基于機器學習理論的水質(zhì)預測技術研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論