霧霾時空分布研究-數(shù)學(xué)建模2013-B題

PAGEPAGE112013高教社杯全國大學(xué)生數(shù)學(xué)建模競賽承諾書競賽參賽規(guī)則（。我們完全明白，在競賽開始后參賽隊員不能以任何方式（包括電話、電子郵件、網(wǎng)上咨詢等）與隊外的任何人（包括指導(dǎo)教師）研究、討論與賽題有關(guān)的問題。成果或其他公開的資料（包括網(wǎng)上查到的資料，必須按照規(guī)定的參考文獻(xiàn)的表述方式在正文引用處和參考文獻(xiàn)中明確列出。如有違反競賽章程和參賽規(guī)則的行為，我們將受到嚴(yán)肅處理。（等。我們參賽選擇的題號是（從D中選擇一項填寫B(tài) 我們的參賽報名號為（如果賽區(qū)設(shè)置報名號的話 所屬學(xué)校（請?zhí)顚懲暾娜?燕ft大學(xué)里仁學(xué)院 參賽隊員(打印并簽名)：指導(dǎo)教師或指導(dǎo)教師組負(fù)責(zé)人(打印并簽名 （日期2014 年 0825日賽區(qū)評閱編號（由賽區(qū)組委會評閱前進(jìn)行編號）：2013高教社杯全國大學(xué)生數(shù)學(xué)建模競賽編號專用頁賽區(qū)評閱編號（由賽區(qū)組委會評閱前進(jìn)行編號）：賽區(qū)評閱記錄（可供賽區(qū)評閱時使用）：評評閱人評分備注全國統(tǒng)一編號（由賽區(qū)組委會送交全國前編號）：全國評閱編號（由全國組委會評閱前進(jìn)行編號）：霧霾時空分布研究摘摘要PM2.5PM2.5的相關(guān)因素分析、時空分布、污染評估以及分布與演變。spsspersonPM2.5等PM2.5CO濃SO2、NO2、PM10O3低度相關(guān)。PM2.51、2、3Matlab軟件進(jìn)行三維繪圖，得到杭州地區(qū)PM2.5值時空分布圖。通過國家環(huán)境保護部的《環(huán)境空11市，統(tǒng)計各市所有監(jiān)測站工作總天數(shù)，統(tǒng)一將各監(jiān)測站劃分PM2.5PM2.5值的變化進(jìn)行分析，以及網(wǎng)上查閱相關(guān)PM2.5的產(chǎn)生和演變確實受到風(fēng)力、溫度、降水、濕度等天氣和季PM2.5與其他空氣指標(biāo)數(shù)據(jù)的相關(guān)性考慮，結(jié)合SO2NO2可吸入顆粒物）為參考因素的BPPM2.5的產(chǎn)生和演變規(guī)律的定量定性分析。關(guān)鍵詞：霧霾時空分布、PM2.5、Pearson相關(guān)性、BP神經(jīng)網(wǎng)絡(luò)一、問題的重述2013年初以來，中國發(fā)生大范圍持續(xù)霧霾天氣，空氣質(zhì)量問題始終是政府、環(huán)境保護部門和全國人民的熱點問題。為了解決對空氣質(zhì)量監(jiān)測、預(yù)報和控制問題，2012年2月29日，環(huán)境保護部公布了新修訂的《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》52I作為空氣質(zhì)量監(jiān)測指標(biāo)，API(AirPollution——對人類健康危害極大的細(xì)顆粒物PM2.5的濃度PM2.512AQI6含量5項分指標(biāo)及其對應(yīng)污染物（含量）之間的相關(guān)性及其關(guān)系進(jìn)行分析。問題二：根據(jù)附件2的數(shù)據(jù)，描述杭州地區(qū)內(nèi)PM2.5的時空分布及其相關(guān)規(guī)律，并結(jié)合環(huán)境保護部新修訂的《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》分區(qū)進(jìn)行污染評估，并分析說明浙江省內(nèi)那個地區(qū)的污染最為嚴(yán)重。3PM2.5的發(fā)生和演變規(guī)律的數(shù)學(xué)模型，并利用該地區(qū)的數(shù)據(jù)進(jìn)行定量與定性分析。二、問題的分析問題一的分析根據(jù)附件1我們考慮到……利用SPSS軟件中中6個基本監(jiān)測指標(biāo)的相關(guān)與獨立性進(jìn)行定量分析。同時，得出PM2.5（含量）與其它5項分指標(biāo)及其對應(yīng)污染物（含量）之間的相關(guān)性及其關(guān)系的分析。問題二的分析描述杭州地區(qū)內(nèi)PM2.5的時空分布及其相關(guān)規(guī)律，我們查詢了杭州各地區(qū)所在的經(jīng)緯度及對應(yīng)的PM2.5的值，并將時間分為三個月份，做出了一月份、二月份、三月份及第一季度均值的PM2.5時空分布圖。