基于改进粒子群和模糊神经网络的雾霾分类研究*

裴佳佳 刘媛华

（上海理工大学管理学院 上海 200093）

1 引言

近几十年来，我国的灰霾现象日趋严重。根据卫星观测，我国约30%的国土面积、近8亿人口正遭受雾霾的危害，对人们身心健康、交通安全、工农业生产、生态系统、网络舆论等方面造成了极大的危害［1～3］。我国建立诸多气象站、环境监测中心，遥感技术也应用到了雾霾研究中，为我们提供了数据支持。在前人研究的基础上［4～5］，本文建立了雾霾分类预测模型，为各地区雾霾预测提供更精确的信息、理论和技术支持。

由于雾霾及其影响因子之间呈现较强的非线性关系，神经网络有着极强的非线性映射特性、自学习能力以及并行分布处理能力，能够更好地反映雾霾数据非线性这一特征。D Mishra［6］等建立了神经网络与模糊逻辑回归结合的预测模型，对印度地区的PM2.5浓度进行预测，实验结果证明该组合预测模型比人工神经网络和多元线性回归模型预测都要好。模糊神经网络作为神经网络中的一种，融合了神经网络的学习机制和模糊系统的语言推理能力等优点，故本文应用模糊神经网络模型对雾霾进行分类预测。

在已有的研究中，主要从以下几个方面对粒子群算法进行改进：1）基于参数和学习策略的改进。刘杨［7］等系统的介绍和分析比较了动态调整惯性权重的四种方法，结果表明选择合适的方法对求解单峰和多峰函数至关重要；2）与其他智能优化算法结合。Nguyen等［8］提出了一种遗传算子优化PSO的连续型特征选择算法，该算法提高了PSO的搜索能力，但受群落初始分布影响较大，不利于搜寻到全局优化解；……