CN105809249A - 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 - Google Patents

Abstract

一种基于双神经网络的PM2.5浓度检测与预测系统，包括数据采集存储单元、第一神经网络单元和第二神经网络单元，所述数据采集存储单元包括基于光散射原理的PM2.5传感器，所述第一神经网络包括BP神经网络，所述第二神经网络主要包括数据预处理单元和径向基神经网络；所述数据采集存储单元中，设定PM2.5传感器以设定时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储。本发明提供一种实现精确本地化测量和有效预测的基于双神经网络的PM2.5浓度检测与预测系统及方法。

Description

一种基于双神经网络的PM2.5浓度检测与预测系统及方法

技术领域

本发明属于空气质量检测领域，尤其涉及一种PM2.5浓度检测系统及预测方法。

背景技术

PM是英文ParticulateMatter(颗粒物)的缩写形式。PM2.5是直径小于或等于2.5微米的颗粒物，也称为细颗粒物或可入肺颗粒物。由于PM2.5能较长时间的悬浮在空气中、传播距离远范围大且易附带有毒、有害物质，所以它对人类健康和大气质量有重大影响。

测量PM2.5的方法主要分为3种：重量法、β射线吸收法和微量振荡天平法。这三种测量方法测量难度大，成本高，很难大规模推广使用。市面上更多的是利用光散射的原理的PM2.5检测仪，因为其成本低，测量简单。但是利用光散射仪测定PM2.5浓度值，其精确度较低。因为光的散射与颗粒物浓度之间的关系是很不确定的，受到诸多因素的影响，例如颗粒物的化学组成、形状、比重、粒径分布，而这些都取决于污染源的组成。这意味着光散射和颗粒物浓度之间的换算公式随时随地都可能在变。因此，需要仪器使用者不断地用标准方法进行校正。

为解决上述问题，关守平等人在专利《基于区间径向基函数神经网络的PM2.5浓度检测方法》中，通过建立径向基函数神经网络克服了求解矩阵方程算法运算困难、精度较低的缺点，不仅可以有效地检测PM2.5浓度，也可以检测出在不确定性的条件下检测的PM2.5浓度浮动在哪个范围之内；徐林等人在专利《基于神经网络的PM2.5浓度检测方法及装置》中，通过建立正则化神经网络模型，输出PM2.5浓度值。该方法克服了现有技术中PM2.5浓度检测方法自动化程度低的缺点，并且能够实现重复检测，检测精度高；朱洪等人在论文《基于改进神经网络算法的PM2.5污染信号分析检测》中，通过在BP神经网络中引入容错性理论很好的防止了网络在训练过程中进入平台期而引得的训练中止，从而能顺利的训练网络，能较好的检测PM2.5浓度值；以上的检测系统均能较好地对PM2.5浓度值进行检测，但是对样本数据的来源要求较高且没有预测功能。

马天成等人在论文《基于改进型PSO的模糊神经网络PM2.5浓度预测》中，通过改进型PSO的模糊神经网络对PM2.5浓度值有较好的预测能力；张怡文等人在论文《基于神经网络的PM2.5预测模型》中，通过建立BP神经网络模型对PM2.5浓度值进行了良好的预测；阳其凯等人在论文《基于遗传算法与BP神经网络的PM2.5发生演化模型》中，通过运用遗传算法的神经网络对PM2.5浓度值也有较好的预测。以上的预测系统均有良好的预测能力，但是他们要求的样本数据种类多，准确度高，对样本数据的要求很苛刻，很难满足大众的日常使用需求。

发明内容

为了克服已有现有PM2.5浓度值测量方式的无法实现精确本地化测量和预测的不足，本发明提供一种实现精确本地化测量和有效预测的基于双神经网络的PM2.5浓度检测与预测系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种基于双神经网络的PM2.5浓度检测与预测系统，所述系统包括数据采集存储单元、第一神经网络单元和第二神经网络单元，所述数据采集存储单元包括基于光散射原理的PM2.5传感器，所述第一神经网络包括BP神经网络，所述第二神经网络主要包括数据预处理单元和径向基神经网络；