通過對不同月份的PM2.5的時PM2.5問題三的分析為了更好的分析PM2.5值在不同天氣和季節(jié)因素下的發(fā)生和演變規(guī)律，在考慮風(fēng)力、氣溫、濕度、降水等不同因素影響的基礎(chǔ)上，建立了參考最高溫度、最低溫度、不同天氣、二氧化硫、二氧化氮、一氧化碳濃度的PM2.5發(fā)生和演變模型。三、模型假設(shè)假設(shè)數(shù)據(jù)都是真實的；除參考因素外，其他條件不影響模型建立；假設(shè)剔除附件中不完整的數(shù)據(jù)后不影響數(shù)據(jù)處理及最終結(jié)果。四、符號說明IAQIp——污染物項目P的空氣質(zhì)量分指數(shù)LoIAQILo——文獻(xiàn)[2]1LoHiIAQIHi——文獻(xiàn)[2]1BPHi

對應(yīng)的空氣質(zhì)量分指數(shù)對應(yīng)的空氣質(zhì)量分指數(shù)Cp——污染物項目P的質(zhì)量濃度值HiBP——文獻(xiàn)中表1中與Cp相近的污染物濃度限值的最高值HiLoBP ——文獻(xiàn)[2]1中與CpKLoi五、模型的建立與求解問題一的求解對數(shù)據(jù)的處理及相關(guān)性定量分析首先，考慮到附件1中的數(shù)據(jù)是描述空氣質(zhì)量的分指標(biāo)，我們需要將數(shù)據(jù)按公式（5.1）進(jìn)行處理IAQIp

IAQI BPHi

IAQILoBPLo

BPp

IAQILo

（5.1）將分指標(biāo)轉(zhuǎn)化為（什么的濃度）濃度，然后再對數(shù)據(jù)進(jìn)行定量分析。(這里用不用將數(shù)據(jù)的處理結(jié)果列出來)各指標(biāo)的相關(guān)性分析表5.1 武漢吳家ft各分指標(biāo)的相關(guān)性通過spss中相關(guān)性判別對附件1家ft地區(qū)各分指標(biāo)之間的相關(guān)性分析，如表5.1所示表5.1 武漢吳家ft各分指標(biāo)的相關(guān)性二氧化硫二氧化氮可吸入顆粒物一氧化碳臭氧細(xì)顆粒物二氧Pearson相關(guān)性1.820**.705**.652**-.146**.630**化 顯著性硫 （雙側(cè)）.000.000.000.002.000N456456452453456453二氧化氮Pearson相關(guān)性.820**1.781**.723**-.038.668**顯著性（雙側(cè)）.000.000.000.417.000N456456452453456453可吸入顆粒物Pearson相關(guān)性.705**.781**1.781**-.057.827**顯著性（雙側(cè)）.000.000.000.226.000N452452455451455452一氧化碳Pearson相關(guān)性.652**.723**.781**1-.306**.849**顯著性（雙側(cè)）.000.000.000.000.000N453453451455455452臭氧Pearson相關(guān)性-.146**-.038-.057-.306**1-.304**顯著（雙側(cè)）.002.417.226.000.000N456456455455459456細(xì)顆粒物Pearson相關(guān)性.630**.668**.827**.849**-.304**1顯著性（雙側(cè)）.000.000.000.000.000N453453452452456456由于相關(guān)系數(shù)具有以下特點：相關(guān)系數(shù) 取值在-1到1之間，當(dāng) =0x,y||1x,y完全相關(guān)，此時，x,y性函數(shù)關(guān)系；當(dāng)|

|1，xy

的絕對值越大，x的變動引起y的變動就越大，| |>0.8時稱為高度相關(guān)當(dāng)|時稱為低度相關(guān)，其它時候為中度相關(guān)。

|<0.35.1ft地區(qū)的二氧化硫與二氧化氮與其他分指標(biāo)低度相關(guān)。同理，武漢其他地區(qū)：武昌紫陽，東湖高新，青ft鋼花，沉湖七壕，沌口新區(qū)，城區(qū)，漢陽月湖，漢口花橋，漢口江灘，東湖梨園均由以上方法求得各分指標(biāo)之間的相關(guān)性。