基于图像质量分析的PM2.5空气质量预测

X831; 为了提高空气污染物PM2.5质量浓度预测的准确性,提出了一种基于图像数据预测PM2.5质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM2.5质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression,SVR)(PSO-SVR)预测模型来估计PM2.5的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm,GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实...

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 46; no. 2; pp. 191 - 198
Main Authors 李晓理, 张山, 王康
Format Journal Article
LanguageChinese
Published 数字社区教育部工程研究中心, 北京 100124 01.02.2020
北京工业大学信息学部, 北京 100124
北京未来网络科技高精尖创新中心, 北京 100124%北京工业大学信息学部,北京,100124%北京工业大学信息学部, 北京 100124
计算智能与智能系统北京市重点实验室, 北京 100124
Subjects
支持向量回归机
特征提取
粒子群优化算法
图像质量评价
PM2.5质量浓度
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2018110028

Cover

More Information
Summary:X831; 为了提高空气污染物PM2.5质量浓度预测的准确性,提出了一种基于图像数据预测PM2.5质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM2.5质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression,SVR)(PSO-SVR)预测模型来估计PM2.5的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm,GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.
ISSN:0254-0037
DOI:10.11936/bjutxb2018110028