目录
摘 要 Ⅰ
ABSTRACT Ⅱ
第一章 绪论 1
1 选题的目的及意义 1
2 研究现状 1
2.1 国内研究现状 1
2.2 国外研究现状 2
第二章 材料与方法 4
1 理论与模型 4
1.1 循环神经网络RNN 4
1.2 长短期记忆网络LSTM 6
1.3 Pearson系数 8
1.4 线性插值法 9
2基于LSTM的鸡舍PM2.5浓度预测模型 10
2.1 实验数据的预处理 10
2.2 PM2.5相关性分析 11
2.3 模型构建 11
第三章 结果与分析 15
1 相关性分析结果 15
2 LSTM训练和测试后的损失图 15
3 两种算法的预测对比 16
3.1真实值和预测值对比结果 16
3.2均方根误差RMSE对比 17
第四章 结论与展望 18
1 结论 18
2 展望 18
参考文献 19
致 谢 21
基于物联网和机器学习的鸡舍颗粒物浓度分析
摘 要
近年以来空气质量越来越受到网友们的广泛关注，而PM2.5是其中非常重要的影响因素，由于空气质量展现出其独有的复杂性和不规律性，所以研究PM2.5成为了一个难题。本文是对南京某个鸡舍的PM2.5浓度进行预测，在对PM2.5浓度进行预测时，我们先对实验用到的4万个数据进行筛选，对异常值进行替换，对缺失的数值进行线性插值法后，再进行相关性分析，利用Pearson系数来计算相关性，将相关性较强的因素即同一时刻温度湿度，以及PM2.5浓度作为变量输入到所搭建的预测模型当中去，我们要应用到传统的循环神经网络RNN，但是这样的RNN却存在不足之处，就是会产生梯度消失的现象，针对这样的问题，提出了改进后的算法，其中应用最广泛并且最简便的就是长短期记忆网络( LSTM )，能够很好地对鸡舍中的PM2.5浓度实现精准预测，模型各个评价指标与RNN相比都得到了提 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
升，其中在测试集上的准确度已经达到96.1%，相比于RNN的89.2%提高了6.9%。实验结果表明，LSTM的准确度还是比较高的。

原文链接：http://www.jxszl.com/dzxx/dzdq/609074.html