收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

最小二乘支持向量回归及其在水质预测中的应用研究

袁从贵  
【摘要】:在水环境治理及规划研究中,河流水质预测问题是一个被广泛研究的重要问题。由于水流动的多样性及不确定性点源污染原因,导致河网水系流态十分复杂。再加上水环境系统的结构参数和边界条件具有时变性和复杂性,而我们通常所获取的水环境系统信息是不完备,使得水质预测成为一个难题。统计学习方法可以根据现有的实测资料,建立影响河流水质因子和水质之间一种映射关系,从而达到预测河流水质的目的。 支持向量机作为统计学习理论的新一代机器学习方法,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,已成功应用于分类、回归和时间序列预测等领域。Suykens在支持向量机基础上提出的最小二乘支持向量机,不但在多个问题上表现出较高的建模精度和良好的泛化能力,还有效降低了算法的计算复杂度。然而,对最小二乘支持向量机算法及其在水质预测的应用,尚存在一些研究不足的方面。例如:回归预测模型输入的合理选择问题、峰值样本预测误差相对偏大问题等。 本文结合河流水质预测应用,研究了最小二乘支持向量回归算法的-些相关问题。论文主要研究内容及取得的成果有: 1)研究了回归预测模型输入的合理选择问题。根据信息论中的熵信息理论,提出了基于偏互信息的回归模型输入选择算法。该算法在给定输入变量条件下,通过估计备选输入与模型输出之间关联程度,来判定备选输入的取舍。多个线性和非线性测试用例输入选择结果表明,该输入选择算法,能正确识别预测模型输入变量,克服输入变量选择的冗余性问题。同时,输入被选定的顺序反映了该输入对预测模型输出的重要性程度。实际问题的应用结果表明,该算法选定的输入变量能反映系统的变化规律。 2)提出了一种峰值预测的最小二乘支持向量回归算法,该算法可以用来提高峰值区域水质的拟合预测精度。在分析了学习样本分布对最小二乘支持向量回归算法拟合误差的影响基础上,按照加权最小二乘思想,利用样本分布密度因子和样本幅值加权因子修正最小二乘支持向量回归拟合误差,提高了最小二乘支持向量回归对峰值过程的拟合精度,降低了峰值区域样本的预测误差。文中采用了多个测试实例对算法性能进行了检验,最后将算法应用到了水质预测问题。应用结果表明峰值预测的最小二乘支持向量回归算法在保持水质整体预测精度的同时,能显著提高峰值样本预测精度,其峰值样本预测的平均百分比误差绝对值较LS.SVR算法下降27%以上。 3)研究了大样本最小二乘支持向量回归算法的效率问题,提出了一种快速大样本最小二乘支持向量回归算法,并应用于咸潮水质预测。该算法采用无监督核硬聚类方法,首先将学习样本集按推广的欧氏距离相似性测度标准,在高维特征空间进行聚硬类。然后选定类中心样本作为支持向量进入支持向量集,再利用Nvstrom算法在低尺度支持向量集样本空间逼近初始样本学习机的核Gram矩阵,从而得到原问题的一个近似解。函数拟合测试及咸潮水质氯化物含量预测实际应用结果表明:该算法能够在拟合预测误差没有明显下降的情况下,将LS-SVR处理大样本学习问题的计算效率提高50倍以上 4)针对最小二乘支持向量回归算法的单核映射性能及灵活性较差问题,提出了一种分组特征多核最小二乘支持向量回归算法,并应用于水质耗氧量预测。算法采用同一映射函数将所有具有同源特征的输入变量,映射到高维特征空间再进行回归建模。并将该回归拟合目标优化问题转化为半无限线性规划问题,利用交换集法求解。函数拟合测试及水质耗氧量预测应用结果表明:同源特征分组多核最小二乘支持向量回归算法较标准最小二乘支持向量回归算法,预测平均百分比误差降低了17%以上。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 李伟;周建平;杨胜勇;;药物分子胎盘屏障渗透的支持向量回归模型[J];化学研究与应用;2011年07期
2 林献坤;于垂顺;李郝林;;2X/Y直线进给轴直线轮廓误差的学习补偿方法[J];光学精密工程;2011年05期
3 何同弟;李见为;黄鸿;;基于PSO优选参数的SVR水质参数遥感反演模型[J];信息与控制;2011年04期
4 王国富;张海如;张超凡;张法全;叶金才;;矿井用电力变压器铁心柱截面的优化设计[J];矿山机械;2011年07期
5 吴军;邓超;邵新宇;熊尧;;基于加工动力学模型的工艺可靠性仿真方法[J];系统工程理论与实践;2011年07期
6 毛献萍;黄志强;高志明;;桃金娘果的热风干燥特性[J];食品研究与开发;2011年08期
7 陈春燕;黄群星;刘冬;倪明江;;基于火焰辐射的回转式危险废弃物焚烧炉内介质温度场的非接触重建[J];燃烧科学与技术;2011年03期
8 陈振林;罗杨合;高志明;解庆林;;荸荠皮热风干燥工艺及其对抗氧化性的影响[J];广东农业科学;2011年08期
