..2013高教社杯全國大學生數學建模競賽承諾書我們仔細閱讀了《全國大學生數學建模競賽章程》和《全國大學生數學建模競賽參賽規則》〔以下簡稱為"競賽章程和參賽規則",可從全國大學生數學建模競賽網站下載。我們完全明白,在競賽開始后參賽隊員不能以任何方式〔包括電話、電子郵件、網上咨詢等與隊外的任何人〔包括指導教師研究、討論與賽題有關的問題。我們知道,抄襲別人的成果是違反競賽章程和參賽規則的,如果引用別人的成果或其他公開的資料〔包括網上查到的資料,必須按照規定的參考文獻的表述方式在正文引用處和參考文獻中明確列出。我們鄭重承諾,嚴格遵守競賽章程和參賽規則,以保證競賽的公正、公平性。如有違反競賽章程和參賽規則的行為,我們將受到嚴肅處理。我們授權全國大學生數學建模競賽組委會,可將我們的論文以任何形式進行公開展示〔包括進行網上公示,在書籍、期刊和其他媒體進行正式或非正式發表等。我們參賽選擇的題號是〔從A/B/C/D中選擇一項填寫：B我們的參賽報名號為〔如果賽區設置報名號的話：所屬學校〔請填寫完整的全名：燕山大學里仁學院參賽隊員<打印并簽名>：1.袁丹真2.王凱3.張焱鑫指導教師或指導教師組負責人<打印并簽名>：〔論文紙質版與電子版中的以上信息必須一致,只是電子版中無需簽名。以上內容請仔細核對,提交后將不再允許做任何修改。如填寫錯誤,論文可能被取消評獎資格。日期：2014年08月賽區評閱編號〔由賽區組委會評閱前進行編號：2013高教社杯全國大學生數學建模競賽編號專用頁賽區評閱編號〔由賽區組委會評閱前進行編號：賽區評閱記錄〔可供賽區評閱時使用：評閱人評分備注全國統一編號〔由賽區組委會送交全國前編號：全國評閱編號〔由全國組委會評閱前進行編號：霧霾時空分布研究摘要PM2.5一直是評估環境的重要因素,本文主要研究PM2.5的相關因素分析、時空分布、污染評估以及分布與演變。對于問題一,采用spss軟件中的person相關性分析,對附件一中PM2.5等六種影響空氣質量指標的數據進行相關性分析處理,得出PM2.5的濃度與CO濃度高度相關,與SO2、NO2、PM10三者中度相關,與O3低度相關。對于問題二,利用谷歌地球大致定位附件二中XX市各個監測站點的地理位置,同時結合附件二中的XX市各監測點的PM2.5數據,考慮到受氣候的影響,我們將1、2、3月份的數據分別通過Matlab軟件進行三維繪圖,得到XX地區各月份及第一季度平均PM2.5值時空分布圖。通過國家環境保護部的《環境空氣質量功能區劃分原則與技術方法》對XX各監測站進行分類,結合《環境空氣質量標準》對其進行評估,最后評估結果表明XX市一類環境空氣功能區中臥龍橋監測站受污染相對嚴重,二類環境空氣功能區濱江監測站受污染較為嚴重。同理,針對XX省11市,統計各市所有監測站工作總天數,統一將各監測站劃分為二類空氣功能區,按照二類環境空氣功能區環境空氣評估標準統計各市所有監測站滿足標準的天數,求取滿足標準率,最后按滿足率進行排名；排名結果顯示XX省XX市污染最為嚴重。對于問題三,考慮到PM2.5的產生與擴散可能受到風力、溫度、降水、濕度等天氣和季節因素的影響,在附件三中選取除對比因素外其他環境因素大致相同的時間或時間段,通過定性對比PM2.5值的變化進行分析,以及網上查閱相關資料,發現PM2.5的產生和演變確實受到風力、溫度、降水、濕度等天氣和季節因素的影響。利用問題一中PM2.5與其他空氣指標數據的相關性考慮,結合附件數據資料,考慮了部分天氣和季節因素的影響,建立了以天氣種類、每日最高氣溫、每日最低氣溫、SO2、NO2、CO、PM10〔可吸入顆粒物為參考因素的BP神經網數學模型,完成了對PM2.5的產生和演變規律的定量定性分析。關鍵詞：霧霾時空分布、PM2.5、Pearson相關性、BP神經網絡一、問題的重述20XX初以來,中國發生大范圍持續霧霾天氣,空氣質量問題始終是政府、環境保護部門和全國人民的熱點問題。