。在Elman网络模型中，它只计入了隐层节点的反馈，而没有考虑输出层节点的反馈。由于各层神经元的反馈信息会影响网络的信号处理能力，因此在OIFElman网络中增加了输出层节点的反馈，称之为联系单元2，并将其放在第一层，与输入单元和联系单元一起作为隐层节点的输入，其数学模型为2引入惩罚收益因素OIFElman神经网络3应用引入惩罚收益因素OIFElman网络预测和评价大气质量3.1数据及网络结构的选取??本文选取由长春市环境监测中心站提供的2001年12月1日－2002年11月30日连续365d的监测数据为数据样本，以大气中的主要污染物，即PM????10??（可吸入颗粒物）、SO??2和NO??2三种污染物的实际监测浓度值为主要研究对象，采用OIFElman网络及其改进网络模型对其进行预测。网络的结构均为3－10－1式,即含有3个输入节点，10个隐层和联系单元1节点，1个输出和联系单元2节点的三层网络结构。输入层节点的输入为连续3d污染物浓度的监测值，输出为第四日该污染物浓度的预测值。为了更好地度量网络模型的预测效果，本文采用绝对平均误差(AbsoluteAverageError,AAE)和最小二乘误差(LeastSquareError,LSE)表示网络的预测精度，其形式如下：3.2参数值的确定选取2002年2月1日－2002年2月28日间长春市环境监测中心站提供的实际监测数据作为数据样本，应用OIFENNDPF网络对大气中的三种主要污染物PM????10??、SO??2和NO??2进行预测。利用污染物浓度的预测值及根据文献[8]所得到的评价结果如表3所示。实验结果表明：引入惩罚收益因素OIFElman神经网络用于大气污染评价所得到的评价结果与实际结果基本一致，仅有一个结果稍有差异，并且在大气污染物浓度的实际监测中，通常要受到监测仪器、技术人员的技术水平等诸多...