王體春，張祥坤

（南京航空航天大學(xué)機電學(xué)院，江蘇 南京 210016）

1 引言

人防工程作為特殊時期人員掩蔽場所，對于空氣質(zhì)量有較高的要求，這就要求在工程內(nèi)部空氣質(zhì)量較差時，及時進(jìn)行通風(fēng)處理。人防工程通風(fēng)模式分為清潔式通風(fēng)、濾毒式通風(fēng)和隔絕式通風(fēng)三種[1]。而使用哪種通風(fēng)模式，或者這三種模式在什么情況下進(jìn)行轉(zhuǎn)換，所依據(jù)的就是空氣質(zhì)量評估結(jié)果。

目前，空氣質(zhì)量評估方法種類眾多[2-3]，主要有綜合指數(shù)評估法、模糊評估法、BP 神經(jīng)網(wǎng)絡(luò)評估法等等。但是由于人們對人防工程的關(guān)注度不高，所以關(guān)于人防工程空氣質(zhì)量評估方法還比較少。文獻(xiàn)[4]探討使用空氣質(zhì)量綜合指數(shù)評估方法對空氣質(zhì)量進(jìn)行評估，但該方法計算模式固定，只是計算污染物濃度與對應(yīng)的《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》規(guī)定的二級標(biāo)準(zhǔn)值之商的總和，當(dāng)某種污染物濃度較高時，不能準(zhǔn)確反映空氣質(zhì)量狀況；文獻(xiàn)[5]使用灰色聚類及模糊評估方法對空氣質(zhì)量進(jìn)行評估，但此計算過程復(fù)雜，計算結(jié)果符合度還有待提高；文獻(xiàn)[6]使用BP 神經(jīng)網(wǎng)絡(luò)對空氣質(zhì)量進(jìn)行評估，該方法準(zhǔn)確度較高但由于BP 神經(jīng)網(wǎng)絡(luò)神經(jīng)元層數(shù)以及連接權(quán)數(shù)量較多，存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練周期長的問題。

灰色管理聚類分析法可以用來研究“貧信息、小樣本”的不確定性問題，在污染物種類不完全明確的時候，能夠?qū)σ阎廴疚镄畔⑦M(jìn)行分析，發(fā)掘污染物之間隱含的關(guān)系[7-8]。相比于BP 神經(jīng)網(wǎng)絡(luò)，可拓神經(jīng)網(wǎng)絡(luò)僅有兩層神經(jīng)元結(jié)構(gòu)，在運算效率上更具優(yōu)勢，并且也克服了BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、容易陷入非要求局限極值的缺點?？赏厣窠?jīng)網(wǎng)絡(luò)非常適合用于研究區(qū)間分類問題，這為研究空氣質(zhì)量級別劃分提供了新的解決方案[9-10]。將人防工程空氣污染物為研究對象，對基于灰色聚類和可拓神經(jīng)網(wǎng)絡(luò)相融合的空氣質(zhì)量評估方法進(jìn)行了研究。使用灰色聚類原理依據(jù)空氣污染物關(guān)聯(lián)度對其進(jìn)行分類并選取代表元素，然后使用可拓神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量評估模型完成對空氣質(zhì)量的評估，并結(jié)合實例驗證灰色聚類與可拓神經(jīng)網(wǎng)絡(luò)在人防工程空氣質(zhì)量評估中的可靠性和高效性。

2 人防工程空氣質(zhì)量評估模型的構(gòu)建

2.1 融合灰色聚類的人防工程空氣質(zhì)量評估可拓神經(jīng)網(wǎng)絡(luò)模型

人防工程內(nèi)部空氣污染物成分比較復(fù)雜，影響因素眾多。具體來說，空氣污染物的成分及含量與人防工程的作用、所處位置、裝修狀況、管理維護效果、使用時長等有密切聯(lián)系。比如：作為民用地下停車場使用的人防項目，其空氣污染物主要為一氧化碳、二氧化碳、氮氧化合物等；地下商場、地鐵站等人員密集的人防工程中，二氧化碳、揮發(fā)性有機物、菌類等空氣污染物含量較高；裝修時間較短的人防工程，空氣會有甲醛、苯等污染物的出現(xiàn)。