PM2.5同樣，我們用spss對附件1中的數(shù)據(jù)進(jìn)行分析，得出武漢市各地區(qū)的PM2.5與其他分指標(biāo)之間的相關(guān)性，結(jié)果如表5.2所示：相關(guān)性0.6770.6930.8290.881-0.3451武昌紫陽Pearson相關(guān)性0.6880.7110.7880.865-0.3711東湖梨園Pearson相關(guān)性0.5710.6940.830.805-0.3091東湖高新Pearson相關(guān)性0.6460.6790.8310.806-0.3211青ft鋼花Pearson相關(guān)性0.6410.6910.8140.852-0.3241沉湖七壕Pearson相關(guān)性0.6230.6430.8020.743-0.1711沌口新區(qū)Pearson相關(guān)性0.6570.660.7870.859-0.3281吳家ftPearson相關(guān)性0.630.6680.8270.849-0.3041漢陽月湖Pearson相關(guān)性0.5880.6740.8190.778-0.3241漢口花橋Pearson相關(guān)性0.6470.6050.8020.836-0.3591漢口江灘Pearson相關(guān)性0.6580.5810.8170.85-0.3321均值Pearson相關(guān)性0.63680.6635450.8132730.829455-0.3170915.2武漢市各地區(qū)5.2武漢市各地區(qū)PM2.5地區(qū)二氧化 可吸入顆硫 二氧化氮粒物一氧化碳臭氧細(xì)顆粒物城區(qū)Pearson通過對表5.2的觀察和分析，得出：PM2.5與可吸入顆粒物、一氧化碳之二氧化氮之間的相關(guān)性更高。問題二的求解杭州地區(qū)內(nèi)PM2.5的時空分布及其相關(guān)規(guī)律PM2.5matlab115.1圖5.1杭州各監(jiān)測站地理位置空間分布圖由于數(shù)據(jù)有限，我們將數(shù)據(jù)分為一、二、三月份，然后根據(jù)一、二、三月份的PM2.5的平均濃度及第一季度的PM2.5matlab州市各地區(qū)的PM2.5空間分布特征圖，見圖5.2.1一月份PM2.5空間分布特征圖，圖5.2.2二月份PM三月份PM第一季度PM2.5空間分布特征圖:圖5.2.1一月PM2.5空間分布特征圖 圖5.2.2二月PM2.5空間分布特征圖圖5.2.3三月PM2.5空間分布特征圖 圖5.2.4第一季PM2.5空間分布特征圖..411PM2.5PM2.5集地區(qū)的含量比較高。5.2.2PM2.53質(zhì)量功能區(qū)：行一級標(biāo)準(zhǔn)；二類區(qū)為城鎮(zhèn)規(guī)劃中確定的居住區(qū)、商業(yè)交通居民混合區(qū)、文化區(qū)、一般工業(yè)區(qū)和農(nóng)村地區(qū)；二類區(qū)執(zhí)行二級標(biāo)準(zhǔn)；三類區(qū)為特定工業(yè)區(qū)，三類區(qū)執(zhí)行三級標(biāo)準(zhǔn)。綜合以上所述做出下表5.3：表表5.3杭州分區(qū)污染評估圖監(jiān)測點1月平均 2月平均3月平均 季度平均分類季度標(biāo)準(zhǔn)季度滿足有效 滿足天數(shù) 天數(shù)滿足率西溪131.438 65.62562.76667 79.44286一級15否70 45.71%臥龍99.3636 53.4545559.13333 64.1746一級15否63 34.76%橋云棲47.25 52.0869646.75 48.89831一級15否69 68.70%千島72.9333 36.8666746.22727 51.23077一級15否52 47.69%湖臨平132.067 57.6818262.48276 76.69697二級35否66 1624.24%鎮(zhèn)5.45.4PM2.5PM2.5的污染最嚴(yán)重。PM2.5和睦140.565.3181868.882.84848二級35否661624.24%小學(xué)下沙139.18857.7391360.8620778.23529二級35否682029.41%朝暉139.28666.4761963.4666780.76692二級35否651827.69%五區(qū)浙江134.28653.7826159.673.20896二級35否672131.34%農(nóng)大濱江137.2561.62570.4333382.68571二級35否701622.86%城廂127.31362.4705964.4615480.9322二級35否591423.73%鎮(zhèn)濱江監(jiān)測站污染較為嚴(yán)重。