《表2 各IMF分量合并为新子序列的结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Elman神经网络的PM_(2.5)质量浓度区间预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

以北京市北京工业大学校园内监测点采集PM2.5质量浓度序列为例，对其进行统计学分析，如表1所示，可以看出偏度系数大于0，峰度系数大于3（正态分布峰度系数为3），说明该样本数据比正态分布更为陡峭，因此，PM2.5质量浓度序列具有高度非线性和不确定特性．为了有效解决该问题，对PM2.5质量浓度时间序列进行CEEMD，其结果如图4所示．由图4可知，IMF分量较多，若分别用Elman神经网络对每个IMF分量进行建模，则计算复杂度较高．因此，用样本熵来计算IMF分量复杂性程度，如图5所示；对IMF分量进行重组，如表2所示，最终所得到的重组结果如图6所示．在此基础之上，采用相空间重构方法选择最相关滞后值，提取最相关历史数据集，并对数据进行归一化至[-1，1]，将前600组数据作为训练数据，后144组作为测试数据，从而实现对未来3 h大气中PM2.5质量浓度的预测．