【摘要】： 湖泊富營(yíng)養(yǎng)化問題是當(dāng)今世界面臨的最主要水污染問題之一,湖泊富營(yíng)養(yǎng)化評(píng)價(jià)與水質(zhì)預(yù)測(cè)是認(rèn)識(shí)和研究湖泊水環(huán)境的一項(xiàng)重要內(nèi)容,其目的是準(zhǔn)確反映湖泊水環(huán)境的質(zhì)量和污染狀況,預(yù)測(cè)未來的發(fā)展趨勢(shì),是湖泊水環(huán)境管理保護(hù)和治理的一項(xiàng)重要基礎(chǔ)性工作。目前在進(jìn)行湖泊水質(zhì)預(yù)測(cè)與富營(yíng)養(yǎng)化評(píng)價(jià)時(shí),存在的主要問題是沒有一個(gè)被大家公認(rèn)通用的具有可比性的水質(zhì)預(yù)測(cè)與評(píng)價(jià)的數(shù)學(xué)模型,各部門在進(jìn)行評(píng)價(jià)時(shí),選用數(shù)學(xué)模型的任意性很大。這些方法雖然在實(shí)際應(yīng)用中占據(jù)主導(dǎo)地位,但人們也發(fā)現(xiàn)它們還存在著許多不足之處。 支持向量機(jī)是近年來興起的一種新型算法,是復(fù)雜非線性科學(xué)和人工智能科學(xué)的研究前沿,由于其突出的分類與回歸性能,逐漸在許多研究領(lǐng)域展開了廣泛的應(yīng)用與研究。本文試圖在總結(jié)前人的已有的一些工作基礎(chǔ)上深入研究該方法在水環(huán)境質(zhì)量評(píng)價(jià)特別是湖泊富營(yíng)養(yǎng)化評(píng)價(jià)及預(yù)測(cè)中的應(yīng)用,同時(shí)對(duì)支持向量機(jī)模型參數(shù)的選取對(duì)模型精度的影響做出評(píng)價(jià)。 研究結(jié)果表明,支持向量機(jī)理論與算法完全可以應(yīng)用于湖泊水質(zhì)預(yù)測(cè)與富營(yíng)養(yǎng)化評(píng)價(jià)中,而且模擬結(jié)果較已有成熟方法的精度相當(dāng)甚至更好,其結(jié)果合理可行。本文所研究的主要內(nèi)容有如下幾點(diǎn): (1)對(duì)目前水環(huán)境質(zhì)量評(píng)價(jià)及預(yù)測(cè)的研究方法進(jìn)行系統(tǒng)總結(jié)。針對(duì)目前評(píng)價(jià)與預(yù)測(cè)方法存在的一些缺陷引出了支持向量機(jī)算法,簡(jiǎn)要回顧了支持向量機(jī)算法的發(fā)展歷程和研究現(xiàn)狀并總結(jié)了該算法的優(yōu)點(diǎn)所在。 (2)概述了機(jī)器學(xué)習(xí)的目的、機(jī)器學(xué)習(xí)的基本模型、機(jī)器學(xué)習(xí)的三種主要的問題、經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則和復(fù)雜性與推廣能力。詳細(xì)闡述了統(tǒng)計(jì)學(xué)習(xí)理論的基本思想及主要研究?jī)?nèi)容。 (3)系統(tǒng)的介紹了支持向量機(jī)分類算法和回歸機(jī)的基本原理,總結(jié)了目前支持向量機(jī)分類算法和回歸機(jī)的標(biāo)準(zhǔn)算法以及各種變形算法,并對(duì)各種算法的原理進(jìn)行了詳細(xì)的說明,分析討論了這些算法的優(yōu)缺點(diǎn),清楚全面的認(rèn)識(shí)支持向量機(jī)的研究?jī)?nèi)容。同時(shí)探討并建立了支持向量回歸中的預(yù)測(cè)信任度并總結(jié)了支持向量回歸機(jī)方法的特點(diǎn)。 (4)以烏梁素海為例,以WEKA軟件為實(shí)現(xiàn)平臺(tái),將支持向量機(jī)方法引入到湖泊富營(yíng)養(yǎng)化評(píng)價(jià)與水質(zhì)預(yù)測(cè)中來,探討其方法在該領(lǐng)域的適用性。同時(shí)與已有的成熟算法進(jìn)行比較分析,最后總結(jié)出支持向量機(jī)方法的優(yōu)點(diǎn)所在。 (5)總結(jié)了不同參數(shù)變化情況下對(duì)模型精度的影響,比較了ε-SVR和v-SVR兩種方法的擬合精度,對(duì)烏梁素海2001年5、7、10月和2002年5、7、10月的pH進(jìn)行預(yù)測(cè)并與線性回歸(LR)、BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)做了對(duì)比分析,其結(jié)果優(yōu)于其它幾種方法。 (6)分析了造成烏梁素海冰封期水體呈富營(yíng)養(yǎng)化的原因。 本論文的創(chuàng)新之處有以下幾個(gè)方面: (1)首次將支持向量機(jī)方法引入湖泊富營(yíng)養(yǎng)化評(píng)價(jià)的研究領(lǐng)域,拓展了支持向量機(jī)的應(yīng)用范圍,豐富了富營(yíng)養(yǎng)化評(píng)價(jià)方法。 (2)首次將基于時(shí)間序列的支持向量回歸模型應(yīng)用于湖泊水質(zhì)預(yù)測(cè),且模型預(yù)測(cè)精度較其它方法有進(jìn)一步的提高。 (3)評(píng)價(jià)了烏梁素海冰封期的水體富營(yíng)養(yǎng)狀況并進(jìn)行成因分析,這在我國(guó)湖泊富營(yíng)養(yǎng)化的研究中尚屬首次。 (4)許多研究支持向量機(jī)的學(xué)者關(guān)心的是如何去尋找模型的最優(yōu)參數(shù),但卻忽略了參數(shù)本身的變化對(duì)模型精度的影響,本文分析了模型精度隨參數(shù)的變化而變化的趨勢(shì),為以后模型參數(shù)的選優(yōu)提供一些借鑒。
【圖文】：