研究的對象為人員掩蔽型人防工程項目，根據(jù)GB/T18883-2002《室內(nèi)空氣質(zhì)量標(biāo)準(zhǔn)》[16]規(guī)定，選取人防工程代表性的二氧化碳、一氧化碳、甲醛、揮發(fā)性有機物、氨、苯、氡氣七種空氣污染物作為空氣質(zhì)量評估因子。使用防護工程空氣質(zhì)量綜合監(jiān)測儀對空氣污染物進(jìn)行實時監(jiān)測。借助網(wǎng)絡(luò)層，該設(shè)備能夠?qū)z測到的數(shù)據(jù)發(fā)送至云端服務(wù)器，以便應(yīng)用層完成對數(shù)據(jù)的處理和保存工作。

表1 防護工程空氣質(zhì)量綜合監(jiān)測儀的設(shè)備性能參數(shù)Tab.1 Equipment Performance Parameters of Protective Engineering Air Quality Integrated Monitor

人防工程空氣質(zhì)量評估模型，在可拓神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上融合了灰色聚類理論，灰色聚類分析能夠簡化可拓神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，減少可拓神經(jīng)元以及連接權(quán)的數(shù)量，融合灰色聚類后的空氣質(zhì)量可拓神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖1 所示。

圖1 灰色聚類-可拓神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量評估模型結(jié)構(gòu)Fig.1 Grey Clustering-Extension Neural Network Air Quality Assessment Model Structure

灰色關(guān)聯(lián)聚類對已知污染物信息發(fā)掘其隱含關(guān)系的過程是一個無監(jiān)督學(xué)習(xí)的過程，在空氣污染物種類不完全明確的時候，對空氣污染物進(jìn)行聚類時可以不需要任何先驗知識，通過對樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)特征提取、關(guān)聯(lián)度計算、聚類劃分等操作完成對樣本數(shù)據(jù)分類。利用灰色關(guān)聯(lián)聚類分析將空氣污染物依照其內(nèi)部關(guān)聯(lián)性分為若干類，然后從每一類污染物中選取一個樣本代表本類輸入到可拓神經(jīng)網(wǎng)絡(luò)模型中對空氣質(zhì)量進(jìn)行評估。

可拓神經(jīng)網(wǎng)絡(luò)將可拓學(xué)對事物的描述方法與神經(jīng)網(wǎng)絡(luò)的并行計算、學(xué)習(xí)能力結(jié)合到一起，在處理區(qū)間分類、識別等問題方面有較大優(yōu)勢?？諝赓|(zhì)量評估可拓神經(jīng)網(wǎng)絡(luò)模型采用有監(jiān)督學(xué)習(xí)的過程，使用結(jié)果已知的數(shù)據(jù)對構(gòu)建好的模型進(jìn)行訓(xùn)練，在不斷反饋、調(diào)整的學(xué)習(xí)過程中，空氣質(zhì)量評估模型與數(shù)據(jù)樣本的契合度越來越高，當(dāng)訓(xùn)練模型收斂時，訓(xùn)練過程結(jié)束，經(jīng)過測試符合要求后便可用于空氣質(zhì)量評估中。

2.2 空氣污染物初始序列建立與規(guī)范化處理

現(xiàn)假設(shè)從人防工程空氣污染物數(shù)據(jù)庫中提取m 個數(shù)據(jù)樣本，每個樣本存在n 種空氣污染物元素，樣本數(shù)據(jù)表示為：

式中：i，j—整數(shù)，分別表示數(shù)據(jù)中第i 個樣本，樣本中第j 個元素。

由于不同種類的空氣污染物的描述單位不同，因此在含量數(shù)值上，不同污染物之間具有較大的差異。為避免因量綱的不同造成數(shù)據(jù)差別較大，在進(jìn)行空氣污染物關(guān)聯(lián)聚類運算之前，需要對不同量綱的數(shù)據(jù)進(jìn)行歸一化處理，采用的歸一化方法為minmax 歸一化方法，如式（1）所示。

歸一化處理后，所有數(shù)據(jù)的量值都會分布在［0，1］區(qū)間，方便后續(xù)的關(guān)聯(lián)度計算以及可拓神經(jīng)網(wǎng)絡(luò)的收斂訓(xùn)練。然后再對樣本數(shù)據(jù)進(jìn)行始點零化處理：