所述数据采集存储单元中，设定PM2.5传感器以设定时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储；

所述第一神经网络单元中，将所述PM2.5传感器测得的测量数据作为样本输入数据输入到训练好的第一神经网络，通过训练好的第一神经网络后得到的输出就是本地化的测量数据，输出本地化的测量数据，同时将其存储到数组；

所述第二神经网络单元中，当所述存储本地化的测量数据的数组中的元素数量达到N之后，该数组元素开始传递到滚动机制；

所述滚动机制如下：当所述存储本地化的测量数据的数组中的元素数量达到N之后，滚动机制开始读取数组中最新的N个数据，即当有新元素存入时，滚动机制会自动重新读取最新的N个数据；

通过归一化将所述最新的N个数据进行归一化处理，归一化后的数据分布在[0.1,0.9]区间；

根据灰色模型，将所述归一化后的数据通过累加生成新的数据作为径向基神经网络的样本数据；

将所述通过灰色模型累加生成后的新数据作为样本输入数据输入到训练好的第二神经网络，经过第二神经网络的拟合得到拟合数据，将此拟合数据进行反归一化处理并可得到最终的预测数据，将此预测数据存储并输出。

一种基于双神经网络的PM2.5浓度检测与预测方法，所述方法包括如下步骤：

1)数据采集和存储

设定PM2.5传感器以设定时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储；

2)第一神经网络处理

将所述PM2.5传感器测得的测量数据作为样本输入数据输入到训练好的第一神经网络，通过训练好的第一神经网络后得到的输出就是本地化的测量数据，输出本地化的测量数据，同时将其存储到数组；3)第二神经网络处理

当所述存储本地化的测量数据的数组中的元素数量达到N之后，该数组元素开始传递到滚动机制；

所述滚动机制如下：

当所述存储本地化的测量数据的数组中的元素数量达到N之后，滚动机制开始读取数组中最新的N个数据，即当有新元素存入时，滚动机制会自动重新读取最新的N个数据；

通过归一化将所述最新的N个数据进行归一化处理，归一化后的数据分布在[0.1,0.9]区间；

根据灰色模型，将所述归一化后的数据通过累加生成新的数据作为径向基神经网络的样本数据；

将所述通过灰色模型累加生成后的新数据作为样本输入数据输入到训练好的第二神经网络，经过第二神经网络的拟合得到拟合数据，将此拟合数据进行反归一化处理并可得到最终的预测数据，将此预测数据存储并输出。

进一步，所述步骤2)中，所述第一神经网络的训练步骤包括：

步骤2.1、设定PM2.5传感器的数据采集时间间隔和采集次数，根据设定的数据采集时间间隔和采集次数采集多组测量数据，同时采集多组同步的官方标准数据，将所述测量数据和标准数据作为BP神经网络的训练数据；

步骤2.2、设定BP神经网络为三层：输入层、隐含层和输出层，设定输入层和隐含层的节点个数，并设定输出层节点个数与输入层相同。

步骤2.3、设定隐含层的传递函数为Log-Sigmiod函数，输出层的传递函数为线性函数，其中Log-Sigmiod函数计算公式如下：

$\log sig\left(n\right)=\frac{1}{1+e^{-n}}$

步骤2.4、用小的随机数对权值和偏置初始化，以保证网络部被大的权值输入饱和，同时设定网络的期望误差最小值，最大迭代次数和学习率；

步骤2.5、将所述PM2.5传感器测得的测量数据作为输入，将所述官方的标准数据作为目标输出输入到BP神经网络，计算误差，根据误差调整权值；

步骤2.6、判断是否收敛，当误差小于期望误差最小值时，算法收敛；或者达到最大迭代次数时结束算法；

步骤2.7、输入训练数据进行仿真验证，确定网络训练完成。

再进一步，所述步骤3)中，所述第二神经网络的训练步骤包括：

步骤3.1、将通过PM2.5传感器采集的测量数据通过训练好的BP神经网络得到对应本地化的测量数据，将本地化的测量数据和采集的标准数据都进行归一化处理得到归一化后测量数据和标准数据。归一化公式如下：

