本文關(guān)鍵詞：水質(zhì)數(shù)據(jù)的回歸分析算法研究與應(yīng)用

  更多相關(guān)文章： 回歸分析 最小二乘支持向量機(jī) RBF神經(jīng)網(wǎng)絡(luò) 模糊粗糙集 軟距離 葉綠素a

【摘要】：回歸分析作為一種常見(jiàn)且重要的數(shù)據(jù)挖掘方法,在挖掘數(shù)據(jù)中的有用信息時(shí)發(fā)揮了重要作用。隨著大量專家學(xué)者對(duì)其進(jìn)行研究,回歸分析理論不斷發(fā)展與完善,同時(shí)在社會(huì)各領(lǐng)域得到了廣泛的應(yīng)用并取得了良好的效果。回歸分析在水生態(tài)領(lǐng)域同樣有著越來(lái)越多的應(yīng)用。近年來(lái),大量營(yíng)養(yǎng)鹽進(jìn)入水體,導(dǎo)致水體富營(yíng)養(yǎng)化越來(lái)越嚴(yán)重,對(duì)水生態(tài)系統(tǒng)健康造成嚴(yán)重威脅。葉綠素a是藻類中葉綠素的主要成分,其含量的高低與水體中藻類的種類、數(shù)量密切相關(guān),是表征水體富營(yíng)養(yǎng)化現(xiàn)象及其程度的重要指標(biāo)之一。因此,獲取準(zhǔn)確的水體葉綠素a濃度對(duì)于水體富營(yíng)養(yǎng)化防治具有重要意義。支持向量機(jī)(SVM)在處理小樣本、非線性問(wèn)題上表現(xiàn)出優(yōu)異的性能,因此在各個(gè)領(lǐng)域中有著廣泛的應(yīng)用。近年來(lái)眾多學(xué)者主要從兩方面來(lái)提高支持向量機(jī)的回歸預(yù)測(cè)精度,一是優(yōu)化支持向量機(jī)的參數(shù),二是改進(jìn)近似核函數(shù)。但是這些努力只著眼于對(duì)支持向量機(jī)本身的改進(jìn)而忽略了對(duì)數(shù)據(jù)集中有用信息的進(jìn)一步提取。因此,本文提出了一種基于最小二乘支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)的混合回歸預(yù)測(cè)模型。該模型通過(guò)進(jìn)一步提取支持向量機(jī)在訓(xùn)練時(shí)所產(chǎn)生的誤差項(xiàng)中的有用信息來(lái)修正最終的預(yù)測(cè)值,從而提高回歸預(yù)測(cè)的精度。由于水生態(tài)系統(tǒng)是一個(gè)動(dòng)態(tài)的、開(kāi)放的、復(fù)雜的系統(tǒng),水質(zhì)數(shù)據(jù)包含了很多不確定性因素,對(duì)于不確定性問(wèn)題的處理,模糊粗糙集作為一種強(qiáng)大的數(shù)學(xué)工具發(fā)揮著重要作用,因而廣泛應(yīng)用于水質(zhì)數(shù)據(jù)的處理中。但是在基于模糊粗糙集理論的回歸模型中,在計(jì)算上下近似時(shí)對(duì)數(shù)據(jù)中的異常點(diǎn)非常敏感,針對(duì)這個(gè)問(wèn)題,本文引入軟距離概念,提出一種適合回歸分析的軟模糊粗糙集上下近似計(jì)算方法,并構(gòu)建一個(gè)對(duì)異常點(diǎn)不敏感的模糊粗糙回歸預(yù)測(cè)算法。最后將回歸預(yù)測(cè)模型應(yīng)用于“三峽在線監(jiān)測(cè)系統(tǒng)”中,并在系統(tǒng)中穩(wěn)定運(yùn)行,為三峽庫(kù)區(qū)環(huán)境治理提供數(shù)據(jù)支撐,體現(xiàn)了模型實(shí)用性。
【關(guān)鍵詞】：回歸分析 最小二乘支持向量機(jī) RBF神經(jīng)網(wǎng)絡(luò) 模糊粗糙集 軟距離 葉綠素a
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18;TP311.13
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-13
• 1.1 研究背景與意義8-9
• 1.2 研究動(dòng)態(tài)與現(xiàn)狀9-11
• 1.3 論文內(nèi)容與結(jié)構(gòu)11-13
• 第2章 回歸分析簡(jiǎn)介13-17
• 2.1 回歸分析的一般形式13
• 2.2 線性回歸預(yù)測(cè)13-15
• 2.3 非線性回歸分析15-16
• 2.4 本章小結(jié)16-17
• 第3章 最小二乘支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)混合回歸模型17-31
• 3.1 引言17-18
• 3.2 最小二乘支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介18-22
• 3.2.1 支持向量機(jī)與最小二乘支持向量機(jī)18-20
• 3.2.2 RBF神經(jīng)網(wǎng)絡(luò)20-22
• 3.3 混合回歸預(yù)測(cè)算法22-26
• 3.4 實(shí)驗(yàn)分析26-29
• 3.4.1 UCI數(shù)據(jù)集實(shí)驗(yàn)27-28
• 3.4.2 水質(zhì)數(shù)據(jù)集實(shí)驗(yàn)28-29
• 3.5 本章小結(jié)29-31
• 第4章 改進(jìn)的模糊粗糙回歸預(yù)測(cè)模型31-50
• 4.1 引言31-32
• 4.2 相關(guān)方法描述32-36
• 4.2.1 粗糙集簡(jiǎn)介32-33
• 4.2.2 模糊集簡(jiǎn)介33-34
• 4.2.3 模糊粗糙集簡(jiǎn)介34-36
• 4.3 模糊粗糙回歸預(yù)測(cè)算法36-40
• 4.4 改進(jìn)的模糊粗糙回歸預(yù)測(cè)算法40-43
• 4.5 實(shí)驗(yàn)分析43-48
• 4.5.1 UCI數(shù)據(jù)集實(shí)驗(yàn)43-47
• 4.5.2 水質(zhì)數(shù)據(jù)集實(shí)驗(yàn)47-48
• 4.6 本章小結(jié)48-50
• 第5章 模型應(yīng)用50-53
• 5.1 三峽在線監(jiān)測(cè)系統(tǒng)50-51
• 5.2 三峽水生態(tài)感知平臺(tái)51-53
• 第6章 總結(jié)與展望53-55
• 6.1 全文總結(jié)53-54
• 6.2 展望54-55
• 參考文獻(xiàn)55-60
• 致謝60-61
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 宋欣;王翠榮;;基于線性回歸的無(wú)線傳感器網(wǎng)絡(luò)分布式數(shù)據(jù)采集優(yōu)化策略[J];計(jì)算機(jī)學(xué)報(bào);2012年03期

2 向先全;陶建華;;基于GA-SVM的渤海灣富營(yíng)養(yǎng)化模型[J];天津大學(xué)學(xué)報(bào);2011年03期

3 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

4 游仕洪,程浩忠,謝宏,郭文鑄,盧金滇;模糊組合預(yù)測(cè)在中長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2004年03期

5 杜樹新,吳鐵軍;用于回歸估計(jì)的支持向量機(jī)方法[J];系統(tǒng)仿真學(xué)報(bào);2003年11期

，

本文編號(hào)：955536