基于支持向量機(jī)的三峽庫(kù)區(qū)水質(zhì)預(yù)測(cè)與評(píng)價(jià)方法研究.pdf

1、隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展，水環(huán)境問題已經(jīng)成為了國(guó)家重點(diǎn)關(guān)注的問題之一。作為全國(guó)的重點(diǎn)水域，三峽庫(kù)區(qū)相關(guān)水域環(huán)境能否保持良好狀態(tài)，具有極其重要的意義。水質(zhì)預(yù)測(cè)與水質(zhì)評(píng)價(jià)作為水環(huán)境信息化治理的基礎(chǔ)工作之一，在水環(huán)境治理工作中起著舉足輕重的作用。
　　本文是以國(guó)家“十一五”水專項(xiàng)子課題《三峽庫(kù)區(qū)水環(huán)境風(fēng)險(xiǎn)評(píng)估與預(yù)警示范平臺(tái)建設(shè)》為研究背景，對(duì)三峽庫(kù)區(qū)水質(zhì)預(yù)測(cè)與評(píng)價(jià)方法進(jìn)行了相關(guān)研究。首先介紹了水質(zhì)預(yù)測(cè)與評(píng)價(jià)方法的研究現(xiàn)狀，然后針對(duì)三峽庫(kù)區(qū)

2、水質(zhì)數(shù)據(jù)特點(diǎn)，提出了基于支持向量機(jī)（Support Vector Machines,SVM）的三峽庫(kù)水質(zhì)預(yù)測(cè)與水質(zhì)評(píng)價(jià)模型。本文的研究成果如下：
　?、偈紫柔槍?duì)SVM建模時(shí)，參數(shù)選擇是其中最關(guān)鍵的環(huán)節(jié)之一。這里采用遺傳算法來(lái)對(duì)SVM模型進(jìn)行參數(shù)優(yōu)化。然而傳統(tǒng)的遺傳算法容易出現(xiàn)早熟、陷入局部收斂等問題，基于自適應(yīng)遺傳算法(Adaptive Genetic Algorithm,AGA)提出變種群數(shù)的AGA對(duì)SVM模型進(jìn)行參數(shù)優(yōu)化。并通

3、過(guò)仿真實(shí)驗(yàn)，將其與網(wǎng)格法、傳統(tǒng)遺傳算法、AGA算法以及變種群數(shù)的AGA算法在SVM中的參數(shù)優(yōu)化效率進(jìn)行了對(duì)比，證明變種群數(shù)的AGA算法在SVM參數(shù)尋優(yōu)中更有效率。
　?、诒疚尼槍?duì)三峽庫(kù)區(qū)水質(zhì)數(shù)據(jù)含有缺失，并具有周期性、波動(dòng)性、隨機(jī)性等特點(diǎn)，提出一種針對(duì)復(fù)雜非線性水質(zhì)數(shù)據(jù)的預(yù)測(cè)模型。該模型采用改進(jìn)的指數(shù)平滑法分別針對(duì)原始數(shù)據(jù)的單點(diǎn)缺失和連續(xù)多點(diǎn)缺失進(jìn)行填補(bǔ)；差分自回歸移動(dòng)平均模型（Autoregressive Integrated

4、Moving Average Model,ARIMA）對(duì)水質(zhì)數(shù)據(jù)線性部分進(jìn)行預(yù)測(cè)；SVM對(duì)水質(zhì)數(shù)據(jù)非線性部分進(jìn)行預(yù)測(cè)，并用變種群數(shù)的AGA算法對(duì)SVM進(jìn)行參數(shù)優(yōu)化，最后將以上預(yù)測(cè)結(jié)果相加，得出最終預(yù)測(cè)結(jié)果。通過(guò)實(shí)驗(yàn)分析，本文提出的預(yù)測(cè)模型具有較好的預(yù)測(cè)效果，相比其它模型預(yù)測(cè)精度更高。
　?、坩槍?duì)三峽庫(kù)區(qū)水質(zhì)情況復(fù)雜、污染源種類繁多、評(píng)價(jià)指標(biāo)相關(guān)性高等特點(diǎn)，提出了基于主成分分析(Principal Component Analysi