$y=0.1+\frac{0.8(x-x_{\min })}{(x_{max}-x)}$

式中：x为所述本地化的测量数据，x_min和x_max分别为每组数据中的最小值和最大值，y为归一化后的测量数据，分布在[0.1,0.9]区间；

步骤3.2、根据灰色模型，将所述归一化后的测量数据通过累加生成一组新数据，累加生成公式如下：

记归一化后的测量数据为：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(n)}

记累加生成后的新数据为：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...x⁽¹⁾(n)}

其中

$X^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\Σ}}{x}^{\left(0\right)}\left(i\right),k=1,2,\mathrm{...}n.$

将该新数据作为径向基神经网络的训练数据；

步骤3.3、设定径向基神经网络为三层：输入层、隐含层和输出层，设定输入层和隐含层的节点个数，并设定输出层为一个节点。

步骤3.4、设定隐含层的激励函数为高斯函数，设定输出层的传递函数为线性函数，其中高斯函数公式如下：

$\mathrm{\φ}\left(\right||X_k-X_i|\left|\right)=\exp (-\frac{n}{{d_{\max }}^2}||X_k-X_i|{|}^2),i=1,2,\mathrm{...},n$

式中：X_k为训练样本，X_i为个聚类中心，d_max为所选取中心之间的最大距离，n为隐含层的节点个数；

输出结果如下：

$y=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_i\mathrm{\φ}(X_k,X_i)-x^{\left(1\right)}\left(n\right)$

步骤3.5、将所述通过灰色模型累加生成后得到的新数据作为径向基神经网络的样本输入，归一化标准数据作为目标输出，对径向基神经网络进行训练；

步骤3.6、通过K-均值聚类算法选取聚类中心。从所述样本输入中随机选择若干个不同的样本作为初始的聚类中心，随机输入一个样本，计算该输入样本距离哪个聚类中心最近，就把它归为该聚类中心的同一类，重复操作，更新聚类中心；

步骤3.7、判断算法是否收敛，当聚类中心不再变化或者小于一个较小的阈值，算法收敛。如果判断没有收敛，否则转到步骤5继续迭代，结束时得到最终确定的聚类中心；

步骤3.8、确定聚类中心后，用通过灰色模型得到的新数据作为输入，归一化的标准数据作为输出训练网络，学习得到标准差和权值，其中标准差公式如下：

$\mathrm{\σ}=\frac{d_{max}}{\sqrt{2n}}$

步骤3.9、输入训练数据进行仿真验证，确定网络训练完成。

本发明的有益效果主要表现在：克服了PM2.5传感器无法适应在多地测量的问题，使其在不同地域环境下都能得到较为精准的测量结果，实现本地化测量，同时实现了对未来短时段PM2.5浓度值的预测，有利于预防工作的及时展开。

附图说明

图1是基于双神经网络的PM2.5浓度检测与预测系统的示意图。

图2是基于双神经网络的PM2.5浓度检测与预测方法的示意图。

图3是BP神经网络的训练流程图。

图4是RBF神经网络的训练流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种基于双神经网络的PM2.5浓度检测系统及预测系统，包括：数据采集存储单元、第一神经网络单元和第二神经网络单元，所述数据采集存储单元主要采集器件为利用光散射的原理的PM2.5传感器。所述第一神经网络主要包括采用了误差反向传播算法(ErrorBackPropagation,BP)的神经网络，简称BP神经网络。所述第二神经网络主要包括数据预处理单元和径向基神经网络。

参照图2，基于双神经网络的PM2.5浓度检测系统及预测方法的具体流程包括：

设定PM2.5传感器以一小时为时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储；

本发明实施例中，采集的测量数据和标准数据如表1：

表1

将所述PM2.5传感器测得的测量数据作为样本输入数据输入到训练好的第一神经网络，通过训练好的第一神经网络后得到的输出就是本地化的测量数据，输出本地化的测量数据，同时将其存储到数组；

参照图3，所述训练好的第一神经网络的训练步骤包括：

步骤2.1、设定PM2.5传感器的数据采集时间间隔为1小时和采集次数为24次，根据设定的数据采集时间间隔和采集次数采集24组测量数据，同时采集24组同步的官方标准数据，将所述测量数据和标准数据作为BP神经网络的训练数据；

步骤2.2、设定BP神经网络为三层：输入层、隐含层和输出层，设定输入层和输出层的节点个数为1，隐含层的节点个数为5。

步骤2.3、设定隐含层的传递函数为Log-Sigmiod函数，输出层的传递函数为线性函数，其中Log-Sigmiod函数计算公式如下：

$\log sig\left(n\right)=\frac{1}{1+e^{-n}}$

步骤2.4、用小的随机数对权值和偏置初始化，以保证网络部被大的权值输入饱和，同时设定网络的期望误差最小值为0.1，最大迭代次数为5000和学习率为0.1；

步骤2.5、将所述PM2.5传感器测得的测量数据作为输入，将所述官方的标准数据作为目标输出输入到BP神经网络，计算误差，根据误差调整权值；

步骤2.6、判断是否收敛，当误差小于期望误差最小值时，算法收敛；或者达到最大迭代次数时结束算法；

步骤2.7、输入训练数据进行仿真验证，确定网络训练完成；

当所述存储本地化的测量数据的数组中的元素数量达到10之后，该数组元素开始传递到滚动机制；

所述滚动机制功能如下：

当所述存储本地化的测量数据的数组中的元素数量达到10之后，滚动机制开始读取数组中最新的10个数据，即当有新元素存入时，滚动机制会自动重新读取最新的10个数据；

通过归一化将所述最新的10个数据进行归一化处理，归一化后的数据分布在[0.1,0.9]区间；

根据灰色模型，将所述归一化后的数据通过累加生成新的数据作为径向基神经网络的样本数据；

将所述通过灰色模型累加生成后的新数据作为样本输入数据输入到训练好的第二神经网络，经过第二神经网络的拟合得到拟合数据，将此拟合数据进行反归一化处理并可得到最终的预测数据，将此预测数据存储并输出；

参照图4，所述训练好的第二神经网络的训练步骤包括：

步骤3.1、将通过PM2.5传感器采集的测量数据通过训练好的BP神经网络得到对应本地化的测量数据，将本地化的测量数据和采集的标准数据都进行归一化处理得到归一化后测量数据和标准数据。归一化公式如下：

$y=0.1+\frac{0.8(x-x_{\min })}{(x_{max}-x)}$

式中：x为所述本地化的测量数据，x_min和x_max分别为每组数据中的最小值和最大值，y为归一化后的测量数据，分布在[0.1,0.9]区间；

步骤3.2、根据灰色模型，将所述归一化后的测量数据通过累加生成一组新数据，累加生成公式如下：

记归一化后的测量数据为：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(n)}

记累加生成后的新数据为：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...x⁽¹⁾(n)}

其中

$X^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\Σ}}{x}^{\left(0\right)}\left(i\right),k=1,2,\mathrm{...}n.$

将该新数据作为径向基神经网络的训练数据；

步骤3.3、设定径向基神经网络为三层：输入层、隐含层和输出层，设定输入层的节点个数为9和隐含层的节点个数为15，并设定输出层为1个节点。

步骤3.4、设定隐含层的激励函数为高斯函数，设定输出层的传递函数为线性函数，其中高斯函数公式如下：

$\mathrm{\φ}\left(\right||X_k-X_i|\left|\right)=\exp (-\frac{n}{{d_{\max }}^2}||X_k-X_i|{|}^2),i=1,2,\mathrm{...},n$

式中：X_k为训练样本，X_i为个聚类中心，d_max为所选取中心之间的最大距离，n为隐含层的节点个数；

输出结果如下：

$y=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_i\mathrm{\φ}(X_k,X_i)-x^{\left(1\right)}\left(n\right)$

步骤3.5、将所述通过灰色模型累加生成后得到的新数据作为径向基神经网络的样本输入，归一化标准数据作为目标输出，对径向基神经网络进行训练。

步骤3.6、通过K-均值聚类算法选取聚类中心。从所述样本输入中随机选择若干个不同的样本作为初始的聚类中心，随机输入一个样本，计算该输入样本距离哪个聚类中心最近，就把它归为该聚类中心的同一类，重复操作，更新聚类中心；