5.3.2 模型驗(yàn)證5.3.2.1 模型實(shí)現(xiàn)平臺(tái)—WEKA本文中 SVM 算法是通過 WEKA 平臺(tái)（圖 5.6）中的 LIBSVM 軟件包來實(shí)現(xiàn)。WEKA 的全名是懷卡托智能分析環(huán)境（ Waikato Environment for KnowledgAnalysis），是一個(gè)基于 java、用于數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的開源項(xiàng)目，它的源代碼可通過 http://www.cs.waikato.ac.nz/ml/weka 得到。其開發(fā)者是來自新西蘭懷卡托大學(xué)的 Ian H.Witten 和 Eibe Frank。同時(shí) weka 也是新西蘭的一種鳥名。WEKA 作為一個(gè)公開的數(shù)據(jù)挖掘工作平臺(tái)，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。2005 年 8 月，在第 11 屆 ACM SIGKDD 國(guó)際會(huì)議上，懷卡托大學(xué)的 Weka 小組榮獲了數(shù)據(jù)挖掘和知識(shí)探索領(lǐng)域的最高服務(wù)獎(jiǎng)，Weka 系統(tǒng)得到了廣泛的認(rèn)可，被譽(yù)為數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)歷史上的里程碑，是現(xiàn)今最完備的數(shù)據(jù)挖掘工具之一，而且被公認(rèn)為是數(shù)據(jù)挖掘開源項(xiàng)目中最著名的一個(gè)，Weka 的每月下載次數(shù)已超過萬次。

88下面再將測(cè)試集帶入到生成的 SVM 模型以檢驗(yàn)其分類精度。其運(yùn)算結(jié)果如下：00005e500050d400500c305000b250000a1abcdeclassifiedas=====< 由此矩陣我們可以看出，，模型對(duì) 25 個(gè)測(cè)試樣本的分類精度達(dá)到了 100%，分類完全正確。圖 5.7 訓(xùn)練樣本集分類示意圖Fig.5.7 Sketch map of Classifying results using training data
【學(xué)位授予單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2008
【分類號(hào)】：X524

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱穎輝;李友榮;劉安中;侯澍e

本文編號(hào)：2634439