基于APSO-WLSSVR的水质预测模型

被引：9

作者：

徐龙琴 ^{[1
]}

刘双印 ^{[1
,2
,3
,4
]}

机构：

[1] 广东海洋大学信息学院

[2] 中国农业大学中欧农业信息技术研究中心

[3] 中国农业大学北京市农业物联网工程技术研究中心

[4] 中国农业大学先进农业传感技术北京市工程研究中心

来源：

山东大学学报(工学版) | 2012年 / 42卷 / 05期

基金：

广东省科技计划;

关键词：

加权最小二乘支持向量回归机; 自适应粒子群优化算法; 水质预测; 参数优化; 集约化水产养殖;

D O I：

暂无

中图分类号：

X832 [水质监测]; TP18 [人工智能理论];

学科分类号：

0804 ; 082803 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression,LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptiveparticle swarm optimization weighted least squares support vector regression,APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squaressupport vector regression,WLSSVR),实现对样本数据"重近轻远"的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。

引用

页码：80 / 86

页数：7

共 26 条

[1]

Confidence bands for least squares support vector ma-chine classifiers:a regression approach. K de Brabanter,KARSMAKERS P,J de Brabanter,etal. Pattern Rec-ognition . 2012

[2] 基于灰色理论的湖库水体富营养化预测方法研究 [J].