為了解決對空氣質量監測、預報和控制問題,2012年2月29日,環境保護部公布了新修訂的《環境空氣質量標準》〔GB3095—2012,在新規定中啟用空氣質量指數AQI作為空氣質量監測指標,以代替原來的空氣質量監測指標――空氣污染指數API<AirPollutionIndex>,同時首次將產生霧霾的主要因素——問題一：根據附件1或附件2中的數據,利用或建立適當的數學模型,對AQI中6個基本監測指標的相關與獨立性進行定量分析,尤其是對其中PM2.5〔含量與其它5項分指標及其對應污染物〔含量之間的相關性及其關系進行分析。問題二：根據附件2的數據,描述XX地區內PM2.5的時空分布及其相關規律,并結合環境保護部新修訂的《環境空氣質量標準》分區進行污染評估,并分析說明XX省內那個地區的污染最為嚴重。問題三：根據附件3提供的XX地區氣象數據,合理考慮風力、濕度等天氣和季節因素的影響,建立PM2.5的發生和演變規律的數學模型,并利用該地區的數據進行定量與定性分析。二、問題的分析2.1問題一的分析根據附件1中的數據,我們考慮到……利用SPSS軟件中Pearson相關性對AQI中6個基本監測指標的相關與獨立性進行定量分析。同時,得出PM2.5〔含量與其它5項分指標及其對應污染物〔含量之間的相關性及其關系的分析。2.2問題二的分析描述XX地區內PM2.5的時空分布及其相關規律,我們查詢了XX各地區所在的經緯度及對應的PM2.5的值,并將時間分為三個月份,做出了一月份、二月份、三月份及第一季度均值的PM2.5時空分布圖。通過對不同月份的PM2.5的時空分布圖進行分析,得到了PM2.5的空間分布規律,然后參考環保部新修訂的《環境空氣質量標準》進行分區污染評估,并分析出XX省XX市的污染最為嚴重。2.3問題三的分析為了更好的分析PM2.5值在不同天氣和季節因素下的發生和演變規律,在考慮風力、氣溫、濕度、降水等不同因素影響的基礎上,建立了參考最高溫度、最低溫度、不同天氣、二氧化硫、二氧化氮、一氧化碳濃度的PM2.5發生和演變模型。三、模型假設<1>假設數據都是真實的；<2>除參考因素外,其他條件不影響模型建立；<3>假設剔除附件中不完整的數據后不影響數據處理及最終結果。四、符號說明——污染物項目P的空氣質量分指數——文獻[2]中表1中與對應的空氣質量分指數——文獻[2]中表1中與對應的空氣質量分指數——污染物項目P的質量濃度值——文獻中表1中與相近的污染物濃度限值的最高值——文獻[2]中表1中與相近的污染物濃度限值的最低值五、模型的建立與求解5.1問題一的求解對數據的處理及相關性定量分析首先,考慮到附件1中的數據是描述空氣質量的分指標,我們需要將數據按公式〔5.1進行處理〔5.1將分指標轉化為〔什么的濃度濃度,然后再對數據進行定量分析。<這里用不用將數據的處理結果列出來>各指標的相關性分析通過spss中相關性判別對附件1中各項指標數據的處理,我們得到了XX吳家山地區各分指標之間的相關性分析,如表5.1所示表5.1XX吳家山各分指標的相關性二氧化硫二氧化氮可吸入顆粒物一氧化碳臭氧細顆粒物二氧化硫Pearson相關性1.820**.705**.652**-.146**.630**顯著性〔雙側.000.000.000.002.000N456456452453456453二氧化氮Pearson相關性.820**1.781**.723**-.038.668**顯著性〔雙側.000.000.000.417.000N456456452453456453可吸入顆粒物Pearson相關性.705**.781**1.781**-.057.827**顯著性〔雙側.000.000.000.226.000N452452455451455452一氧化碳Pearson相關性.652**.723**.781**1-.306**.849**顯著性〔雙側.000.000.000.000.000N453453451455455452臭氧Pearson相關性-.146**-.038-.057-.306