基于bp神经网络的城市扬尘在线监测系统
技术领域
1.本发明涉及一种在线监测系统，特别涉及基于bp神经网络的城市扬尘在线监测系统，属于扬尘监测技术领域。
背景技术：
2.扬尘是由于地面上的尘土在风力、人为带动及其他带动飞扬而进入大气的开放性污染源，是环境空气中总悬浮颗粒物的重要组成部分，降雨后利用雨水资源立即清扫洗刷道路积存的泥水，是避免道路泥土风干后反复形成扬尘最有效手段，同时能够避免晴天时清扫形成扬尘，也能极大地节约清洁用水，是中国广大城镇应当立即采取的措施。在硬化道路的设计和施工时，注意严格采用合理的路面横向坡度和道路边缘排水设计，利用自然降水径流冲刷清洁路面尘土，对于降低扬尘污染可以起到事半功倍的效果，是治理扬尘污染的重要长效措施。
3.现有技术在实现施工现场扬尘监测，一般是通过目测的方式实现相关密度，这样不但测试的结果精度很难保证，而且也浪费大量人力，此外现有的监测工具无法实现预测功能，使监测频率提高，相应的监测成本提高。
技术实现要素：
4.本发明的目的在于提供基于bp神经网络的城市扬尘在线监测系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于bp神经网络的城市扬尘在线监测系统，所述在线监测系统包括bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层，其中：
6.bp神经网络输入层：用于选取温度、湿度、风速和高度4个神经元；
7.bp神经网络隐含层：包括多个神经元；
8.bp神经网络输出层：用于输出降尘通量；
9.bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin。
10.作为本发明的一种优选技术方案，所述在线监测系统的网络训练步骤如下：
11.s1：选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；
12.s2：建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0013][0014]
s3：设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；
[0015]
s4：初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数；
[0016]
其中：
[0017]
最大训练周期：当完成规定次数的训练，误差反向传播和网络权值及偏置修改后停止训练，不论是否达到训练目标，设最大训练周期为了防止训练时间过长，及时终止无法收敛的训练；
[0018]
训练精度：网络的拟合数据与真实数据最大差，反应网络对数据的拟合程度；
[0019]
训练函数：代表训练算法，使用levenberg
‑
marquardi最优化算法对网络权值和偏置进行更新，使用levenberg
‑
marquardt更新网络权值和偏置，以使网络输出误差最小化；
[0020]
最小梯度：定义了levenberg
‑
marquardt算法中雅可比矩阵变化的最小梯度，当小于此值时停止训练；
[0021]
μ
min
、μ
max
、μ减小系数、μ增长系数：定义了levenberg
‑
marquardt算法权值更新公式中系数声的变化方式和取值范围；
[0022]
停止检测：当网络过拟合次数超过了此处定义的次数时，认为网络过拟合，训练不理想，停止训练；
[0023]
性能评价函数：评价网络拟合性能的方式，通常使用网络输出误差(拟合值与实际值之差)的函数进行计算，使用最小均方差(mse)准则，计算公式如下：
[0024][0025]
n为输出端数；
[0026]
数据划分函数：决定了数据中哪些数据用来进行训练，有效性检查和测试数据的选择方式；
[0027]
训练数据比：有效性检测数据比，网络测试数据比分别定义了以何种比例从所有可用数据中进行选择，有效性检测数据集与训练目标的误差在训练之初就开始被监测，并与训练数据集一样，在训练过程中逐渐减小，网络过拟合时，有效性数据的误差开始变大，误差连续增加了超过了停止检测中定义的数值时，训练停止，并返回有效性数据集误差最
小时的权值与偏置，为了拟合的精确性，所有数据均参加训练，即训练数据比为100％；
[0028]
网络初始化函数：使用何种方式对网络权值和偏置进行初始化"这里使用逐层初始化方式，且每层均使用nguyen
‑
widrow层公式进行初始化，nguyen
‑
widrow公式中有随机变量，所以每次网络初始化结果均会不同nguyen
‑
widrow公式会使每层中神经元的活动区大约平均分布在输入空间内，较之纯随机初始化方法，有如下优点：很少有神经元会被废弃(因为所有神经元都处在输入空间内)；训练更为迅速(因为输入空间的每个区域内都有可用神经元)。
