小波分析和神经网络在近些年进展非常迅速,研究表明,小波分析和神经网络在许多领域具有广阔的应用潜力。作者应用小波分析和神经网络的方法对大气污染预测进行了深入的研究,拓宽了小波分析和神经网络在大气污染预测中的应用范围,完善了在大气污染预测中的应用方法,为进一步有效、快速、方便地分析和预测大气污染物浓度提供了全新的思路和方法。 首先应用小波分解后的最高层低频信号的重构,清晰地判断出大气污染物浓度的年变化规律,应用小波分解后的最低两层高频信号的重构清晰地判断大气污染物浓度时间序列的突变点。 第二,提出把小波分析和时间序列相结合的预测模型应用于大气污染物浓度预测。利用小波分解将大气污染物浓度时间序列分解到不同频率通道上,再分别考虑用相应的时间序列模型进行预测,最后再合成得到原时间序列的预测值。这种小波时间序列的方法可有效解决时间序列模型对非线性、非平稳复杂时间序列效果欠佳的缺点,并可实现多步预测。 第三,对神经网络预测模型的输入样本进行研究,应用大气污染气象学原理分析并确定神经网络预测模型的输入变量,采用主成分分析进行输入变量降维。 第四,提出一种全新的分段BP神经网络预测模型。通过小波分解和重构对大气污染物浓度时间序列的年变化趋势进行分段,在此基础上,对各段有针对性地设计了神经网络预测模型,采用了“提前停止”,“贝叶斯正则化法”及“神经网络集成”等方法进一步提高预测网络的推广能力。通过实例分析,该预测模型具有预测精度较高,适应范围较广,计算速度较快等优点。 最后,在分析“松散型”小波网络特性的基础上,提出将“分解-重构-预测”小波网络应用于大气污染物浓度预测,采用分解后的小波系数再重构到原尺度上,并对低频、中频小波系数序列采用考虑气象因素的神经网络预测模型,对高频小波系数序列采用不考虑气象因素,而是将前几日的小波系数值作为输入的神经网络模型,最后再将各小波系数序列预测值合成得到原序列的预测值。通过实例分析,模型预测精度较高,适应范围较广。