5.2.3PM2.5這三個月的PM2.5的平均值及第一季度的PM2.5的平均值，得到表5.4：5.4地名經(jīng)度緯度等級季度標(biāo)準(zhǔn)季度滿足有效天數(shù)滿足天數(shù)滿足率空氣舟ft29.9853122.2072二級35否18310959.5628%1寧波29.86834121.544二級35否53623443.6567%2溫州27.99427120.6994二級35否2539236.3636%3臺州28.65639121.4208二級35否1986834.3434%4麗水28.46763118.9228二級35否2056833.1707%5嘉興30.75392120.7585二級35否1815731.4917%6紹興29.99576120.5861二級35否1605031.2500%7湖州30.89435120.0868二級35否1955528.2051%8杭州30.27409120.1551二級35否71619927.7933%9金華29.07906119.6474二級35否1983316.6667%10衢州28.97008118.8595二級35否1591911.9497%11（1）風(fēng)向及風(fēng)力因素影響風(fēng)向及風(fēng)力的比較。12011620142014116晴/日20141日11℃/0℃11℃/-2℃東風(fēng)≤3/北風(fēng)≤3多云/多云西北風(fēng)3-4/北風(fēng)4-5（如何得到的下邊的兩個圖？)圖5.3.1 1月16日PM2.5分布圖（無風(fēng)） 圖5.3.2 1月20日PM2.5分布圖（有風(fēng)）PM2.5結(jié)合風(fēng)向及風(fēng)力的比較（風(fēng)向及風(fēng)力的影響。（116PM2.511416pm2.5116PM2.5）（注釋能不能融到方法里邊描述）（2）相對濕度的影響（2）相對濕度的影響相對濕度的影響相對濕度和PM2.5的含量兩者呈正相關(guān)，這主要是因為空PM2.5（得到結(jié)果的順序）（3）風(fēng)速的影響PM2.5PM2.5關(guān)。（4）降水的影響同理，進(jìn)行定性分析，我們選取了三天具有可比性的不同天氣的數(shù)據(jù)：2014320143日20143日20143日晴/晴晴/陣雨15℃/5℃18℃/11℃17℃/6℃東風(fēng)≤3/東南風(fēng)≤3東南風(fēng)≤3級/西南風(fēng)3-4級小雨/小雨南風(fēng)≤3/北風(fēng)4-5PM2.5PM310日PM311PM312日PM2.512PAGEPAGE28因其（其是啥）質(zhì)量和粒徑都很小，PM2.5在大氣中停留的時間較長。細(xì)因其（其是啥）質(zhì)量和粒徑都很小，PM2.5在大氣中停留的時間較長。細(xì)PM(1)模型考慮因素x1)最高溫度(x2)、最低溫度(x3)以及與PM2．5x4)、x5)x6)x7)，總共7個變量，見附5.5所示。表5.5天氣種類量化表天氣種類晴多云陰雨雪霾量化1234發(fā)生演化模型的建立BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，其基本原理是輸入矢量(訓(xùn)練樣本)經(jīng)過隱含層的一系列變換，然后得到輸出矢量，從而實現(xiàn)輸入與輸出間的一個映射關(guān)系。BP范圍內(nèi)。三層BP提出用遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法?；谶z傳算法的神經(jīng)網(wǎng)絡(luò)模型框架與實現(xiàn)流程采用遺傳算法來設(shè)計網(wǎng)絡(luò)權(quán)值，即將遺傳算法的全局尋優(yōu)能力與BP算法的指導(dǎo)性搜索結(jié)合起來，先用遺傳算法在隨機點集中遺傳出優(yōu)化的網(wǎng)絡(luò)結(jié)初值，再用BP算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)至收斂。圖5.3.6為遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的模型模型的具體設(shè)計在進(jìn)行BP數(shù)以及激活函數(shù)。網(wǎng)絡(luò)層數(shù)BP神經(jīng)網(wǎng)絡(luò)是通過輸入層到輸出層的計算來完成的。多于一層的隱含層能在速度上提高網(wǎng)絡(luò)的訓(xùn)練，但需要較多的訓(xùn)練時間。在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)Matlab2012軟件提供的神經(jīng)網(wǎng)絡(luò)工具箱建立2BP網(wǎng)絡(luò)各層中神經(jīng)元的個數(shù)根據(jù)PM257年1月到2013年4月這4個月的7項指標(biāo)(x1～x7);輸出層神經(jīng)元數(shù)為1，即輸出變量為相應(yīng)的PM2．