基于粒子群算法优化支持向量机的延河流域水沙模拟

被引：10

作者：

李天宏 ^{[1
,2
]}

曾现进 ^{[1
,2
]}

机构：

[1] 北京大学环境科学与环境工程学院水沙科学教育部重点实验室

[2] 北京大学深圳研究生院环境与能源学院城市人居环境科学与技术重点实验室

来源：

应用基础与工程科学学报 | 2015年 / 23(S1)卷 / S1期

关键词：

延河; 径流; 输沙; 支持向量机; 粒子群算法; 模拟;

D O I：

10.16058/j.issn.1005-0930.2015.s1.009

中图分类号：

TV149 [泥沙测验和试验研究]; TP18 [人工智能理论];

学科分类号：

081502 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

对标准粒子群算法进行了简化,并基于简化的算法给出了混沌粒子群算法的优化支持向量机算法.基于延河流域甘谷驿水文站1954—1992年的实测年径流和输沙数据、1992—1995实测月径流和输沙数据,利用该算法和常用的几种粒子群支持向量机算法、误差后向传播神经网络算法预测了1993—1997年期间的年径流量和输沙量、1996年的月径流和输沙量.几种算法的预测结果和实测数据进行了比较,通过相对误差、平均相对误差、均方根误差、一致性指标和有效系数等参数,比较了不同算法的预测效果.结果表明,支持向量机算法模拟效果优于神经网络算法,本文提出的基于改进粒子群算法的支持向量机算法的预测效果更好,可用于流域的径流和输沙量的模拟和预报.

引用

页码：79 / 87

页数：9

共 9 条

[1] 3种不同数据源NDVI的比较分析及其在延河流域的应用研究 [J].

韩鹏 ;

姚娟 ;

李天宏 .

应用基础与工程科学学报, 2014, 22 (04) :661-674

[2] 一种更简化而高效的粒子群优化算法 [J].

胡旺 ;

李志蜀 .

软件学报, 2007, (04) :861-868

[3] 支持向量机在径流预报中的应用探讨 [J].

卢敏 ;

张展羽 ;

冯宝平 .

人民长江, 2005, (08) :38-39+47

[4] 关于统计学习理论与支持向量机 [J].

张学工 .

自动化学报, 2000, (01) :36-46

[5] 长期径流预报的灰色关联决策模型 [J].

李正最 .

水电能源科学, 1991, (04) :308-314

[6]

工程水文学[M]. 水利电力出版社 , 王燕生主编, 1992

[7] Monthly streamflow forecasting based on improved support vector machine model [J].

Guo, Jun ;

Zhou, Jianzhong ;

Qin, Hui ;

Zou, Qiang ;

Li, Qingqing .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (10) :13073-13081

[8]

Artificial neural network for tsunami forecasting [J] . Michele Romano,Shie-Yui Liong,Minh Tue Vu,Pavlo Zemskyy,Chi Dung Doan,My Ha Dao,Pavel Tkalich.&nbsp&nbspJournal of Asian Earth Sciences . 2008 (1)

[9]

Generalization performance of support vector machines and neural networks in runoff modeling [J] . Mohsen Behzad,Keyvan Asghari,Morteza Eazi,Maziar Palhang.&nbsp&nbspExpert Systems With Applications . 2008 (4)

← 1 →