共 11 条
- [10] A comparison of PCA, KPCA and ICA for dimensionality reduction in support vector machine[J] . L.J. Cao,K.S. Chua,W.K. Chong,H.P. Lee,Q.M. Gu.Neurocomputing . 2003 (1)
KPCASVM水文时间序列预测模型的建立与应用
被引：4
作者：
邵年华
[1
]
沈冰
[1
]
黄领梅
[1
]
戴玉萍
[2
]
机构：
[1] 西安理工大学西北水资源与环境生态教育部重点实验室
[2] 新疆和田河管理局
关键词：
水文时间序列;
蒸发量;
核主成分分析;
支持向量机;
KPCASVM模型;
D O I：
10.13207/j.cnki.jnwafu.2009.09.007
中图分类号：
P334.92 [];
学科分类号：
摘要：
【目的】建立水文时间序列预测的核主成分支持向量机（KPCASVM）模型。【方法】利用核主成分分析（KPCA）对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机（LSSVM）的输入变量,建立KPCASVM预测模型。以甘肃民勤地区的月蒸发量为例,对模型的预测效果进行检验。【结果】预测结果表明,KPCASVM模型预测效果优于PCASVM模型和LSSVM模型,预测平均相对误差为8.36%。【结论】KP-CASVM模型的预测效果优于没有特征提取的LSSVM模型。与主成分分析（PCA）提取特征相比,KPCA特征提取效果更好。
引用
收藏
页码：204 / 208
页数：5
相关论文