9 李雪梅;丁力行;陈嘉澍;;在线支持向量机在数控铣床刀具磨损预测建模中的应用[J];现代制造工程;2011年07期
10 高淑芝;冯少华;高宪文;安文翔;于利民;;基于SVM的PVC汽提过程预测控制方法[J];信息与控制;2011年04期
11 管力明;林剑;胡更生;;基于光谱再现的颜色印刷重构方法[J];中南大学学报(自然科学版);2011年08期
12 刘晓旭;孙亚秋;张国英;许艳艳;高东昭;;两个以大环草酰胺为主配体的多核铜及镍配合物的合成及晶体结构[J];无机化学学报;2011年09期
13 ;[J];;年期
14 ;[J];;年期
15 ;[J];;年期
16 ;[J];;年期
17 ;[J];;年期
18 ;[J];;年期
19 ;[J];;年期
20 ;[J];;年期
中国重要会议论文全文数据库 前10条
1 彭姝迪;林静玉;周渠;李孟励;;加权支持向量回归机在传感阵列模式识别中的应用[A];重庆市电机工程学会2010年学术会议论文集[C];2010年
2 郭志明;赵春江;陈立平;黄文倩;;基于GA-LSSVR的烟草尼古丁含量的近红外光谱分析[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
3 陈懿冰;张玲玲;石勇;;基于改进的支持向量回归机的金融时序预测[A];第六届(2011)中国管理学年会论文摘要集[C];2011年
4 邓小英;杨顶辉;关昕;;基于支持向量回归的随机噪声消减和零漂去除[A];中国地球物理·2009[C];2009年
5 黄建平;李振春;刘玉金;孔雪;;最小二乘叠前深度偏移方法研究[A];中国地球物理学会第二十七届年会论文集[C];2011年
6 吴德会;;非线性动态系统的SVR辨识法[A];第二十六届中国控制会议论文集[C];2007年
7 张兆坤;于瀛洁;陈明仪;;用最小二乘迭代法对干涉条纹图进行插值[A];中国仪器仪表学会第三届青年学术会议论文集(上)[C];2001年
8 陈慧波;丁锋;;基于输出快采样数据的确定性系统最小二乘盲辨识方法[A];第二十六届中国控制会议论文集[C];2007年
9 朱建青;郭建锋;归庆明;;B样条最小二乘及其在GPS水准中的应用[A];中国运筹学会第六届学术交流会论文集(下卷)[C];2000年
10 孙明轩;毕宏博;;最小二乘学习辨识[A];中国自动化学会控制理论专业委员会D卷[C];2011年
中国博士学位论文全文数据库 前10条
1 袁从贵;最小二乘支持向量回归及其在水质预测中的应用研究[D];广东工业大学;2012年
2 赵永平;支持向量回归机及其在智能航空发动机参数估计中的应用[D];南京航空航天大学;2009年
3 谭显胜;支持向量回归解释性体系的建立及应用[D];湖南农业大学;2010年
4 余艳芳;改进型支持向量回归机及其在过程建模与控制中的应用[D];华东理工大学;2010年
5 周金柱;电子装备结构因素对电性能影响的支持向量建模与补偿[D];西安电子科技大学;2011年
6 蒋辉;经济预测的灰色支持向量回归方法[D];中南大学;2010年
7 裴军芳;基于QPSO优化的聚合物玻璃化转变温度的支持向量回归研究[D];重庆大学;2012年
8 孙少超;数据校正和支持向量机的过失误差识别的研究[D];华东理工大学;2012年
9 马新建;最小二乘无网格法的改进及其拓展应用研究[D];南京理工大学;2012年
10 向国齐;支持向量回归机代理模型设计优化及应用研究[D];电子科技大学;2010年
中国硕士学位论文全文数据库 前10条
1 陈金翠;最小二乘支持向量回归组合预测模型的应用[D];新疆大学;2010年
2 苗强;农民收入的粗糙支持向量回归与实证分析[D];安徽大学;2010年
3 阿磊;基于支持向量回归机的汇率预测[D];华东师范大学;2011年
4 王(山弄);支持向量回归在曲线拟合/重构中的应用[D];中国农业大学;2005年
5 杨芳;基于支持向量回归(SVR)的材料热加工过程建模[D];上海交通大学;2010年
6 刘菊艳;基于数据挖掘技术的短期风速预测[D];西安科技大学;2010年
7 王刚;支持向量回归机在药品销售预测中的分析及应用[D];云南财经大学;2010年
8 陈超;基于支持向量回归的集成价格预测方法研究[D];吉林大学;2011年
9 李鹏超;基于模拟退火算法和支持向量回归的网格资源预测[D];吉林大学;2010年
10 胡国圣;基于遗传算法和支持向量回归的网格资源预测[D];吉林大学;2010年
中国重要报纸全文数据库 前2条
1 平安期货研究部 侯书锋;β值在股指期货投资中的应用[N];证券时报;2007年
2 中国测会学会;测绘学科理论的新进展[N];中国测绘报;2005年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978