论文部分内容阅读
针对空气中PM2.5组成成分复杂,使用传统的检测方法成本较高的特点。本文采用机器学习的方式,建立了基于BP神经网络的PM2.5非线性回归预测模型。通过建立空气中的SO2、CO、NO2及PM10的浓度与PM2.5的浓度关系的模型的形式,对空气PM2.5浓度数值进行了预测。并使用北京市2016年度的空气质量数据进行了实验验证,使用平均误差与均方根误差对模型的优劣进行评价。经试验验证,本文所使用方法具有较高的实用性与准确性。