**1-.304**顯著〔雙側.002.417.226.000.000N456456455455459456細顆粒物Pearson相關性.630**.668**.827**.849**-.304**1顯著性〔雙側.000.000.000.000.000N453453452452456456由于相關系數具有以下特點：相關系數取值在-1到1之間,當=0時,稱x,y不相關；當||=1時,稱x,y完全相關,此時,x,y之間具有線性函數關系；當||<1時,x的變動引起y的部分變動,的絕對值越大,x的變動引起y的變動就越大,||>0.8時稱為高度相關,當||<0.3時稱為低度相關,其它時候為中度相關。經過對表5.1進行分析,我們得出：XX吳家山地區的二氧化硫與二氧化氮高度相關；細顆粒物與可吸入顆粒、一氧化碳之間高度相關；可吸入顆粒、一氧化碳和細顆粒物兩兩之間中度相關；臭氧與一氧化碳、細顆粒物之間中度相關,與其他分指標低度相關。同理,XX其他地區：武昌紫陽,東湖高新,青山鋼花,沉湖七壕,沌口新區,城區,漢陽月湖,漢口花橋,漢口江灘,東湖梨園均由以上方法求得各分指標之間的相關性。PM2.5與其他分指標之間的相關性同樣,我們用spss對附件1中的數據進行分析,得出XX市各地區的PM2.5與其他分指標之間的相關性,結果如表5.2所示：表5.2XX市各地區PM2.5與其他分指標相關性地區二氧化硫二氧化氮可吸入顆粒物一氧化碳臭氧細顆粒物城區Pearson相關性0.6770.6930.8290.881-0.3451武昌紫陽Pearson相關性0.6880.7110.7880.865-0.3711東湖梨園Pearson相關性0.5710.6940.830.805-0.3091東湖高新Pearson相關性0.6460.6790.8310.806-0.3211青山鋼花Pearson相關性0.6410.6910.8140.852-0.3241沉湖七壕Pearson相關性0.6230.6430.8020.743-0.1711沌口新區Pearson相關性0.6570.660.7870.859-0.3281吳家山Pearson相關性0.630.6680.8270.849-0.3041漢陽月湖Pearson相關性0.5880.6740.8190.778-0.3241漢口花橋Pearson相關性0.6470.6050.8020.836-0.3591漢口江灘Pearson相關性0.6580.5810.8170.85-0.3321均值Pearson相關性0.63680.6635450.8132730.829455-0.317091通過對表5.2的觀察和分析,得出：PM2.5與可吸入顆粒物、一氧化碳之間呈現高度相關,與二氧化硫、二氧化氮和臭氧之間呈現中度相關且與二氧化硫、二氧化氮之間的相關性更高。由相關性計算結果可以看出,二氧化硫、二氧化氮、一氧化碳的濃度含量對PM2.5的濃度含量有一定的影響,這也從側面驗證了之前研究的結論,認為二氧化硫、二氧化氮、一氧化碳是在一定環境條件下生成PM2.5前的主要氣態物質。相關研究表明PM2.5的主要成分包括碳合物、硝酸鹽、硫酸鹽、銨鹽及土壤金屬元素,這也驗證了數據的可靠性及相關性分析的正確性。5.2問題二的求解XX地區內PM2.5的時空分布及其相關規律為了較清楚的分析XX各地區的PM2.5分布規律,我們查詢了XX各地區的經緯度,用matlab繪圖做出了XX地區11個監測點的地理位置空間分布圖,如圖5.1所示圖5.1XX各監測站地理位置空間分布圖由于數據有限,我們將數據分為一、二、三月份,然后根據一、二、三月份的PM2.5的平均濃度及第一季度的PM2.5平均濃度,用matlab三維繪圖做出了XX市各地區的PM2.5空間分布特征圖,見圖一月份PM2.5空間分布特征圖,圖二月份PM2.5空間分布特征圖,圖三月份PM2.5空間分布特征圖,圖第一季度PM2.5空間分布特征圖:圖一月份PM2.5空間分布特征圖圖二月份PM2.5空間分布特征圖圖三月份PM2.5空間分布特征圖圖第一季度PM2.5空間分布特征圖圖、圖、圖、圖中黑色的星型點為XX市11個地區大氣監測點,暖色調區說明該污染物的濃度大,冷色調區說明該污染物的濃度越小,從圖中可以看出PM2.5濃度的空間分布圖大體呈現暖色,一月份較為嚴重,二月有擴散趨勢,三月份相對降低；總體第一季度污染物PM2.5在XX市密集地區的含量比較高。