最小二乘支持向量回歸及其在水質(zhì)預(yù)測中的應(yīng)用研究.pdf

1、在水環(huán)境治理及規(guī)劃研究中，河流水質(zhì)預(yù)測問題是一個被廣泛研究的重要問題。由于水流動的多樣性及不確定性點源污染原因，導(dǎo)致河網(wǎng)水系流態(tài)十分復(fù)雜。再加上水環(huán)境系統(tǒng)的結(jié)構(gòu)參數(shù)和邊界條件具有時變性和復(fù)雜性，而我們通常所獲取的水環(huán)境系統(tǒng)信息是不完備，使得水質(zhì)預(yù)測成為一個難題。統(tǒng)計學習方法可以根據(jù)現(xiàn)有的實測資料，建立影響河流水質(zhì)因子和水質(zhì)之間一種映射關(guān)系，從而達到預(yù)測河流水質(zhì)的目的。
　　 支持向量機作為統(tǒng)計學習理論的新一代機器學習方法，能較好

2、地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題，已成功應(yīng)用于分類、回歸和時間序列預(yù)測等領(lǐng)域。Suykens在支持向量機基礎(chǔ)上提出的最小二乘支持向量機，不但在多個問題上表現(xiàn)出較高的建模精度和良好的泛化能力，還有效降低了算法的計算復(fù)雜度。然而，對最小二乘支持向量機算法及其在水質(zhì)預(yù)測的應(yīng)用，尚存在一些研究不足的方面。例如:回歸預(yù)測模型輸入的合理選擇問題、峰值樣本預(yù)測誤差相對偏大問題等。
　　 本文結(jié)合河流水質(zhì)預(yù)測應(yīng)用，研究了最小二

3、乘支持向量回歸算法的一些相關(guān)問題。論文主要研究內(nèi)容及取得的成果有:
　　 1)研究了回歸預(yù)測模型輸入的合理選擇問題。根據(jù)信息論中的熵信息理論，提出了基于偏互信息的回歸模型輸入選擇算法。該算法在給定輸入變量條件下，通過估計備選輸入與模型輸出之間關(guān)聯(lián)程度，來判定備選輸入的取舍。多個線性和非線性測試用例輸入選擇結(jié)果表明，該輸入選擇算法，能正確識別預(yù)測模型輸入變量，克服輸入變量選擇的冗余性問題。同時，輸入被選定的順序反映了該輸入對預(yù)測模

4、型輸出的重要性程度。實際問題的應(yīng)用結(jié)果表明，該算法選定的輸入變量能反映系統(tǒng)的變化規(guī)律。
　　 2)提出了一種峰值預(yù)測的最小二乘支持向量回歸算法，該算法可以用來提高峰值區(qū)域水質(zhì)的擬合預(yù)測精度。在分析了學習樣本分布對最小二乘支持向量回歸算法擬合誤差的影響基礎(chǔ)上，按照加權(quán)最小二乘思想，利用樣本分布密度因子和樣本幅值加權(quán)因子修正最小二乘支持向量回歸擬合誤差，提高了最小二乘支持向量回歸對峰值過程的擬合精度，降低了峰值區(qū)域樣本的預(yù)測誤差。文

5、中采用了多個測試實例對算法性能進行了檢驗，最后將算法應(yīng)用到了水質(zhì)預(yù)測問題。應(yīng)用結(jié)果表明峰值預(yù)測的最小二乘支持向量回歸算法在保持水質(zhì)整體預(yù)測精度的同時，能顯著提高峰值樣本預(yù)測精度，其峰值樣本預(yù)測的平均百分比誤差絕對值較LS-SVR算法下降27％以上。
　　 3)研究了大樣本最小二乘支持向量回歸算法的效率問題，提出了一種快速大樣本最小二乘支持向量回歸算法，并應(yīng)用于咸潮水質(zhì)預(yù)測。該算法采用無監(jiān)督核硬聚類方法，首先將學習樣本集按推廣的歐

6、氏距離相似性測度標準，在高維特征空間進行聚硬類。然后選定類中心樣本作為支持向量進入支持向量集，再利用Nystr(o)m算法在低尺度支持向量集樣本空間逼近初始樣本學習機的核Gram矩陣，從而得到原問題的一個近似解。函數(shù)擬合測試及咸潮水質(zhì)氯化物含量預(yù)測實際應(yīng)用結(jié)果表明:該算法能夠在擬合預(yù)測誤差沒有明顯下降的情況下，將LS-SVR處理大樣本學習問題的計算效率提高50倍以上。
　　 4)針對最小二乘支持向量回歸算法的單核映射性能及靈活性