第1章 緒 論 1
1.1 研究背景及研究意義 1
1.2 國(guó)內(nèi)外研究現(xiàn)狀 3
1.2.1 國(guó)外研究現(xiàn)狀 3
1.2.2 國(guó)內(nèi)研究現(xiàn)狀 4
1.3 研究?jī)?nèi)容 5
1.4 創(chuàng)新點(diǎn) 6
1.5 研究區(qū)域及研究數(shù)據(jù)概況 6
1.5.1 研究區(qū)域概況 6
1.5.2 數(shù)據(jù)概況 7
1.6 研究方法 7
1.6.1 空氣質(zhì)量指數(shù)(AQI)方法 7
1.6.2 ArcGIS 空間分析 9

第2章 人工神經(jīng)網(wǎng)絡(luò) 10
2.1 神經(jīng)網(wǎng)絡(luò)的產(chǎn)生及發(fā)展 10
2.2 人工神經(jīng)元的組成 11
2.3 神經(jīng)元模型 12
2.4 神經(jīng)網(wǎng)絡(luò)基本學(xué)習(xí)方式 13
2.5 3種神經(jīng)網(wǎng)絡(luò) 14
2.6 BP 神經(jīng)網(wǎng)絡(luò)的基本原理 15
2.7 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 18
2.8 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 19
2.9 基于粗糙集的神經(jīng)網(wǎng)絡(luò) 19
2.10 差分進(jìn)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò) 21
2.10.1 差分進(jìn)化算法原理 21
2.10.2 差分進(jìn)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的原理 23
2.11 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò) 25
2.11.1 粒子群算法的基本原理 25
2.11.2 基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理 26
2.12 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò) 27
2.12.1 人工蜂群算法的基本原理 27
2.12.2 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的原理 30
2.13 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò) 32
2.13.1 蟻群算法的基本原理 32
2.13.2 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的原理 34
2.14 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn) 36

第3章 遺傳算法的一些改進(jìn)及其應(yīng)用 38
3.1 遺傳算法的生物學(xué)背景 38
3.1.1 遺傳變異理論 38
3.1.2 進(jìn)化論 39
3.2 遺傳算法簡(jiǎn)史 39
3.3 遺傳算法的基本概念 41
3.4 遺傳算法的操作流程 42
3.5 遺傳算法的技術(shù)實(shí)現(xiàn) 43
3.5.1 編碼 43
3.5.2 適應(yīng)度函數(shù) 44
3.5.3 選擇算子 45
3.5.4 交叉算子 46
3.5.5 變異算子 46
3.5.6 遺傳算法有關(guān)參數(shù)的設(shè)置 47
3.5.7 遺傳算法的特點(diǎn) 48
3.6 順序選擇遺傳算法(SBOGA) 48
3.6.1 算法原理 48
3.6.2 算法步驟 49
3.6.3 仿真實(shí)例 49
3.7 大變異遺傳算法(GMGA) 50
3.7.1 算法步驟 51
3.7.2 仿真實(shí)例 51
3.8 雙切點(diǎn)交叉遺傳算法(DblGEGA) 53
3.8.1 算法原理 53
3.8.2 仿真實(shí)例 54
3.9 遺傳算法應(yīng)用實(shí)例及其分析 55
3.9.1 3種常用的測(cè)試函數(shù) 55
3.9.2 仿真實(shí)例分析 56
3.10 小結(jié) 59

第4章 基于差分進(jìn)化算法的函數(shù)優(yōu)化問(wèn)題研究 61
4.1 引言 61
4.2 最優(yōu)化方法簡(jiǎn)介 62
4.2.1 最優(yōu)化問(wèn)題的一般模型 63
4.2.2 最優(yōu)化問(wèn)題的分類(lèi) 63
4.2.3 最優(yōu)化問(wèn)題的求解方法 64
4.3 智能進(jìn)化算法綜述 65
4.3.1 產(chǎn)生背景 65
4.3.2 研究進(jìn)化算法的意義 66
4.3.3 國(guó)內(nèi)外研究現(xiàn)狀 67
4.4 差分進(jìn)化算法概述與進(jìn)展 68
4.4.1 差分進(jìn)化算法的發(fā)展過(guò)程 69
4.4.2 差分進(jìn)化算法的特征 69
4.4.3 幾種基準(zhǔn)測(cè)試函數(shù) 69
4.5 基本差分進(jìn)化算法 72
4.5.1 變異操作 72
4.5.2 交叉操作 72
4.5.3 選擇操作 73
4.6 差分進(jìn)化算法的算法流程 73
4.7 參數(shù)因子的選擇 74
4.7.1 種群大小NP的選擇 74
4.7.2 縮放因子F的選擇 76
4.7.3 交叉因子CR的選擇 79
4.8 測(cè)試5種改進(jìn)DE算法 81
4.9 差分進(jìn)化算法在函數(shù)優(yōu)化中的應(yīng)用 85
4.9.1 單目標(biāo)優(yōu)化問(wèn)題 85
4.9.2 多目標(biāo)優(yōu)化問(wèn)題 86
4.10 小結(jié) 90