XX各地區的污染評估我們對XX各地區在一、二、三月份及第一季度的PM2.5的值做平均值處理,然后根據《環境空氣質量標準》中的國家環境空氣質量功能區的分類和標準分級規定污染物濃度限值的一級、二級和三級標準分別用于3類不同的環境空氣質量功能區：一類區為自然保護區、風景名勝區和其他需要特殊保護的地區；一類區執行一級標準；二類區為城鎮規劃中確定的居住區、商業交通居民混合區、文化區、一般工業區和農村地區；二類區執行二級標準；三類區為特定工業區,三類區執行三級標準。綜合以上所述做出下表5.3：表5.3XX分區污染評估圖監測點1月平均2月平均3月平均季度平均分類季度標準季度滿足有效天數滿足天數滿足率西溪131.43865.62562.7666779.44286一級15否7045.71%臥龍橋99.363653.4545559.1333364.1746一級15否6334.76%云棲47.2552.0869646.7548.89831一級15否6968.70%千島湖72.933336.8666746.2272751.23077一級15否5247.69%臨平鎮132.06757.6818262.4827676.69697二級35否661624.24%和睦小學140.565.3181868.882.84848二級35否661624.24%下沙139.18857.7391360.8620778.23529二級35否682029.41%朝暉五區139.28666.4761963.4666780.76692二級35否651827.69%XX農大134.28653.7826159.673.20896二級35否672131.34%濱江137.2561.62570.4333382.68571二級35否701622.86%城廂鎮127.31362.4705964.4615480.9322二級35否591423.73%從上表觀察再結合空間地理位置,說明一級空氣功能區受二級空氣功能區的影響,而且一級空氣功能區的評定標準更為嚴格,所以導致一級的滿足率明顯比二級的低。就一級空氣功能區臥龍橋監測站污染較為嚴重,二級空氣功能區來說濱江監測站污染較為嚴重。XX省污染最嚴重地區經過對XX省各市各地區在一、二、三月份的PM2.5的數據進行處理,整理出這三個月的PM2.5的平均值及第一季度的PM2.5的平均值,得到表5.4：表5.4XX省各市環境評估表地名經度緯度等級季度標準季度滿足有效天數滿足天數滿足率空氣環境排名XX29.9853122.2072二級35否18310959.5628%1XX29.86834121.544二級35否53623443.6567%2XX27.99427120.6994二級35否2539236.3636%3XX28.65639121.4208二級35否1986834.3434%4XX28.46763118.9228二級35否2056833.1707%5XX30.75392120.7585二級35否1815731.4917%6XX29.99576120.5861二級35否1605031.2500%7XX30.89435120.0868二級35否1955528.2051%8XX30.27409120.1551二級35否71619927.7933%9XX29.07906119.6474二級35否1983316.6667%10XX28.97008118.8595二級35否1591911.9497%11由表5.4可以看出XX省各市在一月份的PM2.5的均值相差明顯,但在第一季度的PM2.5均值相差不是很大,各市在進行比較之后得出：XX省XX地區的污染最嚴重。