摘要：基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法并行优化极限学习机的隐含层节点数和隐含层的阈值、权值,并以均方根误差作为适应度函数。利用优化后的极限学习机预测空气质量(SO2、NO2、PM10、CO、O3、PM2.5浓度和AQI),并将预测结果与BP神经网络和ELM算法进行比较。结果表明,该文所提的空气质量预测方法比BP神经网络和ELM算法具有更高的预测精度和可靠性。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社