分類建模方法在光譜水質(zhì)分析中的應(yīng)用研究.pdf

1、模型定量回歸技術(shù)依賴于測量數(shù)據(jù)的特性，若測量的數(shù)據(jù)滿足所用算法的假設(shè)或者分布等條件，則預(yù)測模型應(yīng)用效果好，否則不理想。在水質(zhì)有機物綜合指標光譜法定量回歸分析中，由于自然水樣的復(fù)雜多變性，導(dǎo)致全樣本單模型建?；貧w的精度無法保證。而根據(jù)相似的水樣預(yù)測精度較高的規(guī)律，采用分類方法之一的聚類技術(shù)根據(jù)水樣之間相似度分類，再進行多模型建模的方法，是解決上述問題并提高水質(zhì)模型回歸精度和泛化性的重要的方法之一。水質(zhì)光譜定量分析技術(shù)相比較于傳統(tǒng)基于濕化學

2、原理的檢測方法，是一種具有快速有效、靈敏度高、無二次污染、操作簡單等優(yōu)點的綠色檢測技術(shù)。本文對水質(zhì)有機物綜合指標進行分類模型建模研究，建立了基于聚類算法的分類預(yù)測模型。其中，運用聚類、聚類集成，回歸預(yù)測方法，對樣本數(shù)據(jù)根據(jù)分類信息建立多組模型，其實驗結(jié)果表明此方法相比于全數(shù)據(jù)單模型方法更能有效地利用樣本信息，提供更高精度的回歸模型，為水質(zhì)分析提供更加可靠的檢測方法。本文具體研究主要內(nèi)容包括:
　　 1)首先，本文介紹了水質(zhì)有機物

3、綜合指標光譜法快速檢測技術(shù)的基本原理，并針對現(xiàn)實檢測的100個水樣，利用全樣本單模型建立了水質(zhì)總有機碳(TOC)指標的最小二乘支持向量機(LSSVM)預(yù)測模型，并通過均方誤差，均方誤差百分比，相關(guān)系數(shù)等指標評估模型性能。
　　 2)接著，本文創(chuàng)新性提出并建立了基于聚類算法的分類模型—-AP-LSSVM模型，并仿真研究了該模型在光譜法水質(zhì)分析中的應(yīng)用效果。用該方法與全樣本單模型的模型預(yù)測效果進行比較，結(jié)果表明該模型在預(yù)測精度方面有

4、顯著提高。但模型中AP聚類算法產(chǎn)生的聚類輸出的類別較多，致使某些訓練樣本數(shù)目少，降低了這些模型的精度。為了進一步提高分類模型的精度和模型的泛化性，更有效地綜合利用分類信息，在AP-LSSVM模型基礎(chǔ)上，本文進一步提出了一種基于聚類集成（Cluster Ensemble，部分文獻也譯為聚類融合）的分類模型回歸算法。算法首先對建模樣本進行聚類，然后應(yīng)用聚類集成得到各個子模型的訓練樣本并通過最小二乘支持向量機建立各個回歸子模型，最后對子模型進

5、行選擇、組合得到最終的預(yù)測結(jié)果。聚類類集成過程中過量聚類成員匹配步驟利用蟻群算法進行匹配:將聚類算法產(chǎn)生的過量聚類成員看做是一個地點，兩端加上起點和終點，模仿蟻群算法解決TSP問題中的尋找最優(yōu)路徑的方式，利用蟻群算法找到若干個代表著相似度最大的最優(yōu)路徑，即表示可以將這個路徑上的點代表的子類合并成一個大類。仿真結(jié)果表明:采用蟻群算法聚類集成后建立的分類模型可以有效地利用訓練樣本信息，從而提高了模型的預(yù)測精度和泛化性能。
　　 3)