5的值。在BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點的個數(shù)對結(jié)i= (1)其中i元的個數(shù)，a為常數(shù)且1＜a＜10。本文首先根據(jù)經(jīng)驗公式，求出隱含層的個1514果。因此，本文隱含層的神經(jīng)元個數(shù)設(shè)置為15、14。確定激活函數(shù)BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)通常采用log-sigmoid型函數(shù)、logsig、tan-sigmoidtansig以及純線性函數(shù)purlinBP神經(jīng)網(wǎng)絡(luò)的最后一層是SSigmoid)型函數(shù)，那么整個網(wǎng)絡(luò)的輸出就限定在一個較小的輸出范圍;如果采用純線性函數(shù)BP神經(jīng)網(wǎng)絡(luò)的最后一層采用purelinS具體結(jié)果如圖5.3.77x1～x7)個輸出變量。隱含層均采用tansig作為激活函數(shù)，最后一層采用purelin圖5.3.7三層BP神經(jīng)網(wǎng)絡(luò)模型發(fā)生演化模型的訓(xùn)練和測試樣本的選取和預(yù)處理數(shù)據(jù)進(jìn)行一定的預(yù)處理:即原數(shù)據(jù)范圍限定在(－1，1)之間。因為某些數(shù)據(jù)對結(jié)果是很重要的，但是它相對其它的值來說，太小了，則在網(wǎng)絡(luò)訓(xùn)練過程中，它的影響力就會很小，所以必須要把數(shù)據(jù)歸一化，統(tǒng)一數(shù)據(jù)的數(shù)量級。數(shù)據(jù)歸一化處理代碼：%數(shù)據(jù)歸一化fori=1:7dmin(i)=min(data(i,:));dmax(i)=max(data(i,:));enddymin=min(datay);dymax=max(datay);fori=1:length(datay)datay1(i)=(datay(i)-dymin)/(dymax-dymin);endfori=1:7forj=1:54data1(i,j)=(data(i,j)-dmin(i))/(dmax(i)-dmin(i));endend模型的訓(xùn)練和實現(xiàn)結(jié)果如下所示為構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型代碼:%% 模型建立 net=newff(minmax(trainP),[15141],{'tansig','tansig','purelin'},'traingdm');net.trainParam.epochs=10000;net.trainParam.goal=0.001;net.trainParam.show=50;net.trainFcn='trainlm';net.trainParam.lr=0.05;net=train(net,trainP,trainT);其中目標(biāo)訓(xùn)練誤差為0．10000練步數(shù)為0.054的對比，其中實線為原始數(shù)據(jù)曲線，“圓圈+星號”部分為模型預(yù)測曲線。圖5.3.8本模型預(yù)測曲線與原始數(shù)據(jù)對比模型檢驗：通過上圖明顯發(fā)現(xiàn)通過訓(xùn)練數(shù)據(jù)可以較為準(zhǔn)確得到最近一段時間的預(yù)測值。在短期時間內(nèi)預(yù)測值與真實值誤差較小，一旦時間較長誤差就會突然增加，這是由于訓(xùn)練數(shù)據(jù)有限，導(dǎo)致神經(jīng)模型不是很完美。只適用于短期預(yù)測。六、模型優(yōu)缺點及其改進(jìn)（點）基于BP神經(jīng)網(wǎng)絡(luò)的PM2.5發(fā)生與演變模型（該去掉）模型優(yōu)點污染物影響因子考慮了大氣中各種污染物具有發(fā)生化學(xué)反應(yīng)的可能性；考慮了各種天氣因素及其每日最高、最低溫度對PM2.5的影響；對于近期PM模型缺點對于中長期的PM2.5致模型怎么樣了題目附件所給數(shù)據(jù)較少且數(shù)據(jù)不完整，導(dǎo)致神經(jīng)訓(xùn)練程度不夠樣了；6.1.3模型的優(yōu)化可以結(jié)合將BP測；七、參考文獻(xiàn)：七、參考文獻(xiàn)：[1]環(huán)境質(zhì)量標(biāo)準(zhǔn)[1]環(huán)境質(zhì)量標(biāo)準(zhǔn),中華人民共和國國家標(biāo)準(zhǔn)，GB3095-2012[2]環(huán)境空氣質(zhì)量指數(shù)（AQI）技術(shù)規(guī)定（試行）：中華人民共和國國家環(huán)境保護標(biāo)準(zhǔn)，HJ633-2012[3]陽其凱，張貴強，張競銘，基于遺傳算法與BPPM2.5發(fā)生演化模型，計算機與現(xiàn)代化，總第223期；15-19頁，2014年第三期[4]吳建國等，數(shù)學(xué)模型案例精編，北京水利水電出版社，2005年附錄附錄一（源文件代碼）杭州各監(jiān)測站時空分布三維繪圖程序clearall;clc;A=xlsread('C:\Users\Administrator\Desktop\杭州市各監(jiān)測站地理位置信息.xlsx',1);d={'浙江農(nóng)大','臨平鎮(zhèn)','和睦小學(xué)','下沙','朝暉五區(qū)','西溪','臥龍橋','濱江區(qū)','城廂鎮(zhèn)','云棲','千島湖'};x=A(:,1);y=A(:,2);z=A(:,3);scatter(x,y,5,z)%散點圖holdonplot(x,y,'*')text(x,y,d);holdofffigure[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x),200)',linspace(min(y),max(y),200),'v4');%插值pcolor(X,Y,Z);shadinginterp%偽彩色圖holdonplot(x,y,'*')text(x,y,d);holdofffigure,contourf(X,Y,Z)%等高線圖holdonplot(x,y,'*')text(x,y,d);holdoffholdonplot(x,y,'*')text(x,y,d);holdoff附錄二BP神經(jīng)網(wǎng)絡(luò)模型程序源文件代碼%BP神經(jīng)網(wǎng)絡(luò)方法—clearall;clc;%% 數(shù)據(jù)處理模塊 %data=load('sysc.txt');A=xlsread('C:\Users\Administrator\Desktop\預(yù)測PM2.5.xls');datay=A(:,8)';data=A(:,1:7)';%數(shù)據(jù)歸一化處理fori=1:7dmin(i)=min(data(i,:));dmax(i)=max(data(i,:));enddymin=min(datay);dymax=max(datay);fori=1:length(datay)datay1(i)=(datay(i)-dymin)/(dymax-dymin);endfori=1:7forj=1:54data1(i,j)=(data(i,j)-dmin(i))/(dmax(i)-dmin(i));endend%forj=1:(length(data1)-2)% fori=1:2% datax(i,j)=data1(i+j-1); %輸入數(shù)據(jù)%end%datay(j)=data1(j+2); %輸出數(shù)據(jù)%endtrainP=data1(:,1:44); %訓(xùn)練輸入數(shù)據(jù)trainT=datay1(:,1:44); %訓(xùn)練輸出數(shù)據(jù)preInput=data1(:,45:54); %預(yù)測輸入數(shù)preOutput=datay1(:,45:54); %目標(biāo)數(shù)據(jù)%% 建立網(wǎng)絡(luò)net=newff(minmax(trainP),[15141],{'tansig','tansig','purelin'},'traingdm');net.trainParam.epochs=10000; %訓(xùn)練次數(shù)net.trainParam.goal=0.001; %網(wǎng)絡(luò)性能目標(biāo)net.trainParam.show=50; %net.trainFcn='trainlm';%動量梯度下降算法net.trainParam.lr=0.05;%學(xué)習(xí)訓(xùn)練速度net=train(net,trainP,trainT); %訓(xùn)練網(wǎng)絡(luò)%預(yù)測階段%%開始預(yù)測數(shù)據(jù)preP=sim(net,preInput);%%反歸一化處理fori=1:length(preP) %preOut(i)=preP(i)*(dymax-dymin)+dymin;endfori=1:length(preOutput) %TrueData(i)=preOutput