1、“.....采用偏最小乘法选取有关，利用模糊神经网络，构建浓度与变量间的软测量模型，通过历史数据实现模型训练。为了同数据的量纲与量级，缩小取值差异性，利用最大最小线性归化策略归化处理所得样本数据，归建的预测模型，获取质量浓度预测结果。仿真分析表明基于改进人工蜂群神经网络的质量浓度预测模型的稳定性得到大幅提升，预测精准性具有明显优势。关键词神经网络浓度人工蜂群变量因子预测模型工业的迅猛发展造成废气废水及废弃物等污染物的排放量日益上升，大气污染程度加剧。对大气污染及人类健康影响最严重的是细颗粒物质它们既影响人们的生活与出行，又破坏生态系统的平衡性改进人工蜂群神经网络基础上浓度预测模型工业技术论文，⋯式中为神经网络的隐藏层节点个数，为激励函数。依据求解的每个及......”。

2、“.....Η⋯，。摘要为解决传统细颗粒物质，浓度预测模型研究角度片面非线性程度较高预测精度不高的问题，建立基于改进人工蜂群反向传播，神经网络的意图采用编写仿真分析的代码，神经网络含有输入层输出层及隐藏层，各层级间的神经元相互连接，层内的神经元不相连，如图所示。改进人工蜂群神经网络基础上浓度预测模型工业技术论文。为了同数据的量纲与量级，缩小取值差异性，利用最大最小线性归化策略归化处理所得样本数据，归化公式为−−式中为归化准则，判断解是否需要舍弃若解的不间断滞留次数与前阶段的相同，那么舍弃该解，同时侦查蜂生成个代替舍弃解的新解。次迭代过程由步骤到步骤构成，迭代结束后记录最优解，该最优解具有最高的适应度值。如果满足与预期精度，则循环终止反之，则返回到步骤，开始新迭代过程......”。

3、“.....更新神经网络的权重与阈值后，依据，调整各隐藏层和该机制让跟随蜂开采适应度较差的食物源，避免种群向高适应度食物源聚拢，维持种群适应度，但算法前期阶段的收敛速率下降。为了确保种群多样性，不再发生局部最优状况，跟随蜂在算法前期向高适应度食物源集中，在算法后期向低适应度食物源集中。引入自适应判断因子−。经过优化的概率计算公式为式中为区间，内的任意值为变量，与正相关，在算法的前期阶−，−−其中，为当前迭代次数，为最大迭代次数，与分别为调整因子的极小值与极大值。根据式可知算法的初期阶段所选食物源向全局最优解的集中速率相对更快，收敛速度提升后期阶段，为了改大，因进化阶段内蜂群向较高适应度的食物源迅速聚拢，破坏种群多样性，陷入局部极小化。采用反向轮盘赌，选择机制，式改写为......”。

4、“.....求解的变换矩阵⋯⋯⋯⋯。计算差序列∣∣−∣∣式中指代新食物源向原食物源邻域食物源及种群最优食物源的聚拢速率，−−−，−−其中，为当前迭代次数，为最大迭代次数，次数，生成初始食物源。依据式，雇佣蜂搜索新食物源，通过求取新解的适应度，更新食物源。由式计算与相应的。跟随蜂按照选取食物源，通过式选取与生成新解，求取新解的，更新食物源。根据解的舍弃判定准则，判断解是否需要舍弃若解的不间断滞留次数与前阶段的相同，那么舍弃该解，同时侦查蜂生成个代替舍弃解的新解。次迭代过程由步骤到步骤构成，迭代结束后记改进人工蜂群神经网络基础上浓度预测模型工业技术论文进算法后期阶段中局部最优解对搜索性能的抑制，可以增强随机食物源的影响力，提高种群的多样性......”。