然后以人防工程空氣污染物類別為行、樣本序號為列構(gòu)建樣本數(shù)據(jù)初始化矩陣，完成樣本數(shù)據(jù)初始序列的建立與規(guī)范化處理。

2.3 空氣污染物灰色聚類分析

空氣污染物灰色聚類分析就是運用灰色關(guān)聯(lián)理論來計算空氣污染物之間的關(guān)聯(lián)度，然后根據(jù)關(guān)聯(lián)度的大小對空氣污染物進(jìn)行聚合分類?？諝馕廴疚锘疑垲惙治龅牡谝徊绞且嬎憧諝馕廴疚颽、b 之間的絕對關(guān)聯(lián)度εab：

式中：a=1，2，…，m，表示污染物類別。

當(dāng)a=b 時，表示a 和b 是同種污染物，故：

在式（4）中：

在求得全部的絕對關(guān)聯(lián)度之后，依照絕對關(guān)聯(lián)度下標(biāo)構(gòu)建空氣污染物關(guān)聯(lián)矩陣，如式（8）所示。關(guān)聯(lián)矩陣中的元素數(shù)值表示空氣污染物之間的聯(lián)系大小，數(shù)值越大表示對應(yīng)的污染物關(guān)聯(lián)性越大。絕對關(guān)聯(lián)度大小是對空氣污染物進(jìn)行聚類的依據(jù)。絕對關(guān)聯(lián)度的值域分布于［0，1］區(qū)間，一般情況下，當(dāng)絕對關(guān)聯(lián)度值大于0.5 時，對應(yīng)的空氣污染物之間就存在正向關(guān)聯(lián)性。

對空氣污染物進(jìn)行聚類，首先就是要確定關(guān)聯(lián)度臨界值r 的值，r 的取值范圍一般為0.5

在根據(jù)實際需求確定r 值后，篩選出關(guān)聯(lián)矩陣中的每一個大于r 值的元素，并將這些元素所對應(yīng)的空氣污染物做聚類處理，獲得空氣污染物的灰色聚類分析結(jié)果。然后計算每一類中所有空氣污染物相對GB/T18883-2002 規(guī)定的標(biāo)準(zhǔn)含量的比例，選取每一類中相對含量最大的空氣污染物代表本類參與空氣質(zhì)量評估過程。相對含量計算公式為式（9）所示，其中C0為標(biāo)準(zhǔn)值。

2.4 空氣質(zhì)量可拓神經(jīng)網(wǎng)絡(luò)模型

可拓神經(jīng)網(wǎng)絡(luò)只有兩層結(jié)構(gòu)，包括輸入層與輸出層。輸入層神經(jīng)元對應(yīng)空氣污染物物元的不同特征值，輸出層神經(jīng)元對應(yīng)運算結(jié)果，在這里對應(yīng)的是人防工程空氣質(zhì)量評估級別。輸入層與輸出層之間利用雙權(quán)值進(jìn)行連接，分別為對應(yīng)特征經(jīng)典域的上界和下界。例如，第i 個輸入層神經(jīng)元和第j 個輸出層神經(jīng)元之間的上界和下界可以用和表示。

可拓神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元被稱為可拓神經(jīng)元，它是組成可拓神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。可拓神元有多個參數(shù)輸入和一個結(jié)果輸出，每一個輸入?yún)?shù)都是一個物元變量，中間狀態(tài)為輸入信號的經(jīng)典域的上界和下界表示，輸出結(jié)果 y，如式（10）所示。

圖2 可拓神經(jīng)元結(jié)構(gòu)Fig.2 Extension Neuron Structure

空氣質(zhì)量評估其實質(zhì)也是區(qū)間分類問題，可拓距是可拓神經(jīng)網(wǎng)絡(luò)中一個重要的衡量工具，就是用來描述待測物體與目標(biāo)區(qū)間中心的距離。在空氣質(zhì)量評估中用來描述空氣污染程度與目標(biāo)空氣質(zhì)量區(qū)間的符合程度。對于某一個區(qū)間，點x 到區(qū)間中心的可拓距可以表示為：

由可拓距離表達(dá)式可以看出：無論是從哪個方向，當(dāng)點x 趨近于區(qū)間時，ED 減小，遠(yuǎn)離時，ED 增大；趨于區(qū)間邊界時，ED 趨于 1；當(dāng)點 x 趨近于區(qū)間中心 Z 時，ED 趨于 0?？赏鼐啾磉_(dá)式的函數(shù)圖像，如圖3 所示。

