论文部分内容阅读
随着人口的急剧增长和经济社会的飞速发展,水环境在逐步恶化,水环境面临着巨大的保护压力,水质的污染问题与水环境安全问题已经成为已经成为全世界共同关注的焦点。对水体质量进行合理的评价和对水质因子进行客观有效的预测,是实现水环境管理和控制的基础性工作,具有重要的现实意义。本文以十二五国家科技支撑计划项目“安全保障型城市的评价指标体系与评价系统研发”为研究背景,对水质的综合预测和评价进行了相关的研究。首先介绍了水质评价与预测的国内外研究现状,然后针对水质因子间具有的多重相关性的特点,提出了基于偏最小二乘法(Partial Least Squares,PLS)和支持向量机(Support Vector Machine,SVM)相结合的水质预测与评价模型。本文的研究成果如下:首先,核函数和参数影响着支持向量机的形式,针对参数的选择问题,利用粒子群算法(Particle Swarm Optimization,PSO)进行参数的寻优,针对粒子群算法在搜索过程中容易陷入局部最优的问题,引入了历史信息,使粒子在搜索过程中能够按照最佳方向前进,同时引入了变异因子,增强其随机变异能力避免陷入局部最优。通过仿真实验,与网格搜素法,遗传算法,标准粒子群算法相对比,结果证明改进的粒子群算法比常用方法的准确率有了提高。其次,本文针对传统水质预测主要采取单因子预测的方法,提出了一种基于综合历史信息的水质预测模型,并对水质因子数据进行了相关性分析,发现其有多重相关性,针对多重相关带来的信息冗余,从而引起预测精度降低的问题,引入了偏最小二乘法实现了水质因子的数学降维,消除其冗余信息,通过SVM预测机进行预测。通过仿真实验,实验结果证明了基于综合历史信息和PLS-SVM的水质预测模型的预测精度和效率更高。最后,在水质评价环节,由于水体是一个由物理、化学、生物等各种因素相互作用的有机整体,污染物众多,水质因子多样化,评价指标间具有相关性,提出了基于PLS-SVM的水质评价模型。通过偏最小二乘法进行数据的压缩和信息的提取,进行数学降维,取得不含冗余信息的新的变量,通过支持向量机进行水质评价,实验结果表明,该方法具有更高的精度和效率。