5、“.....跟随蜂选取食物源的概率，式中为对应的适应度。由式可知食物源的选中概率随适应度的升高而增大，因进化阶段内蜂群向较高适应度的食物源迅速聚拢，破坏种群多样性，陷入局部极小化。采用反向轮盘赌，选择机制，式改写为最优解。但添加全局最优解会破坏蜂群的多样性，因为蜂群适应度较高，食物源集中速度过快，导致收敛过早，陷入局部极小值。加入自适应调整因子与，平衡收敛速率与种群多样性。改进的人工蜂群算法公式为−，−式中指代新食物源向原食物源邻域食物源及种群最优食物源的聚拢速率，−−藏层与输出层的数值，再次调整网络的权重与阈值，直到符合终止条件。仿真分析仿真环境图神经网络框架示意图采用编写仿真分析的代码，神经网络含有输入层输出层及隐藏层，各层级间的神经元相互连接，层内的神经元不相连......”。

6、“.....该机制让跟随蜂开采适应度较差的食物源，避免种群向高适应度食物源聚拢，维持种群适应度，但算法前期阶段的收敛速率下降。为了确保种群多样性，不再发生局部最优状况，跟随蜂在算。求解关联系数ξξ，式中为分辨系数，主要用以实现关联系数之间差异显著性的提升，其取值范围是，。求解灰色关联度−ξξ。为了提高收敛速度，在搜索过程中引入全局与分别为调整因子的极小值与极大值。根据式可知算法的初期阶段所选食物源向全局最优解的集中速率相对更快，收敛速度提升后期阶段，为了改进算法后期阶段中局部最优解对搜索性能的抑制，可以增强随机食物源的影响力，提高种群的多样性。传统人工蜂群算法中，跟随蜂选取食物源的概率，式中为对应的适应度。由式可知食物源的选中概率随适应度的升高而增录最优解......”。

7、“.....如果满足与预期精度，则循环终止反之，则返回到步骤，开始新迭代过程。为了提高收敛速度，在搜索过程中引入全局最优解。但添加全局最优解会破坏蜂群的多样性，因为蜂群适应度较高，食物源集中速度过快，导致收敛过早，陷入局部极小值。加入自适应调整因子与，平衡收敛速率与种群多样性。改进的人工蜂群算法公式为−，−法前期向高适应度食物源集中，在算法后期向低适应度食物源集中。引入自适应判断因子−。经过优化的概率计算公式为式中为区间，内的任意值为变量，与正相关，在算法的前期阶段，种群选取式计算选择概率的可能性较大，但后期阶段极有可能选取式计算选择概率。人工蜂群改进算法的步骤为初始化人工蜂群算法，设食物源数量为，是最大滞留改进人工蜂群神经网络基础上浓度预测模型工业技术论文浓度的误差......”。

8、“.....依据，调整各隐藏层和各输出层为η−，ηΗΗ，η，η−，ηΗΗ式中η为神经网络的学习速率。待所得数值满足终止条件时，预测结束否则，重新计算隐化公式为−−式中为归化处理后的样本数据，分别为相应属性的极小值与极大值，为当前待归化处理的样本数据。根据污染等级，利用位进制编码标签化样本数据为优，为良，为轻度污染，为中度污染，为重度污染，为严重污染。浓度预测模型的实现对及隐藏层阈值和输出层阈值进行初始化处理，基于输入值。的浓度直接关系人类日死亡率的上升与疾病症状如哮喘支气管炎及肺功能衰弱等的增加。因此浓度问题引发各界人士的高度关注，预测浓度成为热点研究课题。文献提出基于多模态支持向量回归混合预测模型，通过集成经验模态分解方法划分每天的浓度均值......”。

9、“.....基于各分量的独有属性，完成不同的支持向量回归模型设计，明确每组分量的输入变量，根据叠加的分量预测值获取预测结果文献通过时间尺度重，将搜索形式与跟随蜂选择概率设为改进角度，优化人工蜂群算法的寻优精度与收敛速率，在神经网络模型中引入改进人工蜂群算法，更新网络权重，避免使其陷入局部最小化依据浓度多种影响因素之间的关联性，采用灰色关联分析策略，识别所有因素间的发展趋势依赖程度，选取具有较大关联系数的污染气体，设定其质量浓度温度及相对湿度为预测模型的变量因子，利用倍标准差方法舍弃异常数据，根据位进制编码，标签化样本数据，通过创处理后的样本数据，分别为相应属性的极小值与极大值，为当前待归化处理的样本数据。根据污染等级，利用位进制编码标签化样本数据为优，为良，为轻度污染......”。