圖3 可拓距函數(shù)圖像Fig.3 Extension Function Image

根據(jù)是否存在外部訓(xùn)練數(shù)據(jù)，雙權(quán)連接的可拓神經(jīng)網(wǎng)絡(luò)可以分為有監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，這里使用有監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。有監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，即利用若干結(jié)果已知的樣本數(shù)據(jù)調(diào)節(jié)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)參數(shù)，使輸出結(jié)果與目標(biāo)結(jié)果相符的過程。

2.5 空氣質(zhì)量可拓神經(jīng)網(wǎng)絡(luò)模型

假設(shè)有空氣質(zhì)量已知的空氣污染物樣本集合X=｛X1，X2，，其中Np為空氣污染物樣本數(shù)量，則第i 條空氣污染物樣本數(shù)據(jù)表示為，其中n 為經(jīng)過聚類分析簡化以后的空氣污染物數(shù)量，整個集合的學(xué)習(xí)誤差表示為Er=Nm/Np，其中Nm為總的訓(xùn)練錯誤數(shù)。具體的過程為：

首先建立空氣污染物可拓物元模型用以表示可拓神經(jīng)網(wǎng)絡(luò)輸入節(jié)點和輸出節(jié)點權(quán)值。

其次計算每種空氣質(zhì)量對應(yīng)的空氣污染物物元模型中的空氣污染物量值區(qū)間的初始中心。

式中：k—空氣質(zhì)量對應(yīng)的空氣污染物物元模型，k=1，2，…，n。i—物元模型中的空氣污染物類別i=1，2，…，nc。

如果有k*=p，使得EDik*=min｛EDik｝，則按照如上過程進(jìn)行下一次訓(xùn)練，直到完成所有模式的訓(xùn)練，否則更新權(quán)值和聚類中心后重新訓(xùn)練。權(quán)值和聚類中心的調(diào)整方法如下所示。

更新第p 個空氣污染物樣本和k*的權(quán)值：

式中：η—學(xué)習(xí)效率。

更新第p 個空氣污染物樣本和k*的聚類中心。

最后如果聚類過程收斂并且總誤差符合要求，那么訓(xùn)練完成，否則重復(fù)訓(xùn)練過程重新進(jìn)行訓(xùn)練。

3 空氣質(zhì)量模型算法求解過程

人防工程空氣質(zhì)量評估的實現(xiàn)過程：首先，利用空氣污染物檢測傳感器檢測空氣污染物含量，同時將測量值上傳至云端數(shù)據(jù)庫保存；然后使用灰色聚類理論依據(jù)空氣污染物之間關(guān)聯(lián)度的大小對空氣污染物進(jìn)行分類，并將聚類處理的數(shù)據(jù)傳入空氣質(zhì)量評估可拓神經(jīng)網(wǎng)絡(luò)模型中，對模型進(jìn)行訓(xùn)練；最后將檢測到的空氣污染物傳入訓(xùn)練完成的空氣質(zhì)量評估模型便可得到空氣質(zhì)量評估結(jié)果。人防工程空氣質(zhì)量評估模型框架，如圖4 所示。

圖4 人防工程空氣質(zhì)量評估模型算法求解過程Fig.4 The Solving Process of an Air Defense Engineering Air Quality Assessment Model’s Algorithm

4 人防工程空氣質(zhì)量評估案例

4.1 空氣污染物的灰色關(guān)聯(lián)聚類模型構(gòu)建

在人防工程空氣質(zhì)量監(jiān)測數(shù)據(jù)庫中，隨機抽取不同時間、不同測量地點的10 條測量數(shù)據(jù)，研究不同污染物之間內(nèi)在關(guān)聯(lián)關(guān)系，如表2 所示。

表2 某人防工程空氣成分監(jiān)測結(jié)果Tab.2 Monitoring Result about Air Composition of an Air Defense Engineering

首先，提取數(shù)據(jù)，并依據(jù)式（1）對數(shù)據(jù)進(jìn)行歸一化處理。依據(jù)式（2）、式（3）對空氣污染物矩陣進(jìn)行始點零化處理。然后，依據(jù)式（6）、式（7）求解 Sa，a=1，2，3，…，m。再根據(jù)式（4）、式（5）、式（8），可求得關(guān)聯(lián)矩陣A 為：

