【摘要】： 湖泊富營養(yǎng)化問題是當(dāng)今世界面臨的最主要水污染問題之一,湖泊富營養(yǎng)化評價與水質(zhì)預(yù)測是認識和研究湖泊水環(huán)境的一項重要內(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)測未來的發(fā)展趨勢,是湖泊水環(huán)境管理保護和治理的一項重要基礎(chǔ)性工作。目前在進行湖泊水質(zhì)預(yù)測與富營養(yǎng)化評價時,存在的主要問題是沒有一個被大家公認通用的具有可比性的水質(zhì)預(yù)測與評價的數(shù)學(xué)模型,各部門在進行評價時,選用數(shù)學(xué)模型的任意性很大。這些方法雖然在實際應(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)量評價特別是湖泊富營養(yǎng)化評價及預(yù)測中的應(yīng)用,同時對支持向量機模型參數(shù)的選取對模型精度的影響做出評價。 研究結(jié)果表明,支持向量機理論與算法完全可以應(yīng)用于湖泊水質(zhì)預(yù)測與富營養(yǎng)化評價中,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: (1)對目前水環(huán)境質(zhì)量評價及預(yù)測的研究方法進行系統(tǒng)總結(jié)。針對目前評價與預(yù)測方法存在的一些缺陷引出了支持向量機算法,簡要回顧了支持向量機算法的發(fā)展歷程和研究現(xiàn)狀并總結(jié)了該算法的優(yōu)點所在。 (2)概述了機器學(xué)習(xí)的目的、機器學(xué)習(xí)的基本模型、機器學(xué)習(xí)的三種主要的問題、經(jīng)驗風(fēng)險最小化原則和復(fù)雜性與推廣能力。詳細闡述了統(tǒng)計學(xué)習(xí)理論的基本思想及主要研究內(nèi)容。 (3)系統(tǒng)的介紹了支持向量機分類算法和回歸機的基本原理,總結(jié)了目前支持向量機分類算法和回歸機的標(biāo)準(zhǔn)算法以及各種變形算法,并對各種算法的原理進行了詳細的說明,分析討論了這些算法的優(yōu)缺點,清楚全面的認識支持向量機的研究內(nèi)容。同時探討并建立了支持向量回歸中的預(yù)測信任度并總結(jié)了支持向量回歸機方法的特點。 (4)以烏梁素海為例,以WEKA軟件為實現(xiàn)平臺,將支持向量機方法引入到湖泊富營養(yǎng)化評價與水質(zhì)預(yù)測中來,探討其方法在該領(lǐng)域的適用性。同時與已有的成熟算法進行比較分析,最后總結(jié)出支持向量機方法的優(yōu)點所在。 (5)總結(jié)了不同參數(shù)變化情況下對模型精度的影響,比較了ε-SVR和v-SVR兩種方法的擬合精度,對烏梁素海2001年5、7、10月和2002年5、7、10月的pH進行預(yù)測并與線性回歸(LR)、BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)做了對比分析,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養(yǎng)化的原因。 本論文的創(chuàng)新之處有以下幾個方面: (1)首次將支持向量機方法引入湖泊富營養(yǎng)化評價的研究領(lǐng)域,拓展了支持向量機的應(yīng)用范圍,豐富了富營養(yǎng)化評價方法。 (2)首次將基于時間序列的支持向量回歸模型應(yīng)用于湖泊水質(zhì)預(yù)測,且模型預(yù)測精度較其它方法有進一步的提高。 (3)評價了烏梁素海冰封期的水體富營養(yǎng)狀況并進行成因分析,這在我國湖泊富營養(yǎng)化的研究中尚屬首次。 (4)許多研究支持向量機的學(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,為以后模型參數(shù)的選優(yōu)提供一些借鑒。
【圖文】：

5.3.2 模型驗證5.3.2.1 模型實現(xiàn)平臺—WEKA本文中 SVM 算法是通過 WEKA 平臺（圖 5.6）中的 LIBSVM 軟件包來實現(xiàn)。WEKA 的全名是懷卡托智能分析環(huán)境（ Waikato Environment for KnowledgAnalysis），是一個基于 java、用于數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的開源項目，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 weka 也是新西蘭的一種鳥名。WEKA 作為一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機器學(xué)習(xí)算法，包括對數(shù)據(jù)進行預(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 國際會議上，懷卡托大學(xué)的 Weka 小組榮獲了數(shù)據(jù)挖掘和知識探索領(lǐng)域的最高服務(wù)獎，Weka 系統(tǒng)得到了廣泛的認可，被譽為數(shù)據(jù)挖掘和機器學(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，而且被公認為是數(shù)據(jù)挖掘開源項目中最著名的一個，Weka 的每月下載次數(shù)已超過萬次。

88下面再將測試集帶入到生成的 SVM 模型以檢驗其分類精度。其運算結(jié)果如下：00005e500050d400500c305000b250000a1abcdeclassifiedas=====< 由此矩陣我們可以看出，，模型對 25 個測試樣本的分類精度達到了 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)位級別】：博士
【學(xué)位授予年份】：2008
【分類號】：X524

【相似文獻】

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：2634439