第5章 PM2.5及其他空氣污染物的時(shí)空分布 92
5.1 PM2.5的時(shí)空分布 92
5.1.1 PM2.5年際變化 92
5.1.2 PM2.5季節(jié)分布特征 94
5.2 其他空氣污染物的時(shí)空分布 96
5.2.1 PM10 的時(shí)空分布 96
5.2.2 SO2的時(shí)空分布 100
5.2.3 NO2的時(shí)空分布 102
5.2.4 CO的時(shí)空分布 104
5.2.5 O3的時(shí)空分布 106
第6章 京津冀地區(qū)空氣質(zhì)量評(píng)價(jià) 109
6.1 主要污染物濃度達(dá)標(biāo)率分析 109
6.1.1 PM2.5達(dá)標(biāo)率分析 109
6.1.2 PM10達(dá)標(biāo)率分析 110
6.1.3 SO2達(dá)標(biāo)率分析 110
6.1.4 NO2達(dá)標(biāo)率分析 111
6.2 空氣質(zhì)量評(píng)價(jià) 112
6.3 空氣質(zhì)量變化規(guī)律 113
6.3.1 空氣質(zhì)量季節(jié)變化規(guī)律 113
6.3.2 空氣質(zhì)量月份變化規(guī)律 114
6.4 主要空氣污染物月均濃度變化趨勢(shì) 115
6.5 預(yù)測(cè)模型 118
6.5.1 春季PM2.5預(yù)測(cè)模型 118
6.5.2 夏季PM2.5預(yù)測(cè)模型 120
6.5.3 秋季PM2.5預(yù)測(cè)模型 122
6.5.4 冬季PM2.5預(yù)測(cè)模型 124
6.6 小結(jié) 126

第7章 基于BP神經(jīng)網(wǎng)絡(luò)的霧霾預(yù)測(cè) 128
7.1 影響PM2.5預(yù)測(cè)濃度的因素分析 128
7.2 訓(xùn)練樣本選取 131
7.3 數(shù)據(jù)歸一化處理 132
7.4 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 133
7.5 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 136
7.6 BP 神經(jīng)網(wǎng)絡(luò)的仿真 141
7.7 遺傳算法優(yōu)化 144
7.8 霧霾的治理建議 149
7.9 小結(jié) 151
第8章 京津冀地區(qū)的霧霾成因分析 153
8.1 研究區(qū)域與數(shù)據(jù)來(lái)源 153
8.2 研究方法 154
8.2.1 空間自相關(guān) 154
8.2.2 PLS1模型及通徑分析 155
8.2.3 BP神經(jīng)網(wǎng)絡(luò) 157
8.3 結(jié)果分析 159
8.3.1 時(shí)空演變分析 159
8.3.2 空間相關(guān)性分析 165
8.4 PM2.5的PLS1模型及通徑分析 168
8.4.1 PM2.5的PLS1模型 168
8.4.2 通徑分析 171
8.5 PM2.5與影響因子之間的非線(xiàn)性關(guān)系分析 178
8.6 小結(jié) 180

第9章 基于GAM的PM2.5濃度影響因素及擴(kuò)散演化過(guò)程研究 182
9.1 引言 182
9.2 數(shù)據(jù)與研究方法 183
9.2.1 數(shù)據(jù) 183
9.2.2 PM2.5時(shí)空特征分析 184
9.2.3 廣義加性模型(GAM) 185
9.3 分析結(jié)果 186
9.3.1 北京市PM2.5污染概況 186
9.3.2 PM2.5與單影響因素的GAM分析 188
9.4 小結(jié) 195

參考文獻(xiàn)197