[0029]
与现有技术相比，本发明的有益效果是：
[0030]
1.本发明基于bp神经网络的城市扬尘在线监测系统，利用在施工扬尘监测试验中获得的数据，建立描述施工扬尘产生量情况的预测系统，与常规在线监测方法不同的是，上述方法在建立描述施工扬尘产生量的模型时都需要有相适合的数学表达式来描述施工扬尘产生的物理过程，而利用bp神经网络建立施工扬尘量产生模型，只需要有一定的监测数据和相应的监测条件参数即可，施工扬尘的产生具有污染过程复杂、排放随机性大、难以量化的特点，其产生机理目前尚不明确，这就给用数学表达式来描述施工扬尘产生的物理过程带来了困难，利用bp神经网络建模时，将监测数据和相应的检测条件参数赋值于对应的向量，神经网络经自我训练后，即会以曲线形式描述训练样本数据的变化趋势，同理，只要在神经网络训练样本数据的取值范围内，都可以得到相应条件下施工扬尘产生量的预测结果。
具体实施方式
[0031]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
本发明提供了基于bp神经网络的城市扬尘在线监测系统的技术方案：
[0033]
基于bp神经网络的城市扬尘在线监测系统，所述在线监测系统包括bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层，其中：
[0034]
bp神经网络输入层：用于选取温度、湿度、风速和高度4个神经元；
[0035]
bp神经网络隐含层：包括多个神经元；
[0036]
bp神经网络输出层：用于输出降尘通量；
[0037]
bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin。
[0038]
实施例一
[0039]
在线监测系统的网络训练步骤如下：
[0040]
s1：选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；
[0041]
s2：建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0042][0043]
s3：设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；
[0044]
s4：初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数；
[0045]
其中：
[0046]
最大训练周期：当完成规定次数的训练，误差反向传播和网络权值及偏置修改后停止训练，不论是否达到训练目标，设最大训练周期为了防止训练时间过长，及时终止无法收敛的训练；
[0047]
训练精度：网络的拟合数据与真实数据最大差，反应网络对数据的拟合程度；
[0048]
训练函数：代表训练算法，使用levenberg
‑
marquardi最优化算法对网络权值和偏置进行更新，使用levenberg
‑
marquardt更新网络权值和偏置，以使网络输出误差最小化；
[0049]
最小梯度：定义了levenberg
‑
marquardt算法中雅可比矩阵变化的最小梯度，当小于此值时停止训练；
[0050]
μ
min
、μ
max
、μ减小系数、μ增长系数：定义了levenberg
‑
marquardt算法权值更新公式中系数声的变化方式和取值范围；
[0051]
停止检测：当网络过拟合次数超过了此处定义的次数时，认为网络过拟合，训练不理想，停止训练；
[0052]
性能评价函数：评价网络拟合性能的方式，通常使用网络输出误差(拟合值与实际值之差)的函数进行计算，使用最小均方差(mse)准则，计算公式如下：
[0053][0054]
n为输出端数；
[0055]
数据划分函数：决定了数据中哪些数据用来进行训练，有效性检查和测试数据的选择方式；
[0056]
训练数据比：有效性检测数据比，网络测试数据比分别定义了以何种比例从所有可用数据中进行选择，有效性检测数据集与训练目标的误差在训练之初就开始被监测，并
与训练数据集一样，在训练过程中逐渐减小，网络过拟合时，有效性数据的误差开始变大，误差连续增加了超过了停止检测中定义的数值时，训练停止，并返回有效性数据集误差最小时的权值与偏置，为了拟合的精确性，所有数据均参加训练，即训练数据比为100％；
[0057]
网络初始化函数：使用何种方式对网络权值和偏置进行初始化"这里使用逐层初始化方式，且每层均使用nguyen
‑
widrow层公式进行初始化，nguyen
‑
widrow公式中有随机变量，所以每次网络初始化结果均会不同nguyen
‑
widrow公式会使每层中神经元的活动区大约平均分布在输入空间内，较之纯随机初始化方法，有如下优点：很少有神经元会被废弃(因为所有神经元都处在输入空间内)；训练更为迅速(因为输入空间的每个区域内都有可用神经元)。