(i)*(dymax-dymin)+dymin;end%誤差處理errorMes=TrueData-preOut;%%作圖比較figure(1)subplot(2,1,1);plot(1:10,preOut,'r*',1:10,TrueData,'bo');legend('predict','real');title('預(yù)測值與真實值');subplot(2,1,2);plot(errorMes,'r');title('預(yù)測值與真實值的絕對誤差值');附錄三浙江各市地理位置信息附錄三浙江各市地理位置信息地名經(jīng)度緯度溫州27.994267120.699367寧波29.868336121.54399舟ft29.985295122.207216衢州28.97008118.859457嘉興30.753924120.758543湖州30.894348120.086823杭州30.274085120.15507金華29.079059119.647445麗水28.46763118.922796臺州28.656386121.420757紹興29.995762120.586109怎樣寫作數(shù)學(xué)建模競賽論文一如何建立數(shù)學(xué)模型—建立數(shù)學(xué)模型的涉驟和方法關(guān)。當(dāng)然，建模的過程也有共性，一般說來大致可以分以下幾個步驟：形成問題建立數(shù)學(xué)模型要達(dá)到的目的，才能形成一個比較明晰的“問題”。假設(shè)和簡化為數(shù)學(xué)問題。因此，有必要對現(xiàn)實問題作一些簡化，有時甚至是理想化3.模型的構(gòu)建一個應(yīng)遵循的原則：即盡量采用簡單的數(shù)學(xué)工具。檢驗和評價(1).適合求解，即是否(3).數(shù)學(xué)方法的可行性，即迭代方法是否收斂，以及和解決現(xiàn)實問題。此外，是否容易求解也是評價模型的一個重要標(biāo)準(zhǔn)。模型的改進(jìn)直到獲得某種程度的滿意模型為止。模型的求解“翻譯”此外，用數(shù)學(xué)模型解決現(xiàn)際問題，還應(yīng)當(dāng)注意兩方面的情況。一方面，對于不同的實際問題，通常會使用不同的數(shù)學(xué)模型。但是，有的時候，同一數(shù)學(xué)模型，往往可以用來解釋表面上看來毫不相關(guān)的實際問題。另一方面，對于同一實際問題要求不同，則構(gòu)建的數(shù)學(xué)模型可能完全不同二 寫作數(shù)學(xué)建模競賽論文應(yīng)注意的問題：論文格式論文的封面題目 ………參賽隊員： … … …指導(dǎo)教師：……單位：………容：一.問題的提出二.問題的分析三.模型的假設(shè)四.模型的建立五.模型的求解六.模型的檢驗七.模型的修正八. 模型的評九. 附錄下面就每一步以及建模過程中應(yīng)注意的幾個問題作一簡要介紹。(4道題深刻理解題意弄清題目的實際背景(3)正確選擇題目，根據(jù)自身的特長和優(yōu)勢作出決定。要注意不要被題目的件和要求。作是必需要做的：在弄清問題的背景下，說清事情的來龍去脈。數(shù)據(jù)。列出和題目相關(guān)的各種條件和變量，分清各變量之間的主從關(guān)系。給出研究對象的關(guān)鍵信息內(nèi)容。.在分析問題的基礎(chǔ)上，提出合理的假設(shè)模型是在假設(shè)的前提下建立起來的。對情景的說明不可能也不必要提供問題方面：論文中的假設(shè)要以嚴(yán)格、確切的數(shù)學(xué)語言來表達(dá)，使讀者不致產(chǎn)生任何曲解。設(shè)只會擾亂讀者的思考假設(shè)應(yīng)該是合理的；怎樣的假設(shè)才是合理的呢？a假設(shè)應(yīng)合乎生活常識。b.假設(shè)不能與已知的科學(xué)定律相悖。c.假設(shè)必需是對建模有用的。d.盡量使用數(shù)學(xué)的語言。e.假設(shè)不要超出題目要求的范圍。假設(shè)這一步是數(shù)學(xué)建模的一個難點，它關(guān)系到建模的成敗和優(yōu)劣，數(shù)學(xué)建模解。如果這一步成功了，那么你的整個建模過程也就成功了一半。及其記號。每個字母所表達(dá)的確切含義。經(jīng)過抽象，確切表達(dá)各變量之間的關(guān)系，用一定的數(shù)學(xué)方法，建立起方程式個問題：要用分析和論證的方法，讓讀者清楚地了解得到建模的過程。上下文之間切忌邏輯推理過程中躍度過大，影響論文的說服力。需要推理和論證的地方，應(yīng)該有推導(dǎo)過程且應(yīng)該力求嚴(yán)謹(jǐn)。引用現(xiàn)成定現(xiàn)時加以說明。模型