学位论文 > 优秀研究生学位论文题录展示

支持向量机在湖泊富营养化评价及水质预测中的应用研究

作　者: 武国正
导　师: 李畅游
学　校: 内蒙古农业大学
专　业: 农业水土工程
关键词: 支持向量机统计学习理论富营养化评价水质预测乌梁素海
分类号: X524
类　型: 博士论文
年　份: 2008年
下　载: 727次
引　用: 6次
阅　读: 论文下载

内容摘要

湖泊富营养化问题是当今世界面临的最主要水污染问题之一,湖泊富营养化评价与水质预测是认识和研究湖泊水环境的一项重要内容,其目的是准确反映湖泊水环境的质量和污染状况,预测未来的发展趋势,是湖泊水环境管理保护和治理的一项重要基础性工作。目前在进行湖泊水质预测与富营养化评价时,存在的主要问题是没有一个被大家公认通用的具有可比性的水质预测与评价的数学模型,各部门在进行评价时,选用数学模型的任意性很大。这些方法虽然在实际应用中占据主导地位,但人们也发现它们还存在着许多不足之处。支持向量机是近年来兴起的一种新型算法,是复杂非线性科学和人工智能科学的研究前沿,由于其突出的分类与回归性能,逐渐在许多研究领域展开了广泛的应用与研究。本文试图在总结前人的已有的一些工作基础上深入研究该方法在水环境质量评价特别是湖泊富营养化评价及预测中的应用,同时对支持向量机模型参数的选取对模型精度的影响做出评价。研究结果表明,支持向量机理论与算法完全可以应用于湖泊水质预测与富营养化评价中,而且模拟结果较已有成熟方法的精度相当甚至更好,其结果合理可行。本文所研究的主要内容有如下几点:(1)对目前水环境质量评价及预测的研究方法进行系统总结。针对目前评价与预测方法存在的一些缺陷引出了支持向量机算法,简要回顾了支持向量机算法的发展历程和研究现状并总结了该算法的优点所在。(2)概述了机器学习的目的、机器学习的基本模型、机器学习的三种主要的问题、经验风险最小化原则和复杂性与推广能力。详细阐述了统计学习理论的基本思想及主要研究内容。(3)系统的介绍了支持向量机分类算法和回归机的基本原理,总结了目前支持向量机分类算法和回归机的标准算法以及各种变形算法,并对各种算法的原理进行了详细的说明,分析讨论了这些算法的优缺点,清楚全面的认识支持向量机的研究内容。同时探讨并建立了支持向量回归中的预测信任度并总结了支持向量回归机方法的特点。(4)以乌梁素海为例,以WEKA软件为实现平台,将支持向量机方法引入到湖泊富营养化评价与水质预测中来,探讨其方法在该领域的适用性。同时与已有的成熟算法进行比较分析,最后总结出支持向量机方法的优点所在。(5)总结了不同参数变化情况下对模型精度的影响,比较了ε-SVR和v-SVR两种方法的拟合精度,对乌梁素海2001年5、7、10月和2002年5、7、10月的pH进行预测并与线性回归(LR)、BP神经网络和RBF网络做了对比分析,其结果优于其它几种方法。(6)分析了造成乌梁素海冰封期水体呈富营养化的原因。本论文的创新之处有以下几个方面:(1)首次将支持向量机方法引入湖泊富营养化评价的研究领域,拓展了支持向量机的应用范围,丰富了富营养化评价方法。(2)首次将基于时间序列的支持向量回归模型应用于湖泊水质预测,且模型预测精度较其它方法有进一步的提高。(3)评价了乌梁素海冰封期的水体富营养状况并进行成因分析,这在我国湖泊富营养化的研究中尚属首次。(4)许多研究支持向量机的学者关心的是如何去寻找模型的最优参数,但却忽略了参数本身的变化对模型精度的影响,本文分析了模型精度随参数的变化而变化的趋势,为以后模型参数的选优提供一些借鉴。