[0058]
具体使用时，本发明基于bp神经网络的城市扬尘在线监测系统，选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0059][0060]
设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数，本发明利用在施工扬尘监测试验中获得的数据，建立描述施工扬尘产生量情况的预测系统，与常规在线监测方法不同的是，上述方法在建立描述施工扬尘产生量的模型时都需要有相适合的数学表达式来描述施工扬尘产生的物理过程，而利用bp神经网络建立施工扬尘量产生模型，只需要有一定的监测数据和相应的监测条件参数即可，施工扬尘的产生具有污染过程复杂、排放随机性大、难以量化的特点，其产生机理目前尚不明确，这就给用数学表达式来描述施工扬尘产生的物理过程带来了困难，利用bp神经网络建模时，将监测数据和相应的检测条件参数赋值于对应的向量，神经网络经自我训练后，即会以曲线形式描述训练样本数据的变化趋势，同理，只要在神经网络训练样本数据的取值范围内，都可以得到相应条件下施工扬尘产生量的预测结果。
[0061]
在本发明的描述中，需要理解的是，指示的方位或位置关系为基于实施例所示的
方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0062]
在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0063]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
技术领域
1.本发明涉及一种在线监测系统，特别涉及基于bp神经网络的城市扬尘在线监测系统，属于扬尘监测技术领域。
背景技术：
2.扬尘是由于地面上的尘土在风力、人为带动及其他带动飞扬而进入大气的开放性污染源，是环境空气中总悬浮颗粒物的重要组成部分，降雨后利用雨水资源立即清扫洗刷道路积存的泥水，是避免道路泥土风干后反复形成扬尘最有效手段，同时能够避免晴天时清扫形成扬尘，也能极大地节约清洁用水，是中国广大城镇应当立即采取的措施。在硬化道路的设计和施工时，注意严格采用合理的路面横向坡度和道路边缘排水设计，利用自然降水径流冲刷清洁路面尘土，对于降低扬尘污染可以起到事半功倍的效果，是治理扬尘污染的重要长效措施。
3.现有技术在实现施工现场扬尘监测，一般是通过目测的方式实现相关密度，这样不但测试的结果精度很难保证，而且也浪费大量人力，此外现有的监测工具无法实现预测功能，使监测频率提高，相应的监测成本提高。
技术实现要素：
4.本发明的目的在于提供基于bp神经网络的城市扬尘在线监测系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于bp神经网络的城市扬尘在线监测系统，所述在线监测系统包括bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层，其中：
6.bp神经网络输入层：用于选取温度、湿度、风速和高度4个神经元；
7.bp神经网络隐含层：包括多个神经元；
8.bp神经网络输出层：用于输出降尘通量；
9.bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin。
10.作为本发明的一种优选技术方案，所述在线监测系统的网络训练步骤如下：
11.s1：选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；
12.s2：建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0013][0014]
s3：设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；
[0015]
s4：初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数；
[0016]
其中：
[0017]
最大训练周期：当完成规定次数的训练，误差反向传播和网络权值及偏置修改后停止训练，不论是否达到训练目标，设最大训练周期为了防止训练时间过长，及时终止无法收敛的训练；
[0018]
训练精度：网络的拟合数据与真实数据最大差，反应网络对数据的拟合程度；
[0019]
训练函数：代表训练算法，使用levenberg
‑
marquardi最优化算法对网络权值和偏置进行更新，使用levenberg
‑
marquardt更新网络权值和偏置，以使网络输出误差最小化；
[0020]
最小梯度：定义了levenberg
‑
marquardt算法中雅可比矩阵变化的最小梯度，当小于此值时停止训练；
[0021]
