GA-BP模型在大气微站数据修正中的应用

针对大气微站中的电化学气体传感器选择性不足,容易受到非目标气体交叉干扰的问题,提出使用遗传算法(GA)优化的反向传播(BP)神经网络模型(GA-BP模型)对微站进行数据修正的方法。GA-BP模型在善于处理非线性黑箱问题的BP神经网络模型的基础上引入具有全局寻优能力的GA,通过GA对神经网络的初始参数进行优化,弥补了BP神经网络容易陷入局部极小值的缺陷,提升了模型整体的精度和稳定性。实验结果表明,经过GA-BP模型修正后的微站可以实现对混合气体中的NO_(2)、CO、O_(3)和SO_(2)的准确定量分析,4种气体浓度的计算值和实测值之间的拟合优度(R2)均超过了0.95,与一元、多元线性回归和传统的BP神经网络相比,修正效果优势明显。此外,GA-BP模型还具有良好的泛化能力,将未参与训练的微站数据带入其中,得到的4种气体浓度计算值和实测值之间的R2值也均在0.88以上,证明了本方法具有很好的适用性,可以为厂家提升设备性能以及使用者得到准确的空气污染物的浓度数据提供有益的参考。