5.3問題三的求解各因素對PM2.5的影響〔1風向及風力因素影響考慮除比較因素外,其他因素大致相同,我們選取了具有比較性的兩天,進行風向及風力的比較。1月20日與1月16日比較：20XX1月16日晴/多云11℃/0℃東風≤3級/北風≤3級20XX1月20日多云/多云11℃/-2℃西北風3-4級/北風4-5級〔如何得到的下邊的兩個圖？>圖5.3.11月16日PM2.5分布圖〔無風圖5.3.21月20日PM2.5分布圖〔有風通過上邊兩圖對比明顯發現在XX地區的PM2.5等值線往東南方向移動,結合風向及風力的比較這也證明了〔PM2.5確實受到西北風及北風〔風向及風力的影響?！沧⑨專簩τ?月16日臨平鎮無PM2.5值的數據,我們采用插值法,將XX各個監測站地區按國家環境保護部的標準分為兩類,對比1月14與16日同等類別地區的pm2.5值得變化,估計臨平鎮1月16日PM2.5的值?！沧⑨屇懿荒苋诘椒椒ɡ镞吤枋觥?相對濕度的影響相對濕度的影響相對濕度和PM2.5的含量兩者呈正相關,這主要是因為空氣中相對濕度增大,有利于大氣中的氣體物質轉化成為二次粒子,且一些極細的顆粒由于吸濕使本身含液量增加,粒子漲大從愛根核模態轉化為積聚核模態,造成空氣中PM2.5的質量濃度增加?！苍蚝徒Y果的敘述要盡量保持先分析原因再得到結果的順序〔3風速的影響在無沙塵暴的情況下,PM2.5質量濃度隨風速的增大而降低,這是因為風速越大,大氣湍流強度越大,對污染物擴散稀釋的能力越強,導致PM2.5質量濃度下降,反之則濃度上升。然而當速度大于某一值時,風可能卷起更多沉積于城市地表的顆粒物,甚至有可能因高風速使得顆粒物相互碰撞加劇,裂變為細一級的粒子,使得PM2.5質量濃度增大,此時風速與細粒子質量濃度表現出正相關?？偟膩碚f,風速低于某一閾值時,PM2.5的質量濃度與其呈負相關,反之則呈正相關?！?降水的影響同理,進行定性分析,我們選取了三天具有可比性的不同天氣的數據：20XX3月10日晴/晴15℃/5℃東風≤3級/東南風≤3級20XX3月11日晴/陣雨18℃/11℃東南風≤3級/西南風3-4級20XX3月12日小雨/小雨17℃/6℃南風≤3級/北風4-5級對該三天的PM2.5的數據進行統計處理,得到PM2.5的空間分布如下圖：圖3月10日PM2.5值空間分布圖圖5.3.43月11日PM2.5值空間分布圖圖3月12日PM2.5值空間分布圖因其〔其是啥質量和粒徑都很小,PM2.5在大氣中停留的時間較長。細粒子的去除主要通過濕沉降,干沉降作用很小,因此上面三幅圖可以發現一次降水過程能明顯降低空氣中PM2.5的濃度。模型建立<1>模型考慮因素對于本文模型的建立,由于數據難以收集,本文只考慮到XX的天氣<x1>、最高溫度<x2>、最低溫度<x3>以及與PM2．5關聯性強的二氧化硫<x4>、二氧化氮<x5>、一氧化碳<x6>、可吸入顆粒物<x7>,總共7個變量,見附錄。其中對天氣<晴、多云、陰、雨、雪>進行量化得到天氣的量化值,如表5.5所示。表5.5天氣種類量化表天氣種類晴多云陰雨雪霾量化1234<2>發生演化模型的建立BP<BackPropagation>神經網絡由輸入層、隱含層、輸出層組成,其基本原理是輸入矢量<訓練樣本>經過隱含層的一系列變換,然后得到輸出矢量,從而實現輸入與輸出間的一個映射關系。BP算法根據模型輸出與期望輸出值之間的誤差來修改各神經元連接的連接權系數,其目的是使輸出誤差達到預計范圍內。三層BP前饋網絡可以逼近任意的連續函數,但是困難在于不知如何確定合理的結構以及權值,由于權值的任意設置可能導致模型的不精確,所以本文提出用遺傳算法與BP神經網絡相結合的方法。基于遺傳算法的神經網絡模型框架與實現流程采用遺傳算法來設計網絡權值,即將遺傳算法的全局尋優能力與BP算法的指導性搜索結合起來,先用遺傳算法在隨機點集中遺傳出優化的網絡結初值,再用BP算法對網絡進行訓練學習至收斂。