武装著的《京津冀地区PM2.5及其他空气污染物的时空分布特征研究》收集了真实、可靠、科学的大量数据。本书通过研究京津冀地区空气污染特征及影响因素，利用可视化软件分析污染物的质量浓度和时空分布，同时使用空气质量测评法AQI指数来评价和分析，通过Matlab软件建立BP神经网络模型对样本数据进行预测，此项研究对京津冀地区及我国其他城市空气预测有着一定的科学意义。

第1章 绪 论 1
1.1 研究背景及研究意义 1
1.2 国内外研究现状 3
1.2.1 国外研究现状 3
1.2.2 国内研究现状 4
1.3 研究内容 5
1.4 创新点 6
1.5 研究区域及研究数据概况 6
1.5.1 研究区域概况 6
1.5.2 数据概况 7
1.6 研究方法 7
1.6.1 空气质量指数(AQI)方法 7
1.6.2 ArcGIS 空间分析 9

第2章 人工神经网络 10
2.1 神经网络的产生及发展 10
2.2 人工神经元的组成 11
2.3 神经元模型 12
2.4 神经网络基本学习方式 13
2.5 3种神经网络 14
2.6 BP 神经网络的基本原理 15
2.7 BP神经网络的结构 18
2.8 BP神经网络的学习过程 19
2.9 基于粗糙集的神经网络 19
2.10 差分进化算法优化神经网络 21
2.10.1 差分进化算法原理 21
2.10.2 差分进化算法优化神经网络的原理 23
2.11 粒子群算法优化神经网络 25
2.11.1 粒子群算法的基本原理 25
2.11.2 基于粒子群算法优化BP神经网络的原理 26
2.12 人工蜂群算法优化神经网络 27
2.12.1 人工蜂群算法的基本原理 27
2.12.2 人工蜂群算法优化神经网络的原理 30
2.13 蚁群算法优化神经网络 32
2.13.1 蚁群算法的基本原理 32
2.13.2 蚁群算法优化神经网络的原理 34
2.14 BP神经网络的优缺点 36

第3章 遗传算法的一些改进及其应用 38
3.1 遗传算法的生物学背景 38
3.1.1 遗传变异理论 38
3.1.2 进化论 39
3.2 遗传算法简史 39
3.3 遗传算法的基本概念 41
3.4 遗传算法的操作流程 42
3.5 遗传算法的技术实现 43
3.5.1 编码 43
3.5.2 适应度函数 44
3.5.3 选择算子 45
3.5.4 交叉算子 46
3.5.5 变异算子 46
3.5.6 遗传算法有关参数的设置 47
3.5.7 遗传算法的特点 48
3.6 顺序选择遗传算法(SBOGA) 48
3.6.1 算法原理 48
3.6.2 算法步骤 49
3.6.3 仿真实例 49
3.7 大变异遗传算法(GMGA) 50
3.7.1 算法步骤 51
3.7.2 仿真实例 51
3.8 双切点交叉遗传算法(DblGEGA) 53
3.8.1 算法原理 53
3.8.2 仿真实例 54
3.9 遗传算法应用实例及其分析 55
3.9.1 3种常用的测试函数 55
3.9.2 仿真实例分析 56
3.10 小结 59

第4章 基于差分进化算法的函数优化问题研究 61
4.1 引言 61
4.2 最优化方法简介 62
4.2.1 最优化问题的一般模型 63
4.2.2 最优化问题的分类 63
4.2.3 最优化问题的求解方法 64
4.3 智能进化算法综述 65
4.3.1 产生背景 65
4.3.2 研究进化算法的意义 66
4.3.3 国内外研究现状 67
4.4 差分进化算法概述与进展 68
4.4.1 差分进化算法的发展过程 69
4.4.2 差分进化算法的特征 69
4.4.3 几种基准测试函数 69
4.5 基本差分进化算法 72
4.5.1 变异操作 72
4.5.2 交叉操作 72
4.5.3 选择操作 73
4.6 差分进化算法的算法流程 73
4.7 参数因子的选择 74
4.7.1 种群大小NP的选择 74
4.7.2 缩放因子F的选择 76
4.7.3 交叉因子CR的选择 79
4.8 测试5种改进DE算法 81
4.9 差分进化算法在函数优化中的应用 85
4.9.1 单目标优化问题 85
4.9.2 多目标优化问题 86
4.10 小结 90

第5章 PM2.5及其他空气污染物的时空分布 92
5.1 PM2.5的时空分布 92
5.1.1 PM2.5年际变化 92
5.1.2 PM2.5季节分布特征 94
5.2 其他空气污染物的时空分布 96
5.2.1 PM10 的时空分布 96
5.2.2 SO2的时空分布 100
5.2.3 NO2的时空分布 102
5.2.4 CO的时空分布 104
5.2.5 O3的时空分布 106
第6章 京津冀地区空气质量评价 109
6.1 主要污染物浓度达标率分析 109
6.1.1 PM2.5达标率分析 109
6.1.2 PM10达标率分析 110
6.1.3 SO2达标率分析 110
6.1.4 NO2达标率分析 111
6.2 空气质量评价 112
6.3 空气质量变化规律 113
6.3.1 空气质量季节变化规律 113
6.3.2 空气质量月份变化规律 114
6.4 主要空气污染物月均浓度变化趋势 115
6.5 预测模型 118
6.5.1 春季PM2.5预测模型 118
6.5.2 夏季PM2.5预测模型 120
6.5.3 秋季PM2.5预测模型 122
6.5.4 冬季PM2.5预测模型 124
6.6 小结 126

第7章 基于BP神经网络的雾霾预测 128
7.1 影响PM2.5预测浓度的因素分析 128
7.2 训练样本选取 131
7.3 数据归一化处理 132
7.4 BP神经网络的设计 133
7.5 BP 神经网络的训练 136
7.6 BP 神经网络的仿真 141
7.7 遗传算法优化 144
7.8 雾霾的治理建议 149
7.9 小结 151
第8章 京津冀地区的雾霾成因分析 153
8.1 研究区域与数据来源 153
8.2 研究方法 154
8.2.1 空间自相关 154
8.2.2 PLS1模型及通径分析 155
8.2.3 BP神经网络 157
8.3 结果分析 159
8.3.1 时空演变分析 159
8.3.2 空间相关性分析 165
8.4 PM2.5的PLS1模型及通径分析 168
8.4.1 PM2.5的PLS1模型 168
8.4.2 通径分析 171
8.5 PM2.5与影响因子之间的非线性关系分析 178
8.6 小结 180

第9章 基于GAM的PM2.5浓度影响因素及扩散演化过程研究 182
9.1 引言 182
9.2 数据与研究方法 183
9.2.1 数据 183
9.2.2 PM2.5时空特征分析 184
9.2.3 广义加性模型(GAM) 185
9.3 分析结果 186
9.3.1 北京市PM2.5污染概况 186
9.3.2 PM2.5与单影响因素的GAM分析 188
9.4 小结 195

参考文献197