支持向量回归机在水质预测中的应用与验证

被引:14
作者
武国正 [1 ]
徐宗学 [1 ]
李畅游 [2 ]
机构
[1] 北京师范大学水科学研究院水沙科学教育部重点实验室
[2] 内蒙古农业大学水利与土木建筑工程学院
关键词
支持向量回归机; 核函数; 参数寻优; 水质预测;
D O I
暂无
中图分类号
X832 [水质监测];
学科分类号
摘要
以干旱区浅水湖泊乌梁素海的多年实测pH值为例,在分析支持向量回归机算法(ε-SVR)核函数选取的基础上进行了回归分析及预测,并与线性回归、BP神经网络、RBF网络等算法进行了比较。研究结果显示:①基于径向基核的支持向量回归机模拟效果优于其他核函数;②ε-SVR模拟结果与线性回归(LR)、BP神经网络和RBF网络等算法模拟结果相比,其拟合精度与预测精度均比其他三种方法要高。计算结果充分证明了支持向量回归机有较强的学习能力和泛化能力且该方法可以应用于水质预测研究。
引用
收藏
页码:25 / 29+33 +33
页数:6
相关论文
共 9 条
[1]  
支持向量回归在预测控制中的应用研究.[D].杨金芳.华北电力大学(河北).2007, 06
[2]   核函数支持向量机 [J].
杨钟瑾 .
计算机工程与应用 , 2008, (33) :1-6+24
[3]   LS-SVM在径流预测中的应用 [J].
李佳 ;
王黎 ;
马光文 ;
邬凯 .
中国农村水利水电, 2008, (05) :8-10+14
[4]   支持向量机在水质评价中的应用 [J].
徐劲力 .
中国农村水利水电, 2007, (03) :7-9
[5]   关于支持向量回归机的模型选择 [J].
苏高利 ;
邓芳萍 .
科技通报, 2006, (02) :154-158
[6]   径流预测的支持向量机应用研究 [J].
卢敏 ;
张展羽 .
中国农村水利水电, 2006, (02) :47-49
[7]   神经网络学习算法存在的问题及对策 [J].
姜万录 ;
刘庆平 ;
刘涛 .
机床与液压, 2003, (05) :29-32
[8]   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
[9]  
数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,