步骤3.7、判断算法是否收敛，当聚类中心不再变化或者小于一个较小的阈值，算法收敛。如果判断没有收敛，否则转到步骤5继续迭代，结束时得到最终确定的聚类中心；

步骤3.8、确定聚类中心后，用通过灰色模型得到的新数据作为输入，归一化的标准数据作为输出训练网络，学习得到标准差和权值，其中标准差公式如下：

$\mathrm{\σ}=\frac{d_{max}}{\sqrt{2n}}$

步骤3.9、输入训练数据进行仿真验证，确定网络训练完成；

根据以上操作得到本地化测量数据和预测数据如表2、表3：

表2

表3。

Claims (4)

1.一种基于双神经网络的PM2.5浓度检测与预测系统，其特征在于：所述系统包括数据采集存储单元、第一神经网络单元和第二神经网络单元，所述数据采集存储单元包括基于光散射原理的PM2.5传感器，所述第一神经网络包括BP神经网络，所述第二神经网络主要包括数据预处理单元和径向基神经网络；

所述数据采集存储单元中，设定PM2.5传感器以设定时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储；

所述第一神经网络单元中，将所述PM2.5传感器测得的测量数据作为样本输入数据输入到训练好的第一神经网络，通过训练好的第一神经网络后得到的输出就是本地化的测量数据，输出本地化的测量数据，同时将其存储到数组；

所述第二神经网络单元中，当所述存储本地化的测量数据的数组中的元素数量达到N之后，该数组元素开始传递到滚动机制；

所述滚动机制如下：当所述存储本地化的测量数据的数组中的元素数量达到N之后，滚动机制开始读取数组中最新的N个数据，即当有新元素存入时，滚动机制会自动重新读取最新的N个数据；

通过归一化将所述最新的N个数据进行归一化处理，归一化后的数据分布在[0.1,0.9]区间；

根据灰色模型，将所述归一化后的数据通过累加生成新的数据作为径向基神经网络的样本数据；

将所述通过灰色模型累加生成后的新数据作为样本输入数据输入到训练好的第二神经网络，经过第二神经网络的拟合得到拟合数据，将此拟合数据进行反归一化处理并可得到最终的预测数据，将此预测数据存储并输出。

2.一种基于双神经网络的PM2.5浓度检测与预测方法，其特征在于：

所述方法包括如下步骤：

1)数据采集和存储

设定PM2.5传感器以设定时间间隔测量PM2.5浓度值作为测量数据上传到计算机并存储，同时采集同一时刻官方更新的PM2.5浓度值作为标准数据并存储；

2)第一神经网络处理

将所述PM2.5传感器测得的测量数据作为样本输入数据输入到训练好的第一神经网络，通过训练好的第一神经网络后得到的输出就是本地化的测量数据，输出本地化的测量数据，同时将其存储到数组；3)第二神经网络处理

当所述存储本地化的测量数据的数组中的元素数量达到N之后，该数组元素开始传递到滚动机制；

所述滚动机制如下：

当所述存储本地化的测量数据的数组中的元素数量达到N之后，滚动机制开始读取数组中最新的N个数据，即当有新元素存入时，滚动机制会自动重新读取最新的N个数据；

通过归一化将所述最新的N个数据进行归一化处理，归一化后的数据分布在[0.1,0.9]区间；

根据灰色模型，将所述归一化后的数据通过累加生成新的数据作为径向基神经网络的样本数据；

将所述通过灰色模型累加生成后的新数据作为样本输入数据输入到训练好的第二神经网络，经过第二神经网络的拟合得到拟合数据，将此拟合数据进行反归一化处理并可得到最终的预测数据，将此预测数据存储并输出。

3.如权利要求2所述的一种基于双神经网络的PM2.5浓度检测与预测方法，其特征在于：所述步骤2)中，所述第一神经网络的训练步骤包括：

步骤2.1、设定PM2.5传感器的数据采集时间间隔和采集次数，根据设定的数据采集时间间隔和采集次数采集多组测量数据，同时采集多组同步的官方标准数据，将所述测量数据和标准数据作为BP神经网络的训练数据；

