支持向量機在湖泊富營養(yǎng)化評價及水質(zhì)預測中的應用研究.pdf

1、湖泊富營養(yǎng)化問題是當今世界面臨的最主要水污染問題之一，湖泊富營養(yǎng)化評價與水質(zhì)預測是認識和研究湖泊水環(huán)境的一項重要內(nèi)容，其目的是準確反映湖泊水環(huán)境的質(zhì)量和污染狀況，預測未來的發(fā)展趨勢，是湖泊水環(huán)境管理保護和治理的一項重要基礎性工作。目前在進行湖泊水質(zhì)預測與富營養(yǎng)化評價時，存在的主要問題是沒有一個被大家公認通用的具有可比性的水質(zhì)預測與評價的數(shù)學模型，各部門在進行評價時，選用數(shù)學模型的任意性很大。這些方法雖然在實際應用中占據(jù)主導地位，但人們也

2、發(fā)現(xiàn)它們還存在著許多不足之處。 支持向量機是近年來興起的一種新型算法，是復雜非線性科學和人工智能科學的研究前沿，由于其突出的分類與回歸性能，逐漸在許多研究領域展開了廣泛的應用與研究。本文試圖在總結前人的已有的一些工作基礎上深入研究該方法在水環(huán)境質(zhì)量評價特別是湖泊富營養(yǎng)化評價及預測中的應用，同時對支持向量機模型參數(shù)的選取對模型精度的影響做出評價。 研究結果表明，支持向量機理論與算法完全可以應用于湖泊水質(zhì)預測與富營養(yǎng)化評

3、價中，而且模擬結果較已有成熟方法的精度相當甚至更好，其結果合理可行。 本文所研究的主要內(nèi)容有如下幾點: (1)對目前水環(huán)境質(zhì)量評價及預測的研究方法進行系統(tǒng)總結。針對目前評價與預測方法存在的一些缺陷引出了支持向量機算法，簡要回顧了支持向量機算法的發(fā)展歷程和研究現(xiàn)狀并總結了該算法的優(yōu)點所在。 (2)概述了機器學習的目的、機器學習的基本模型、機器學習的三種主要的問題、經(jīng)驗風險最小化原則和復雜性與推廣能力。詳細闡述

4、了統(tǒng)計學習理論的基本思想及主要研究內(nèi)容。 (3)系統(tǒng)的介紹了支持向量機分類算法和回歸機的基本原理，總結了目前支持向量機分類算法和回歸機的標準算法以及各種變形算法，并對各種算法的原理進行了詳細的說明，分析討論了這些算法的優(yōu)缺點，清楚全面的認識支持向量機的研究內(nèi)容。同時探討并建立了支持向量回歸中的預測信任度并總結了支持向量回歸機方法的特點。 (4)以烏梁素海為例，以WEKA軟件為實現(xiàn)平臺，將支持向量機方法引入到湖泊富營養(yǎng)

5、化評價與水質(zhì)預測中來，探討其方法在該領域的適用性。同時與已有的成熟算法進行比較分析，最后總結出支持向量機方法的優(yōu)點所在。 (5)總結了不同參數(shù)變化情況下對模型精度的影響，比較了ε-SVR和v-SVR兩種方法的擬合精度，對烏梁素海2001年5、7、10月和2002年5、7、10月的pH進行預測并與線性回歸(LR)、BP神經(jīng)網(wǎng)絡和RBF網(wǎng)絡做了對比分析，其結果優(yōu)于其它幾種方法。 (6)分析了造成烏梁素海冰封期水體呈富營養(yǎng)

6、化的原因。 本論文的創(chuàng)新之處有以下幾個方面: (1)首次將支持向量機方法引入湖泊富營養(yǎng)化評價的研究領域，拓展了支持向量機的應用范圍，豐富了富營養(yǎng)化評價方法。 (2)首次將基于時間序列的支持向量回歸模型應用于湖泊水質(zhì)預測，且模型預測精度較其它方法有進一步的提高。 (3)評價了烏梁素海冰封期的水體富營養(yǎng)狀況并進行成因分析，這在我國湖泊富營養(yǎng)化的研究中尚屬首次。 (4)許多研究支持向量機的學者