隨著人口的急劇增長(zhǎng)和經(jīng)濟(jì)社會(huì)的飛速發(fā)展，水環(huán)境在逐步惡化，水環(huán)境面臨著巨大的保護(hù)壓力，水質(zhì)的污染問(wèn)題與水環(huán)境安全問(wèn)題已經(jīng)成為已經(jīng)成為全世界共同關(guān)注的焦點(diǎn)。對(duì)水體質(zhì)量進(jìn)行合理的評(píng)價(jià)和對(duì)水質(zhì)因子進(jìn)行客觀有效的預(yù)測(cè)，是實(shí)現(xiàn)水環(huán)境管理和控制的基礎(chǔ)性工作，具有重要的現(xiàn)實(shí)意義。 本文以十二五國(guó)家科技支撐計(jì)劃項(xiàng)目“安全保障型城市的評(píng)價(jià)指標(biāo)體系與評(píng)價(jià)系統(tǒng)研發(fā)”為研究背景，對(duì)水質(zhì)的綜合預(yù)測(cè)和評(píng)價(jià)進(jìn)行了相關(guān)的研究。首先介紹了水質(zhì)評(píng)價(jià)與預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀，然后針對(duì)水質(zhì)因子間具有的多重相關(guān)性的特點(diǎn)，提出了基于偏最小二乘法（Partial Least Squares，PLS）和支持向量機(jī)(Support Vector Machine，SVM)相結(jié)合的水質(zhì)預(yù)測(cè)與評(píng)價(jià)模型。本文的研究成果如下： 首先，核函數(shù)和參數(shù)影響著支持向量機(jī)的形式，針對(duì)參數(shù)的選擇問(wèn)題，利用粒子群算法（Particle Swarm Optimization，PSO）進(jìn)行參數(shù)的尋優(yōu)，針對(duì)粒子群算法在搜索過(guò)程中容易陷入局部最優(yōu)的問(wèn)題，引入了歷史信息，使粒子在搜索過(guò)程中能夠按照最佳方向前進(jìn)，同時(shí)引入了變異因子，增強(qiáng)其隨機(jī)變異能力避免陷入局部最優(yōu)。通過(guò)...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究目的與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 水質(zhì)預(yù)測(cè)的研究現(xiàn)狀
        1.2.2 水質(zhì)評(píng)價(jià)的研究現(xiàn)狀
    1.3 PLS 與 SVM 在水質(zhì)評(píng)價(jià)與預(yù)測(cè)中的應(yīng)用
        1.3.1 PLS 在水質(zhì)評(píng)價(jià)與預(yù)測(cè)中的應(yīng)用
        1.3.2 SVM 在水質(zhì)評(píng)價(jià)與預(yù)測(cè)中的應(yīng)用
    1.4 本文的結(jié)構(gòu)安排
2 偏最小二乘法與支持向量機(jī)
    2.1 統(tǒng)計(jì)分析理論
        2.1.1 多元線(xiàn)性回歸模型
        2.1.2 最小二乘多元回歸
        2.1.3 多重相關(guān)性分析
        2.1.4 主成分分析
        2.1.5 典型相關(guān)分析
    2.2 偏最小二乘法概述
        2.2.1 偏最小二乘法
        2.2.2 交叉有效性驗(yàn)證
    2.3 統(tǒng)計(jì)學(xué)習(xí)理論
        2.3.1 機(jī)器學(xué)習(xí)
        2.3.2 統(tǒng)計(jì)學(xué)習(xí)理論
    2.4 支持向量機(jī)概述
        2.4.1 核函數(shù)
        2.4.2 支持向量機(jī)分類(lèi)機(jī)
        2.4.3 支持向量回歸機(jī)
    2.5 本章小結(jié)
3 改進(jìn)的粒子群算法及其應(yīng)用
    3.1 支持向量機(jī)的參數(shù)優(yōu)化
        3.1.1 網(wǎng)格搜索法
        3.1.2 遺傳算法
    3.2 粒子群算法
    3.3 改進(jìn)的 PSO 及其性能研究
    3.4 改進(jìn)的粒子群算法在 SVM 參數(shù)優(yōu)化中的應(yīng)用
    3.5 本章小結(jié)
4 基于綜合歷史信息與 PLS-SVM 的水質(zhì)預(yù)測(cè)研究
    4.1 水質(zhì)因子間相關(guān)性分析
        4.1.1 主要水質(zhì)指標(biāo)及其含義
        4.1.2 水質(zhì)數(shù)據(jù)的相關(guān)性分析
    4.2 基于綜合歷史信息與 PLS-SVM 的水質(zhì)預(yù)測(cè)模型
    4.3 PLS-SVM 水質(zhì)預(yù)測(cè)模型與算法流程
    4.4 實(shí)驗(yàn)仿真與數(shù)據(jù)分析
        4.4.1 實(shí)驗(yàn)仿真
        4.4.2 數(shù)據(jù)分析
    4.5 本章小結(jié)
5 基于 PLS-SVM 的水質(zhì)評(píng)價(jià)方法研究
    5.1 水質(zhì)評(píng)價(jià)體系的建立
    5.2 基于 PLS-SVM 的水質(zhì)評(píng)價(jià)模型
    5.3 仿真實(shí)驗(yàn)及結(jié)果分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 后續(xù)展望
致謝
參考文獻(xiàn)
附錄一
    A. 作者在攻讀碩士學(xué)位期間發(fā)表的論文目錄
    B. 作者在攻讀碩士學(xué)位期間參加的科研項(xiàng)目及得獎(jiǎng)情況
附錄二



本文編號(hào)：3922470