全文目录

摘要  3-5
ABSTRACT  5-11
1 引言  11-27
  1.1 研究背景及意义  11-13
  1.2 国内外研究进展  13-23
    1.2.1 水质评价研究现状  13-16
    1.2.2 水质预测研究现状  16-23
  1.3 支持向量机在水质评价与预测中的应用研究  23-24
  1.4 本文研究的主要内容  24-27
2 支持向量机概述  27-47
  2.1 机器学习与统计学习理论  27-35
    2.1.1 统计学习理论中涉及的一些基本概念  27
    2.1.2 机器学习  27-30
    2.1.3 统计学习理论的基本思想  30-35
  2.2 支持向量机概述  35-46
    2.2.1 相关数学基础  35-36
    2.2.2 最优超平面  36-37
    2.2.3 线性可分情况  37-41
    2.2.4 非线性可分情况  41-43
    2.2.5 不同点积形式的核函数  43-44
    2.2.6 支持向量回归机（SVR）基本理论  44-46
  2.3 本章小结  46-47
3 支持向量机分类算法研究  47-67
  3.1 两类分类支持向量机  47-56
    3.1.1 C-SVM 系列算法  47-49
    3.1.2 v-SVM 系列算法  49-50
    3.1.3 LS-SVM 算法  50-51
    3.1.4 W-SVM 算法  51-54
    3.1.5 LP-SVM 算法  54
    3.1.6 超球面二值分类算法  54-55
    3.1.7 其它改进的SVM 算法  55-56
  3.2 单值分类支持向量机（ONE-CLASS SVM）  56-57
  3.3 支持向量机多值分类方法研究  57-63
    3.3.1 “一对多”方法（one-against-rest）  57-58
    3.3.2 “一对一”方法（One-against-one）  58-60
    3.3.3 DDAG 多值分类方法  60-61
    3.3.4 纠错输出编码法  61
    3.3.5 二叉树的SVM 多值分类方法  61-63
  3.4 各种支持向量机算法的比较  63-65
  3.5 本章小结  65-67
4 支持向量回归机算法研究  67-86
  4.1 支持向量回归机的基本原理  67-75
    4.1.1 回归分析的问题表述  67-68
    4.1.2 ε-不敏感损失函数  68-70
    4.1.3 线性ε-支持向量回归机  70-74
    4.1.4 非线性ε-支持向量回归机  74-75
  4.2 支持向量回归机推广模型介绍  75-83
    4.2.1 单参数约束下的支持向量回归机  75-78
    4.2.2 W-支持向量回归机  78-79
    4.2.3 v-支持向量回归机  79-81
    4.2.4 LS-支持向量回归机  81-82
    4.2.5 基于线性规划的支持向量回归机  82-83
    4.2.6 其它的支持向量回归算法  83
  4.3 支持向量回归算法中的预测信任度  83-84
  4.4 SVM 回归方法的特点  84-85
  4.5 本章小结  85-86
5 SVM 在湖泊富营养化评价中的应用  86-108
  5.1 水体富营养化概述  86-88
  5.2 研究区概况与实验方法  88-93
    5.2.1 研究区概况  88-91
    5.2.2 实验方法  91-93
  5.3 基于SVM 的湖泊富营养化评价方法研究  93-100
    5.3.1 模型的构建  93-95
    5.3.2 模型验证  95-100
  5.4 乌梁素海富营养化状况评价  100-106
  5.5 本章小结  106-108
6 基于SVR 模型的水质模拟与预测  108-122
  6.1 预测方法  108-109
  6.2 基于支持向量回归机的水质模拟与预测  109-122
    6.2.1 建模步骤  109
    6.2.2 参数的选取  109
    6.2.3 数据预处理  109-111
    6.2.4 SVR 水质模拟预测模型  111
    6.2.5 预测模型的参数选择与训练  111-118
    6.2.6 预测结果分析  118-122
7 结论与展望  122-125
  7.1 结论  122-123
  7.2 存在的问题及展望  123-125
致谢  125-126
参考文献  126-139
作者简介  139

支持向量机在湖泊富营养化评价及水质预测中的应用研究

内容摘要

全文目录

相似论文