论文摘要
水质模拟预测是顺利实现水环境规划管理、水污染综合防治等任务不可缺少的基础性工作,是具有普遍意义的一项重要内容。机理性水质模型考虑了影响水质变化的诸多因素,模型概念清晰,但模型参数估计比较困难,这常使其在我国许多河流系统中的进一步应用受到限制。非机理性水质模拟预测方法通常针对某一特定的水质系统,通过数学统计或其他数学方法建立模型,也常可以取得较好的模拟预测效果。粒子群优化算法是Eberhart和Kennedy通过对鸟群、鱼群行为的研究而提出的一种新的寻优技术。该算法兼备演化算法和群智能的特征,简单易行且性能稳定,在优化问题中常可以表现出非同寻常的求解能力。与遗传算法类似,系统首先初始化为一组随机解,群体中的每一个体称之为粒子,粒子通过自身和群体的最优位置来更新其速度和位置。但该算法仍存在易陷入局部最优,且搜索精度不高等缺点,为此,本文提出了一种基于群体适应值方差和最优适应值变化误差的自适应粒子群算法,较之标准的粒子群算法,该算法的全局搜索能力有了显著提高,能够有效避免早熟收敛。在实际的水质模拟预测中,机理性水质模型的参数估值问题,通常是转化为最小化水质指标测量值和模拟值之间的误差平方和。由于此类优化问题存在多个局部极值,且具有高度非线性,用传统的优化方法很难解决,本文将自适应粒子群算法用于此类优化问题的求解,四个算例的测试结果表明该方法具有较高的求解精度,且操作简单易于实现。支持向量机是在VC维理论和结构风险最小化准则的基础上提出的一种新的机器学习方法,它追求的是在有限样本下的最优解而不仅仅是样本数趋于无穷大时的最优解,比以经验风险最小化为基础的神经网络算法具有更强的理论依据和更好的泛化性能。最小二乘支持向量机是标准支持向量机的改进算法,它通过将最小二乘线性系统引入支持向量机,代替了标准支持向量机采用二次规划方法解决函数估计问题的做法。针对水质模拟预测的非机理性应用,本文尝试将支持向量机用于河流水质的模拟预测,建立了上游水质影响因子和下游断面溶解氧的输入响应关系,训练数据的模拟效果很好,预测结果也在可以接受的范围内。针对支持向量机的参数选择问题,文中采用基于k折交叉验证误差的网格搜索法。
论文目录
相关论文文献
标签:水质模拟预测论文; 机理性水质模型论文; 群智能论文; 粒子群优化算法论文; 结构风险最小化论文; 支持向量机论文; 折交叉验证论文;