支持向量机方法在感潮河段洪峰水位预报中的应用

摘要

感潮河段水位系列在时序上具有相依性、突变性和随机性等复杂非线性特征,由于洪潮相互作用机理复杂,人们对其认识存在局限性,水位预报一直十分复杂和困难。
　　 支持向量机(SVM)是20世纪90年代提出的一种处理非线性分类和非线性回归的新的通用学习方法,近年来倍受瞩目,它是建立在Vapnik等人提出的统计学理论的VC维理论和结构风险最小原理基础上的,旨在改善传统的神经网络方法的理论弱点,能较好地解决样本空间中的高度非线性分类和回归等问题,已成功的应用于分类、函数逼近和时间序列预测等方面.
　　 本文分析了目前感潮河段洪水预报的研究进展以及支持向量机方法的应用现状,探讨了将SVM应用于感潮河段洪水预报的可行性,概括了SVM方法以及LIBSVM模型软件的原理。在分析浦阳江感潮河段洪水成因及影响因素的基础上,构建预报因子和样本数据集,通过初步试验选择径向基函数作为核函数,并采用交叉检验和网格搜索的方法进行模型参数的优选,通过对样本集的训练学习构建湄池站洪峰水位SVM预测模型。

目录

文摘

英文文摘

致谢

1 绪论

1.1 问题的提出

1.2 研究及应用现状

1.2.1 感潮河段水位预报研究现状

1.2.2 支持向量机方法应用和研究现状

1.3 主要研究内容

2 支持向量机原理

2.1 方法的提出

2.2 基本思想

2.3 分类和回归问题的提出

2.4 最优划分线性超平面和支持向量

2.5 线性支持向量机

2.5.1 线性可分离情况

2.5.2 线性不可分的情况

2.5.3 线性多类分类问题

2.6 非线性支持向量机

2.6.1 Mercer核和Mercer定理

2.6.2 特征映射和特征空间

2.6.3 非线性支持向量机

2.7 SVM回归方法

3 SVM模型软件

3.1 简介

3.2 使用步骤

3.3 准备数据样本集

3.4 核函数的选择

3.5 参数优选方法

3.6 训练和预测的用法

3.7 性能指标

4 流域水文特征及洪水成因分析

4.1 流域水文特征

4.1.1 河流特征

4.1.2 降雨特征

4.1.3 径流特征

4.1.4 潮汐特征

4.1.5 洪水特征

4.2 感潮河段洪水成因及影响因素分析

4.2.1 高水位成因统计

4.2.2 洪水影响因素

5 模型应用

5.1 概述

5.2 构建SVM回归模型

5.2.1 建模思路

5.2.2 准备数据样本集

5.2.3 选择核函数

5.2.4 优选参数

5.2.5 训练建模及效果评价

5.3 精度评定

5.3.1 精度评定标准

5.3.2 精度评定

5.3.3 敏感性分析

6 结论和展望

6.1 结论

6.2 展望

参考资料

作者简历