μ
min
、μ
max
、μ减小系数、μ增长系数：定义了levenberg
‑
marquardt算法权值更新公式中系数声的变化方式和取值范围；
[0022]
停止检测：当网络过拟合次数超过了此处定义的次数时，认为网络过拟合，训练不理想，停止训练；
[0023]
性能评价函数：评价网络拟合性能的方式，通常使用网络输出误差(拟合值与实际值之差)的函数进行计算，使用最小均方差(mse)准则，计算公式如下：
[0024][0025]
n为输出端数；
[0026]
数据划分函数：决定了数据中哪些数据用来进行训练，有效性检查和测试数据的选择方式；
[0027]
训练数据比：有效性检测数据比，网络测试数据比分别定义了以何种比例从所有可用数据中进行选择，有效性检测数据集与训练目标的误差在训练之初就开始被监测，并与训练数据集一样，在训练过程中逐渐减小，网络过拟合时，有效性数据的误差开始变大，误差连续增加了超过了停止检测中定义的数值时，训练停止，并返回有效性数据集误差最
小时的权值与偏置，为了拟合的精确性，所有数据均参加训练，即训练数据比为100％；
[0028]
网络初始化函数：使用何种方式对网络权值和偏置进行初始化"这里使用逐层初始化方式，且每层均使用nguyen
‑
widrow层公式进行初始化，nguyen
‑
widrow公式中有随机变量，所以每次网络初始化结果均会不同nguyen
‑
widrow公式会使每层中神经元的活动区大约平均分布在输入空间内，较之纯随机初始化方法，有如下优点：很少有神经元会被废弃(因为所有神经元都处在输入空间内)；训练更为迅速(因为输入空间的每个区域内都有可用神经元)。
[0029]
与现有技术相比，本发明的有益效果是：
[0030]
1.本发明基于bp神经网络的城市扬尘在线监测系统，利用在施工扬尘监测试验中获得的数据，建立描述施工扬尘产生量情况的预测系统，与常规在线监测方法不同的是，上述方法在建立描述施工扬尘产生量的模型时都需要有相适合的数学表达式来描述施工扬尘产生的物理过程，而利用bp神经网络建立施工扬尘量产生模型，只需要有一定的监测数据和相应的监测条件参数即可，施工扬尘的产生具有污染过程复杂、排放随机性大、难以量化的特点，其产生机理目前尚不明确，这就给用数学表达式来描述施工扬尘产生的物理过程带来了困难，利用bp神经网络建模时，将监测数据和相应的检测条件参数赋值于对应的向量，神经网络经自我训练后，即会以曲线形式描述训练样本数据的变化趋势，同理，只要在神经网络训练样本数据的取值范围内，都可以得到相应条件下施工扬尘产生量的预测结果。
具体实施方式
[0031]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
本发明提供了基于bp神经网络的城市扬尘在线监测系统的技术方案：
[0033]
基于bp神经网络的城市扬尘在线监测系统，所述在线监测系统包括bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层，其中：
[0034]
bp神经网络输入层：用于选取温度、湿度、风速和高度4个神经元；
[0035]
bp神经网络隐含层：包括多个神经元；
[0036]
bp神经网络输出层：用于输出降尘通量；
[0037]
bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin。
[0038]
实施例一
[0039]
在线监测系统的网络训练步骤如下：
[0040]
s1：选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；
[0041]
s2：建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0042][0043]
s3：设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；
[0044]
s4：初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数；
[0045]
其中：
[0046]
最大训练周期：当完成规定次数的训练，误差反向传播和网络权值及偏置修改后停止训练，不论是否达到训练目标，设最大训练周期为了防止训练时间过长，及时终止无法收敛的训练；
[0047]
训练精度：网络的拟合数据与真实数据最大差，反应网络对数据的拟合程度；
[0048]
训练函数：代表训练算法，使用levenberg
‑
marquardi最优化算法对网络权值和偏置进行更新，使用levenberg
‑
marquardt更新网络权值和偏置，以使网络输出误差最小化；
[0049]
最小梯度：定义了levenberg
‑
marquardt算法中雅可比矩阵变化的最小梯度，当小于此值时停止训练；