步骤2.2、设定BP神经网络为三层：输入层、隐含层和输出层，设定输入层和隐含层的节点个数，并设定输出层节点个数与输入层相同。

步骤2.3、设定隐含层的传递函数为Log-Sigmiod函数，输出层的传递函数为线性函数，其中Log-Sigmiod函数计算公式如下：

$\log sig\left(n\right)=\frac{1}{1+e^{-n}}$

步骤2.4、用小的随机数对权值和偏置初始化，以保证网络部被大的权值输入饱和，同时设定网络的期望误差最小值，最大迭代次数和学习率；

步骤2.5、将所述PM2.5传感器测得的测量数据作为输入，将所述官方的标准数据作为目标输出输入到BP神经网络，计算误差，根据误差调整权值；

步骤2.6、判断是否收敛，当误差小于期望误差最小值时，算法收敛；或者达到最大迭代次数时结束算法；

步骤2.7、输入训练数据进行仿真验证，确定网络训练完成。

4.如权利要求2或3所述的一种基于双神经网络的PM2.5浓度检测与预测方法，其特征在于：所述步骤3)中，所述第二神经网络的训练步骤包括：

步骤3.1、将通过PM2.5传感器采集的测量数据通过训练好的BP神经网络得到对应本地化的测量数据，将本地化的测量数据和采集的标准数据都进行归一化处理得到归一化后测量数据和标准数据。归一化公式如下：

$y=0.1+\frac{0.8(x-x_{\min })}{(x_{max}-x)}$

式中：x为所述本地化的测量数据，x_min和x_max分别为每组数据中的最小值和最大值，y为归一化后的测量数据，分布在[0.1,0.9]区间；

步骤3.2、根据灰色模型，将所述归一化后的测量数据通过累加生成一组新数据，累加生成公式如下：

记归一化后的测量数据为：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(n)}

记累加生成后的新数据为：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...x⁽¹⁾(n)}

其中

$X^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\Σ}}{x}^{\left(0\right)}\left(i\right),k=1,2,...n.$

将该新数据作为径向基神经网络的训练数据；

步骤3.3、设定径向基神经网络为三层：输入层、隐含层和输出层，设定输入层和隐含层的节点个数，并设定输出层为一个节点。

步骤3.4、设定隐含层的激励函数为高斯函数，设定输出层的传递函数为线性函数，其中高斯函数公式如下：

$\mathrm{\φ}\left(\right||X_k-X_i|\left|\right)=\exp (-\frac{n}{{d_{\max }}^2}||X_k-X_i|{|}^2),i=1,2,...,n$

式中：X_k为训练样本，X_i为个聚类中心，d_max为所选取中心之间的最大距离，n为隐含层的节点个数；

输出结果如下：

$y=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_i\mathrm{\φ}(X_k,X_i)-x^{\left(1\right)}\left(n\right)$

步骤3.5、将所述通过灰色模型累加生成后得到的新数据作为径向基神经网络的样本输入，归一化标准数据作为目标输出，对径向基神经网络进行训练；

步骤3.6、通过K-均值聚类算法选取聚类中心。从所述样本输入中随机选择若干个不同的样本作为初始的聚类中心，随机输入一个样本，计算该输入样本距离哪个聚类中心最近，就把它归为该聚类中心的同一类，重复操作，更新聚类中心；

步骤3.7、判断算法是否收敛，当聚类中心不再变化或者小于一个较小的阈值，算法收敛。如果判断没有收敛，否则转到步骤5继续迭代，结束时得到最终确定的聚类中心；

步骤3.8、确定聚类中心后，用通过灰色模型得到的新数据作为输入，归一化的标准数据作为输出训练网络，学习得到标准差和权值，其中标准差公式如下：

$\mathrm{\σ}=\frac{d_{max}}{\sqrt{2n}}$

步骤3.9、输入训练数据进行仿真验证，确定网络训练完成。