基于機器學習理論的水質(zhì)預測技術研究.pdf

1、水質(zhì)預測是水資源管理和污染控制的基礎性工作，準確預測水體中污染物濃度隨時間發(fā)展變化的趨勢至關重要。目前國內(nèi)外有多種水質(zhì)預測方法，但這些方法仍存在一些缺點。本文討論了四種水質(zhì)預測模型，分別為支持向量回歸水質(zhì)預測模型、關聯(lián)向量機水質(zhì)預測模型、極限學習機水質(zhì)預測模型以及深度信念網(wǎng)絡水質(zhì)預測模型。
　　本文在建立支持向量回歸水質(zhì)預測模型時，采用了生物地理學優(yōu)化算法確定支持向量機的控制變量，并以該水質(zhì)預測模型對PH值、溶解氧、高錳酸鹽指數(shù)和

2、氨氮四種重要水質(zhì)指標進行預測。采用國家環(huán)保部發(fā)布的四川攀枝花龍洞水質(zhì)監(jiān)測時間序列數(shù)據(jù)進行實驗，并與支持向量機的傳統(tǒng)控制變量尋優(yōu)方法進行比較，結果表明改進生物地理學尋優(yōu)方法建立的水質(zhì)預測模型效果較好。
　　支持向量機水質(zhì)預測模型中存在一些問題，如核函數(shù)必須滿足Mercer條件，支持向量的個數(shù)會隨著訓練樣本的增加呈線性增加，且只給出確定性的預測結果，沒有概率輸出，無法估計預測的不確定性。在此基礎上本文提出了一種基于關聯(lián)向量機回歸的水質(zhì)

3、時間序列預測模型，并對該模型的有效性進行了驗證;然后將關聯(lián)向量機回歸預測模型與支持向量機回歸預測模型進行比較。為了比較不同核函數(shù)的預測效果，實驗中預測模型的核函數(shù)分別采用了線性函數(shù)和高斯函數(shù)，并且在應用關聯(lián)向量機回歸預測模型時給出了置信度95％的置信區(qū)間。實驗結果表明，關聯(lián)向量機回歸模型的預測效果不亞于支持向量機回歸模型;且在給出預測值時，還能同時給出預測結果的可信程度。
　　人工神經(jīng)網(wǎng)絡算法易出現(xiàn)過學習或欠學習、局部極小、網(wǎng)絡結