基于灰色理论及支持向量机的水质预测

摘要

针对DbN小波变换分解后的子序列具有不同的特性,仅采用支持向量机建立所有子序列的预测模型,会导致大量输入的训练数据影响模型预测精度的问题,本文提出使用灰色理论(最少4个数据就能建立模型)和支持向量机分别对小波变换分解后的平稳尺度子序列和不断变化的细节子序列建立预测模型.将该预测模型应用于乌梁素海PH值时间序列预测,通过与传统的支持向量机模型和BP神经网络模型比较,结果表明:本文新的水质预测模型在个别监测点的预测效果存在不足,但是总体预测效果明显优于传统的预测模型,平均相对误差由0.88,降低到0.51.