圖5.3.6為遺傳算法與BP神經網絡結合的模型<3>模型的具體設計在進行BP神經網絡模型設計時,主要考慮網絡的層數和每層中神經元的個數以及激活函數。網絡層數BP神經網絡是通過輸入層到輸出層的計算來完成的。多于一層的隱含層能在速度上提高網絡的訓練,但需要較多的訓練時間。在應用BP神經網絡進行預測時,本文采用Matlab2012軟件提供的神經網絡工具箱建立2個隱含層的三層BP神經網絡。網絡各層中神經元的個數根據PM2．5的歷史數據,確定輸入層神經元數為7,即輸入變量為XX市2013年1月到2013年4月這4個月的7項指標<x1～x7>;輸出層神經元數為1,即輸出變量為相應的PM2．5的值。在BP神經網絡中,隱含層節點的個數對結果的精度會產生較大的影響。如果隱含層神經元數目過多,則會增加網絡的迭代次數,從而延長網絡的訓練時間,同時也會降低網絡的泛化能力,導致預測能力下降;如果數目過少,網絡很難識別樣本,難以完成訓練,并且網絡的容錯性也會降低。通用的隱含層神經元數的確定經驗公式為:i=<1>其中i為隱含層神經元的個數,n為輸入層神經元的個數,m為輸出層神經元的個數,a為常數且1＜a＜10。本文首先根據經驗公式,求出隱含層的個數。通過試驗對比發現當隱含層的神經元數分別為15、14時,模型具有良好的效果。因此,本文隱含層的神經元個數設置為15、14。確定激活函數BP神經網絡的傳遞函數通常采用log-sigmoid型函數、logsig、tan-sigmoid型函數tansig以及純線性函數purlin。如果BP神經網絡的最后一層是S<Sigmoid>型函數,那么整個網絡的輸出就限定在一個較小的輸出范圍;如果采用純線性函數purelin,那么整個網絡的輸出可以去任意值,故而本文BP神經網絡的最后一層采用purelin函數。前饋型網絡的隱含層通常采用S型函數,在本文中隱含層均采用tansig函數。綜上所述,本文采用3層BP神經網絡模型,具體結果如圖所示。輸入變量為7個<x1～x7>,1個輸出變量。隱含層均采用tansig作為激活函數,最后一層采用purelin函數。圖5.3.7三層BP神經網絡模型〔4發生演化模型的訓練和測試a.樣本的選取和預處理在所給數據中必須保證各項指標數據完整,因此指標數據不完整的日數據進行剔除。同時,為了保證數據為同一數量級,首先需要對神經網絡的輸入和輸出數據進行一定的預處理:即原數據范圍限定在<－1,1>之間。因為某些數據對結果是很重要的,但是它相對其它的值來說,太小了,則在網絡訓練過程中,它的影響力就會很小,所以必須要把數據歸一化,統一數據的數量級。數據歸一化處理代碼：%-----------------數據歸一化----------fori=1:7dmin<i>=min<data<i,:>>;dmax<i>=max<data<i,:>>;enddymin=min<datay>;dymax=max<datay>;fori=1:length<datay>datay1<i>=<datay<i>-dymin>/<dymax-dymin>;endfori=1:7forj=1:54data1<i,j>=<data<i,j>-dmin<i>>/<dmax<i>-dmin<i>>;endendb.模型的訓練和實現結果如下所示為構建的BP神經網絡模型代碼:%%-----模型建立--------------net=newff<minmax<trainP>,[15141],{'tansig','tansig','purelin'},'traingdm'>;net.trainParam.epochs=10000;net.trainParam.goal=0.001;net.trainParam.show=50;net.trainFcn='trainlm';net.trainParam.lr=0.05;net=train<net,trainP,trainT>;其中目標訓練誤差為0．