支持向量机在地表水质评价与预测中的应用研究

摘要

水质预测与综合评价是认识和研究水环境的一项重要内容，其目的是准确反映水环境的质量和污染状况，预测未来的发展趋势，是水环境管理、保护和治理的一项重要基础性工作。
　　 本文针对水环境系统的复杂性、非线性、小样本等特征，以地表水质量预测与评价为研究目标，详细研究了支持向量机的理论与方法，并将支持向量机算法应用于地表水质指标值预测及其综合评价的实际问题研究中。这不仅丰富了水环境质量预测与评价的理论与方法，而且对水资源的合理规划和可持续地开发利用提供了科学的决策依据和技术支持，具有实际应用价值。
　　 本文的主要工作是：
　　 (1)对SVM算法理论的发展历史、研究现状及未来的发展方向，特别是对目前主要研究内容及其应用作研究性综述。通过理论分析探讨了其中几种SVM多值分类算法的优缺点。
　　 (2)剖析了水环境的水质预测和评价方法的国内外研究现状，将支持向量机回归理论应用到地表水水质指标值的预测中。实验结果表明，基于支持向量机回归理论的方法比BP神经网络更加准确。
　　 (3)以长江流域为例，应用基于二叉树的支持向量机多值分类算法实现对地表水质的综合评价。通过建立支持向量机水质分类模型，进行实验仿真，并与实际的水质分类结果进行了比较，得出该方法具有优秀的分类能力。

目录

声明

摘要

1 综述

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 水质预测研究现状

1.2.2 水质综合评价研究现状

1.2.3 支持向量机研究现状

1.3 本文研究的主要内容及结构安排

1.4 本章小结

2 统计学习理论与支持向量机

2.1 机器学习的基本方法

2.1.1 学习问题的一般表示

2.1.2 经验风险最小化原则及其缺陷

2.2 统计学习理论的基本思想

2.2.1 VC维

2.2.2 泛化误差的边界

2.2.3 结构风险最小化原理

2.3 支持向量机

2.3.1 线性支持向量机

2.3.2 非线性支持向量机

2.4 本章小结

3 地表水质指标值预测的支持向量回归机方法

3.1 污染分析

3.1.1 单因子水质标识指数的组成

3.1.2 水质好于V类水上限值时,Xl和X2的确定

3.1.3 水质劣于或等于V类水上限值时,X1.X2的确定

3.1.4 X3的确定

3.1.5 黄河各断面污染物空间分布

3.2 支持向量回归机

3.2.1 线性支持向量回归机

3.2.2 非线性支持向量回归机

3.2.3 支持向量机核函数及其参数性能

3.3 基于支持向量回归机的地表水质指标值预测

3.3.1 研究资料

3.3.2 支持向量机水质指标值预测模型及实验

3.3.3 支持向量机与神经网络模型水质指标值预测结果比较

3.4 本章小结

4 基于支持向量机多值分类算法的地表水质综合评价研究

4.1 基于两值分类的SVM多值分类算法

4.1.1 “一对多"方法

4.1.2 “一对一”方法

4.1.3 DDAG多值分类方法

4.2 基于二叉树的支持向量机多值分类算法

4.2.1 训练样本的选择方案

4.2.2 算法实现

4.2.3 决策方案

4.3 基于二叉树的SVM多值分类算法的地表水质综合评价

4.3.1 水质评价标准

4.3.2 样本训练

4.3.3 模型测试及评价结果比较

4.4 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附录

Ⅰ本人在攻读硕士学位期间完成的论文