最后，依據(jù)樣本間的關(guān)聯(lián)程度對樣本進(jìn)行分類。為保證樣樣本間具有較高的關(guān)聯(lián)度，關(guān)聯(lián)度臨界值r 應(yīng)該大于0.6，但是r 值越大，樣本分類就越多，輸入可拓神經(jīng)網(wǎng)絡(luò)中的特征向量及連接權(quán)數(shù)量就越多，可拓神經(jīng)網(wǎng)絡(luò)就復(fù)雜，計算量就越大。所以r 關(guān)聯(lián)度臨界值r 的選取原則為：在能滿足可拓神經(jīng)網(wǎng)絡(luò)運算準(zhǔn)確度的同時，r 值越小越好。

根據(jù)相關(guān)經(jīng)驗，此處選取關(guān)聯(lián)度臨界值r=0.7，若最終空氣質(zhì)量評估結(jié)果準(zhǔn)確度不符合要求再做調(diào)整。可以發(fā)現(xiàn)ε41、ε53、ε63、ε73、ε65、ε75、ε67的關(guān)聯(lián)程度較為緊密，也就是 X4與 X1屬于同一類，X3、X5、X6、X7屬于同一類，X2為一類。這七種污染物指標(biāo)的聚類結(jié)果為｛CO2、TVOC｝，｛甲醛、氨、苯、氡氣｝，｛CO｝。經(jīng)由查閱資料可以知道，空氣中的CO2和揮發(fā)性有機物與人防工程中的人員活動有關(guān)；甲醛、氨、苯、氡大多來源于工程裝修以及家具等散發(fā)的污染物；CO 有可能是來自于工程外部，汽車尾氣排放產(chǎn)生的污染。

經(jīng)過聚類分析以后，將七種污染物依照其關(guān)聯(lián)性分為三類。每一類中的污染物可能來自于同一污染源，同類中污染物含量的增減具有關(guān)聯(lián)性。因此后面評估空氣質(zhì)量時只需從不同類中各提取一個代表性污染物進(jìn)行研究即可，這樣可以在保證研究結(jié)果不失真的同時減少空氣污染物監(jiān)測成本以及相關(guān)工作量。

4.2 可拓神經(jīng)網(wǎng)絡(luò)模式訓(xùn)練

經(jīng)過灰色關(guān)聯(lián)聚類分析，七種空氣污染物來源按照關(guān)聯(lián)度可以分為人員活動相關(guān)、工程裝修相關(guān)、工程外部侵入三類，現(xiàn)根據(jù)式（9）從每一類中各取一個指標(biāo)，以CO2、CO、甲醛代表這三類空氣污染物對空氣質(zhì)量進(jìn)行分析。

在人防工程空氣質(zhì)量監(jiān)測數(shù)據(jù)庫中，按照優(yōu)、良、輕度污染、中度污染、重度污染五種空氣質(zhì)量級別，對每個級別隨機抽取100 條數(shù)據(jù)，并做歸一化、規(guī)范化處理。相關(guān)數(shù)據(jù)，如表3 所示。

表3 某人防工程空氣質(zhì)量監(jiān)測數(shù)據(jù)（部分）Tab.3 Monitoring Data about Air Composition of an Air Defense Engineering（Partial）

可拓學(xué)物元模型能夠從物、物的特征、特征的值三個方面清晰的描述事物各項指標(biāo)之間的關(guān)系和變化。使用物元理論構(gòu)建以O(shè)m為對象，Cn為對象特征，Vn為特征量值的物元模型 Mm=（Om，Cn，Vn）。在該物元模型中，Om（m=1，2，…，5）為對應(yīng)的五種空氣質(zhì)量狀況；Cn（n=1，2，3）空氣質(zhì)量的影響因素，在此處表示CO2、CO、甲醛；Vn表示各影響因素對應(yīng)的取值區(qū)間?？諝赓|(zhì)量評估物元模型，如表4 所示。

表4 空氣質(zhì)量評估物元模型Tab.4 Matter Element Model about Air Quality Assessment

圖5 空氣質(zhì)量評估模型訓(xùn)練誤差變化趨勢Fig.5 Air Quality Assessment Model’s Training Error Trend

