基于机器学习理论的水质预测技术研究

摘要

水质预测是水资源管理和污染控制的基础性工作，准确预测水体中污染物浓度随时间发展变化的趋势至关重要。目前国内外有多种水质预测方法，但这些方法仍存在一些缺点。本文讨论了四种水质预测模型，分别为支持向量回归水质预测模型、关联向量机水质预测模型、极限学习机水质预测模型以及深度信念网络水质预测模型。
　　本文在建立支持向量回归水质预测模型时，采用了生物地理学优化算法确定支持向量机的控制变量，并以该水质预测模型对PH值、溶解氧、高锰酸盐指数和氨氮四种重要水质指标进行预测。采用国家环保部发布的四川攀枝花龙洞水质监测时间序列数据进行实验，并与支持向量机的传统控制变量寻优方法进行比较，结果表明改进生物地理学寻优方法建立的水质预测模型效果较好。
　　支持向量机水质预测模型中存在一些问题，如核函数必须满足Mercer条件，支持向量的个数会随着训练样本的增加呈线性增加，且只给出确定性的预测结果，没有概率输出，无法估计预测的不确定性。在此基础上本文提出了一种基于关联向量机回归的水质时间序列预测模型，并对该模型的有效性进行了验证;然后将关联向量机回归预测模型与支持向量机回归预测模型进行比较。为了比较不同核函数的预测效果，实验中预测模型的核函数分别采用了线性函数和高斯函数，并且在应用关联向量机回归预测模型时给出了置信度95％的置信区间。实验结果表明，关联向量机回归模型的预测效果不亚于支持向量机回归模型;且在给出预测值时，还能同时给出预测结果的可信程度。
　　人工神经网络算法易出现过学习或欠学习、局部极小、网络结构难以确定、推广能力差等问题。针对水质指标在线监测的特点，提出了一种基于在线贯序极限学习机算法的水质时间序列预测模型，并以该模型对支持向量回归模型采用过的数据进行实验，对该模型的有效性进行了验证。然后将在线贯序极限学习机预测模型与人工神经网络预测模型进行比较。实验结果表明，在线贯序极限学习机预测模型的预测效果整体上优于人工神经网络，且预测精度高，训练时间短。
　　此外本文还对基于深度信念网络的水质预测模型进行了初步探讨。

目录

摘要

1 绪论

1．1 课题研究背景及意义

1．1．1 课题研究背景

1．1．2 研究意义

1．2 国内外发展现状

1．2．1 水质预测研究现状

1．2．2 本文采用的算法可行性分析

1．3 本文的主要工作和结构安排

1．4 本章小结

2 基于BBO控制变量寻优的SVM水质预测

2．1 基于BBO控制变量寻优的水质预测原理

2．1．1 生物地理学优化算法

2．1．2 生物地理学算法的基本原理

2．2 生物地理学的基本操作

2．2．1 生物地理学算法的基本操作

2．2．2 生物地理学优化算法流程

2．3 基于BBO控制变量寻优的SVR水质预测

2．3．1 数据来源

2．3．2 SVR核函数选择以及实验参数设置

2．3．3 实验

2．4 基于BBO-DE控制变量寻优的SVR水质预测

2．4．1 BBO-DE算法

2．4．2 SVR核函数选择以及实验参数设置

2．5 基于BBO控制变量寻优的水质预测GUI界面

2．6 本章小结

3 基于关联向量机回归的水质预测

3．1 关联向量机水质参数预测模型

3．1．1 关联向量机回归原理

3．1．2 关联向量机预测置信区间计算

3．2 基于关联向量机的水质参数预测

3．2．1 关联向量机核函数选择及控制变量设置

3．2．2 关联向量机水质预测方法

3．3 实验

3．3．1 基于关联向量机的水质预测结果

3．3．2 关联向量机与支持向量机预测结果比较

3．4 基于关联向量机回归的水质预测GUI界面

3．5 本章小结

4 基于在线贯序极限学习机水质预测

4．1 在线贯序ELM算法原理

4．1．1 在线贯序ELM算法原理

4．1．2 在线贯序ELM水质参数预测步骤

4．2 在线贯序ELM水质预测

4．2．1 实验参数设置

4．2．2 在线贯序ELM水质预测结果

4．2．3 在线序列ELM预测模型与人工神经网络预测模型的比较

4．3 基于在线贯序极限学习机的水质预测GUI界面

4．4 本章小结

5 基于深度信念网络的水质预测

5．1 深度学习

5．2 深度信念网络

5．2．1 受限玻尔兹曼机

5．2．2 深度信念网络的学习

5．3 实验

5．3．1 实验参数设置

5．3．2 实验结果

5．3．3 基于SVM、RVM、OS-ELM以及DBN四种水质预测模型的比较

5．4 结论

6 总结与展望

6．1 论文工作总结

6．2 研究展望

参考文献

攻读硕士学位期间取得的研究成果

致谢

声明