基于LSSVM和RBFNN的水华中短期预测方法

第卷第期年月日计其机与应用化李而甸,,基于和的水华中短期预测方法刘载文,李梦寻,王小艺,李林北京工商大学计算机与信息工程学院,北京,摘要为了提高湖库水华中短期预测精度,提出水华中长期预测模型和水华短期预测模型。首先利用粗糙集理论和主成分分析法确定了水华暴发的主要影响因子,确定叶绿素,总磷,总氮含量以及水温等参数是影响水华发生的主要因素。在此基础上对各自网络的拟合能力分析,通过正确选取模型参数和解的值,使得水华中期预测模型精度远高于网络的预测精度而对于水华短期预测模型,通过正确选取模型参数宽度的值来提高该网络的泛化能力和预测精度。关键词水华预测建模中图分类号文献标识码文章编号并一一引言水华,厄是指淡水池塘、河流、湖泊、水库等水体受到污染,氮、磷等营养物质大量增加,致使水体达到富营养化或严重富营养化状态,在一定的温度、光照等条件下,某些藻类发生暴发性的繁殖,水体透明度和溶解氧发生变化,造成水体水质恶化,并在水面形成或薄或厚的绿色或其他颜色的藻类的漂浮物现象。这一现象己成为当今河湖水体面临的主要水污染问题之一,在其治理和预防工作中,水华预测一直都是一个难点,这是因为水华的发生机理复杂,影响因素很多,直接建立水华机理生态模型比较困难。随着人工智能方法的发展,以网络为代表的人工神经网络在水华预测中取得了的应用,较好地解决了水华预测中应用传统机理方法难以解决的问题〕。因为人工神经网络理论在处理非线性模式识别方面己表现出了很好的特性,它具有独特的信息处理和计算能力,适用于机制尚不清楚的高维非线性系统,在生态系统模拟、生态数据处理以及遥感生态参数的提取等方面己经得到广泛应用。本文分别采用最小二乘支持向量机叩,和径向基神经网络,分别对湖库的水华现象做出中期和短期的预测。这种方法无论是在泛化能力,网络复杂度,还是在样本数量要求上都相对于网络有了明显的改进。因此,选用这种网络进行湖库的水华预测,旨在提高其预测精度。基于最小二乘支持向量机的水华中期预测方法最小二乘支持向量机算法支持向量机,是基于统计学习理论发展起来的一种新的机器学习技术。支持向量机由结构风险最小化原则导出,在最小化经验风险的同时,最小化推广误差的上界,提高了泛化能力同时引入核函数思想,很好地解决了小样本、非线性、高维数、局部极小点等实际问题,能成功应用于时间序列的预测领域〔月。支持向量机的基本思想就是基于核展开定理,通过非线性映射必,把样本空间映射到一个高维乃至于无限维的特征空间空间,把寻找最优线性回归超平面的算法归结为求解一个凸约束条件下的一个凸规划问题,,并可以求得全局最优解,使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性回归问题。支持向量机原理如图所示权值核运算输入支持向量〔,乃网,幻·图支持向量机原理图其中第层为个输入支持向量,第层为基于个支持向量的非线性运算,即核运算。对于非线性问题,设样本为维向量,某区域的个样本及其值表示为,,夕,,夕,…,寿,夕·天”。首先用一非线性映射俨·把样本从原空间凡映射到特征空间,俨·一试,试,…试,再在这个高维特征空间中构造最优决策函数以二呷二,其中为权值向量,为阐值。这样就把非线性预测函数转化为高收稿日期一一修回日期一蓦金项目国家自然科学基金资助项目北京市自然科学基金重点项目北京市高校创新平台、人才强教计划项目,」作者简介刘载文一,男,博士,教授,自动化专业,主要研究方向智能检测与优化控制联系人刘载文,蒯卜山让目计其机与盖用化母,维特征空间的线性预测函数。作为经典支持向量机的发展和改进,最小二乘支持向量机,定义了与其不同的代价函数,并将其不等式约束改为等式约束。求解过程变成解一组等式方程,求解速度大大加快。对于最小二乘支持向量机,优化问题变为七﹄艺翻叫一而,,古一,雪十一·`·,,咖`咨,`一`,,…,用拉格朗日乘子法求解,有艺咨一艺,·,·”一,,,,水华的影响因素主要分为大类生物因素、化学因素和物理因素。藻类是水华发生的主体,叶绿素浓度是表征水体中藻类现存量的最直接指标,它们是影响水华的主要生物因素氮和磷是水生植物生长繁殖所必须的营养源,它们是限制藻类植物生长最重要的化学因素水华的发生还受到很多物理因素的影响,例如水温、光照、电导率、值、透明度、溶解氧浓度及以水的流速等“。本文采用粗糙集方法,对某年月一月北京市水文局监测数据进行分析,将数据划分论域并计算其粗糙度,进行属性最小约简。水华预测指标的粗糙集分析结果如表所示。一十一的极值点为鞍点,对求导可得豁一势、一。器一争`一。器一“、。十一一。署一一。,。表水华影响因素的粗糙集分析结果几叶绿素少总磷总氮光照温度乃溶解氧透明度电导率值由上式得告客、,客,游讨·喀年客,`写成矩阵形式「。「占刁「刁·“·一,,十卜,十」一」,,其中,一,,…,二,,。。一、,一,、丁,,,二二