[0050]
μ
min
、μ
max
、μ减小系数、μ增长系数：定义了levenberg
‑
marquardt算法权值更新公式中系数声的变化方式和取值范围；
[0051]
停止检测：当网络过拟合次数超过了此处定义的次数时，认为网络过拟合，训练不理想，停止训练；
[0052]
性能评价函数：评价网络拟合性能的方式，通常使用网络输出误差(拟合值与实际值之差)的函数进行计算，使用最小均方差(mse)准则，计算公式如下：
[0053][0054]
n为输出端数；
[0055]
数据划分函数：决定了数据中哪些数据用来进行训练，有效性检查和测试数据的选择方式；
[0056]
训练数据比：有效性检测数据比，网络测试数据比分别定义了以何种比例从所有可用数据中进行选择，有效性检测数据集与训练目标的误差在训练之初就开始被监测，并
与训练数据集一样，在训练过程中逐渐减小，网络过拟合时，有效性数据的误差开始变大，误差连续增加了超过了停止检测中定义的数值时，训练停止，并返回有效性数据集误差最小时的权值与偏置，为了拟合的精确性，所有数据均参加训练，即训练数据比为100％；
[0057]
网络初始化函数：使用何种方式对网络权值和偏置进行初始化"这里使用逐层初始化方式，且每层均使用nguyen
‑
widrow层公式进行初始化，nguyen
‑
widrow公式中有随机变量，所以每次网络初始化结果均会不同nguyen
‑
widrow公式会使每层中神经元的活动区大约平均分布在输入空间内，较之纯随机初始化方法，有如下优点：很少有神经元会被废弃(因为所有神经元都处在输入空间内)；训练更为迅速(因为输入空间的每个区域内都有可用神经元)。
[0058]
具体使用时，本发明基于bp神经网络的城市扬尘在线监测系统，选择四个输入向量和一个输出向量进行控制研究，输入向量为施工扬尘的采样条件，分别为温度t、湿度m、风速v、采样高度h；其中温度是指采样期内的平均温度，单位为℃；湿度为采样期内的平均湿度；风速为采样期内的平均风速，单位为m/s；采样高度是采样点设置的高度，单位为m；输出向量为对应条件下降尘通量g，单位为g/m2
·
30d；建立4:n:1的网络，比值是指bp神经网络输入层、bp神经网络隐含层和bp神经网络输出层的神经元数量比，初始化网络，由下式可以确定：
[0059][0060]
设计的bp神经网络分为三层：bp神经网络输入层、bp神经网络隐含层、bp神经网络输出层；bp神经网络输入层选取温度、湿度、风速、高度4个神经元；bp神经网络隐含层的神经元定为20个，bp神经网络输出层只有1个神经元即降尘通量，bp神经网络的信号由bp神经网络输入层经过bp神经网络隐含层，一层一层地向前传递，直到传递到bp神经网络输出层，并产生其输出信号，每一层神经元的状态只影响下一层神经元的状态，网络传输函数由输入至输出分别为tansig、tansig、purelin；初始设计的最大训练周期为1000；训练精度为0；训练函数采用levenberg
‑
marquardr最优化算法；最小梯度为10
‑
25，levenberg
‑
marquardt算法权值更新公式中的系数μ即μ
max
、μ
min
、μ减小系数和μ增长系数分别为102、0.001、0.1和5；训练数据比设定为100％；有效性检测数据比为15％；网络测试数据比为15％，网络初始化函数选用nguyen一widrow公式；当网络拟合次数超过10次时，停止检测；性能评价函数使用最小均方差(mse)准则；随机选择数据划分方式为直观说明模型训练参数，本发明利用在施工扬尘监测试验中获得的数据，建立描述施工扬尘产生量情况的预测系统，与常规在线监测方法不同的是，上述方法在建立描述施工扬尘产生量的模型时都需要有相适合的数学表达式来描述施工扬尘产生的物理过程，而利用bp神经网络建立施工扬尘量产生模型，只需要有一定的监测数据和相应的监测条件参数即可，施工扬尘的产生具有污染过程复杂、排放随机性大、难以量化的特点，其产生机理目前尚不明确，这就给用数学表达式来描述施工扬尘产生的物理过程带来了困难，利用bp神经网络建模时，将监测数据和相应的检测条件参数赋值于对应的向量，神经网络经自我训练后，即会以曲线形式描述训练样本数据的变化趋势，同理，只要在神经网络训练样本数据的取值范围内，都可以得到相应条件下施工扬尘产生量的预测结果。
[0061]
在本发明的描述中，需要理解的是，指示的方位或位置关系为基于实施例所示的
方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0062]
在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0063]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