001,最大訓練次數為10000次,2次顯示之間的訓練步數為50,學習步長為為0.05。如圖4所示為原始數據曲線與本模型預測曲線的對比,其中實線為原始數據曲線,"圓圈+星號"部分為模型預測曲線。圖5.3.8本模型預測曲線與原始數據對比c.模型檢驗：通過上圖明顯發現通過訓練數據可以較為準確得到最近一段時間的預測值。在短期時間內預測值與真實值誤差較小,一旦時間較長誤差就會突然增加,這是由于訓練數據有限,導致神經模型不是很完美。只適用于短期預測。六、模型優缺點及其改進〔應該整體談一下這篇論文所涉及的模型方法的優缺點6.1基于BP神經網絡的PM2.5發生與演變模型〔該去掉模型優點〔1污染物影響因子考慮了大氣中各種污染物具有發生化學反應的可能性；〔2考慮了各種天氣因素及其每日最高、最低溫度對PM2.5的影響；〔3對于近期PM2.5值預測比較準確。應該寫出這些優點導致模型有哪些提高模型缺點〔1對于中長期的PM2.5值預測有較大誤差,精確度較差；導致模型怎么樣了〔2題目附件所給數據較少且數據不完整,導致神經訓練程度不夠使模型怎樣了；模型的優化〔1可以結合將BP神經網絡與遺傳算法結合,能夠進行更長期,更精確地預測；七、參考文獻：[1]環境質量標準,中華人民XX國國家標準,GB3095-2012[2]環境空氣質量指數〔AQI技術規定〔試行：中華人民XX國國家環境保護標準,HJ633-2012[3]陽其凱,張貴強,張競銘,基于遺傳算法與BP神經網絡的PM2.5發生演化模型,計算機與現代化,總第223期；15-19頁,20XX第三期[4]吳建國等,數學模型案例精編,北京水利水電出版社,20XX附錄附錄一〔源文件代碼XX各監測站時空分布三維繪圖程序clearall;clc;A=xlsread<'C:\Users\Administrator\Desktop\XX市各監測站地理位置信息.xlsx',1>;d={'XX農大','臨平鎮','和睦小學','下沙','朝暉五區','西溪','臥龍橋','濱江區','城廂鎮','云棲','千島湖'};x=A<:,1>;y=A<:,2>;z=A<:,3>;scatter<x,y,5,z>%散點圖holdonplot<x,y,'*'>text<x,y,d>;holdofffigure[X,Y,Z]=griddata<x,y,z,linspace<min<x>,max<x>,200>',linspace<min<y>,max<y>,200>,'v4'>;%插值pcolor<X,Y,Z>;shadinginterp%偽彩色圖holdonplot<x,y,'*'>text<x,y,d>;holdofffigure,contourf<X,Y,Z>%等高線圖holdonplot<x,y,'*'>text<x,y,d>;holdofffigure,surf<X,Y,Z>%三維曲面holdonplot<x,y,'*'>text<x,y,d>;holdoff附錄二BP神經網絡模型程序源文件代碼%-----BP神經網絡方法—clearall;clc;%%-------數據處理模塊------------------%data=load<'sysc.txt'>;A=xlsread<'C:\Users\Administrator\Desktop\預測PM2.5.xls'>;datay=A<:,8>';data=A<:,1:7>';%-----------------數據歸一化處理----------fori=1:7dmin<i>=min<data<i,:>>;dmax<i>=max<data<i,:>>;enddymin=min<datay>;dymax=max<datay>;fori=1:length<datay>datay1<i>=<datay<i>-dymin>/<dymax-dymin>;endfori=1: