1.课题背景和意义

#160;#160;#160;#160;#160;#160;#160; 随着我国社会经济建设的发展，大规模地使用包括石油和煤在内的能源和其他自然资源，城市的污染问题越来越严重，空气污染特征由单一型向复合性转变，环境压力越来越大，长期积累的环境问题开始出现，很多城市的空气质量状况开始恶化。作为此次研究的城市”南京”每年消耗的煤炭量按年增长超过10%趋势增长，煤炭消费总量在15个副省级城市和4个直辖市中，位居第五。可见，南京在氮氧化物、二氧化硫、一氧化碳、烟尘等排放浓度较高，空气质量状况较为严重，持续一个星期左右的灰霾不仅对居民的身体健康造成危害，还对居民及社会的生活生产带来巨大的影响，灰霾天气已逐渐被列为灾害性天气。空气质量检测是认识和研究空气环境的一项重要内容，其目的是准确反映环境质量和污染状况，预测未来的发展趋势，是未来空气环境管理保护和治理的一项重要基础性工作。

#160;#160;#160;根据《中华人民共和国环境保护法》和《中华人民共和国大气污染物防治法》[1],为改善环境空气质量，防止生态破坏，创造清洁适宜的环境，保护人体环境，特制订本标准，增加了14种术语的定义，调整了分区和分级的有关内容，补充和调整了污染物项目、取值时间及浓度限值，采样与分析方法及数据统计的有效性规定。总的来说，生物存活和人类生产、科研离不开空气、且对空气都有不同的要求，为了保护地球环境，使得地球生物不受到灰霾气体的侵害及更好的满足人类的生产、科研的呼吸需求，需要进行空气质量的检测[3]。 #160;#160;

#160;#160;#160;空气质量检测就是将空气污染物和空气评价标准质量联合起来进行研究，从而建立空气质量检测模型，对空气的质量等级进行综合评判以便为空气质量目标责任管理提供科学依据，为环境的科学管理和污染防治提供决策依据。空气质量综合评价涉及到的多项评价指标之间通常存在不相容性和模糊性，而且一般认为各项指标与环境质量等级之间存在的是非线性关系，因此空气质量检测模型需要有很强的容错能力和处理非线性能力。

2.国内外现状

#160;#160;#160;#160;#160;#160;目前国内外关于空气质量评价方法的研究十分活跃，除了常用的方法如空气污染物法、人工神经元网格法、模糊聚类法、主成份分析法、灰色系统分析法等之外，随着一些新学科的创立和计算技术的发展，还结合云模糊法、投影寻踪分析法等方法进行空气质量评价。在国内一般运用综合污染物指数法、模糊数学综合评判法、欧几里德贴近度法等方法对周围空气质量进行评价[10]。综合污染物指数法计算简单，所得到的值受控于所检测因素中任意一个，只要有一项检测值偏高，其所属污染物级别就越高，且人为影响因素较大。由于检测项目不多，若以某一项最大值来确定环境质量，显然评价不准确，向污染物方向偏离。模糊数学综合评价法避免了评价结果是一个平均值或简单的累加情况的出现，但它有两点不足:(1)需要建立各污染因子的各级隶属函数，其过程繁琐，不易实现；（2）复合运算的基本方法是取大取小，只强调极值作用，因此丢失了很多信息，使评价结果往往受控于个别因素，有时造成误判，一般来说，评价结果向污染物方向偏离。

#160;#160;#160;#160;因此，国内亟待建立新的空气质量评价体系，逐步完善灰霾天气数值预测、预报，以及对灰霾天气下生态效应等环境风险的评估[15]。

3.神经网络方面的知识

#160;（1）神经网络算法方面的基本结构

#160;#160;#160;#160;BP网络是一种单向传播的多层前向网络。网络结构是由输入层、输出层和隐含层组成，各层神经元的作用是不同的：输入层接受外界信息，输出层对输入层信息进行判别和决策，中间的隐含层用来表示或贮存信息。

#160;#160;#160;#160;BP神经网络在实际应用中，分导师知识学习训练和模式识别决策两个过程。导师知识学习训练过程归结起来分为4个过程，输入模式由输入层经中间层向输出层方向”模式化顺传播”，网络的希望输出和网络的实际输出之间的误差信号，由输出层经中间层向输入层逐渐修正连接权的”误差逆传播”，由”模式顺传播”和”误差逆传播”的反复交替进行的网络”学习记忆”训练过程，使网络趋向收敛，即全局误差趋向极小值的”学习收敛”过程，直至实际输出值与希望输出值有较好吻合为止。