由空氣質(zhì)量評估模型訓(xùn)練誤差變化趨勢圖可以看出，訓(xùn)練誤差在初期急速下降，隨著訓(xùn)練迭代次數(shù)的增加，訓(xùn)練誤差逐步趨近于0。當(dāng)訓(xùn)練迭代次數(shù)在65 次時，訓(xùn)練誤差低至0.005 左右，可拓神經(jīng)網(wǎng)絡(luò)已完成收斂，訓(xùn)練過程結(jié)束。

4.3 人防工程空氣質(zhì)量評估模型測試

表5 模型預(yù)測結(jié)果評定（部分）Tab.5 Evaluation of Model Predicted Result（Partial）

在可拓神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成之后再從人防工程空氣質(zhì)量監(jiān)測數(shù)據(jù)庫中抽取100 條數(shù)據(jù)用作驗證訓(xùn)練模型的準(zhǔn)確性，新抽取的數(shù)據(jù)不包含之前的訓(xùn)練數(shù)據(jù)。對測試數(shù)據(jù)進(jìn)行歸一化處理后輸入訓(xùn)練模型，其標(biāo)定的空氣質(zhì)量和評估的空氣質(zhì)量，如表5 所示。可以看出，推算結(jié)果與標(biāo)定結(jié)果相符，準(zhǔn)確率達(dá)到98%，可以將該模型用于空氣質(zhì)量評估中。

若不使用灰色聚類理論對空氣污染物進(jìn)行聚類處理，將所有類別空氣污染物都輸入可拓神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量評估模型對其進(jìn)行訓(xùn)練，訓(xùn)練過程總誤差變化趨勢與使用灰色聚類理論的訓(xùn)練誤差變化趨勢對比，如圖6 所示。

圖6 灰色聚類的使用對提升模型訓(xùn)練效率的對比圖Fig.6 Comparison of the Use of Grey Clustering to Improve the Misuse Efficiency of Model Training

由圖6 可以看出，使用灰色聚類處理后的可拓神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量評估模型在訓(xùn)練迭代次數(shù)達(dá)到65 次時就已經(jīng)收斂，而不使用時，訓(xùn)練迭代次數(shù)在210 次時才完成收斂。詳細(xì)對比情況，如表6 所示。與不使用灰色聚類相比，在空氣質(zhì)量評估準(zhǔn)確度相差無幾的情況，使用灰色聚類處理能大幅減少空氣質(zhì)量評估可拓神經(jīng)網(wǎng)絡(luò)模型中的神經(jīng)元個數(shù)以及連接權(quán)數(shù)量，縮短訓(xùn)練時長，對模型運行效率上有較大提升。

表6 灰色聚類的使用對模型訓(xùn)練誤效率的影響Tab.6 The Effect of the Use of Gray Clustering on the Mis-Efficiency of Model Training

5 結(jié)論

主要工作如下：（1）研究使用可拓神經(jīng)網(wǎng)絡(luò)模型構(gòu)建人防工程空氣質(zhì)量評估的方法。（2）引入灰色關(guān)聯(lián)聚類理論，簡化人防工程空氣質(zhì)量評估模型復(fù)雜程度，并對該理論引入前后的空氣質(zhì)量評估結(jié)果做出對比。

研究結(jié)果表明：①使用灰色關(guān)聯(lián)聚類對空氣污染物進(jìn)行聚類預(yù)處理，能夠減少輸入可拓神經(jīng)網(wǎng)絡(luò)中的污染物種類數(shù)量以及可拓神經(jīng)元連接權(quán)的數(shù)量，對可拓神經(jīng)網(wǎng)絡(luò)運算量的簡化以及收斂速度的提升有明顯效果。②關(guān)聯(lián)度臨界值r 對人防工程空氣質(zhì)量評估結(jié)果有影響作用，r 值越大，對模型的簡化效果越小，空氣質(zhì)量評估準(zhǔn)確度越高，反之亦然。在實驗中可以不斷調(diào)整r的大小，在能滿足模型評估準(zhǔn)確度的同時，r 值越小越好。

使用灰色關(guān)聯(lián)聚類理論對人防工程空氣質(zhì)量評估模型進(jìn)行優(yōu)化，可以確保人防工程空氣質(zhì)量評估模型在保持較高評估準(zhǔn)確度的同時提高模型的運算效率，對人防工程空氣質(zhì)量分析具有現(xiàn)實的意義。