资源描述:
《支持向量机应用于大气污染物浓度预测.pdf》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、第20卷第1期计算机技术与发展Vol.20No.12010年1月COMPUTERTECHNOLOGYANDDEVELOPMENTJan.2010支持向量机应用于大气污染物浓度预测112陈俏,曹根牛,陈柳(1.西安科技大学理学院,陕西西安710054;2.西安科技大学能源学院,陕西西安710054)摘要:支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建
2、模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。关键词:支持向量机;大气污染预测;核函数中图分类号:TP181文献标识码:A文章编号:1673-629X(2010)01-0250-04ApplicationofSupportVectorMachinetoAtmosphericPollutionPrediction1
3、12CHENQiao,CAOGen-niu,CHENLiu(1.CollegeofScience,XianUniversityofScienceandTechnology,Xian710054,China;2.CollegeofEnergy,XianUniversityofScienceandTechnology,Xian710054,China)Abstract:Thesupportvectormachine(SVM)asanewgenerationmachinerylearningtechnologybasedonstatistica
4、ltheory,hasbeenre-portedtohavebetterpredictionperformanceofnon-linerregressionthantraditionalstatisticalmethods.First,theinputvariablesarean-alyzed,thendimensionalityofinputvariablesarereductedusingprincipalcomponentanalysis(PCA)toformthetrainingsampleofthesupportvectormachin
5、e.TheappropriateforecastingmethodsarechosenandanSVMregressionmodelforatmosphericpolutionpredic-tionisestablished.Thetestingresultsshowedthatthemodelbasedonsupportvectormachineexhibiteditspropertiesofhighforecastac-curacy,fasttraining,highgeneralizationcapabilityandeasymodelin
6、g.Keywords:supportvectormachine(SVM);atmosphericpolutionprediction;kernelfunction[6]0引言得较好结果。然而,神经网络具有推广能力差、过拟支持向量机(SVM)是Vapnik开发的基于统计学合、易于陷人局部最优、寻找结构参数复杂等缺点。文习理论的新一代机器学习技术[1],能较好地解决小样中通过实例论证,探讨支持向量回归方法应用于大气本、非线性、高维数和局部极小点等实际问题,已成为污染物浓度的可行性。机器学习界的研究热点之一,并成功应用于分类、回归[2~4]和时间序
7、列预测等领域。其遵循结构风险最小化1支持向量机原理原则,预测性能和推广能力优于神经网络,因而成为应利用SVM进行回归与预测的基本思想[7,8]是通用领域研究的热点。目前,大气污染物浓度统计预测过非线性映射将数据映射到高维特征空间中,并在方法多是传统统计模型,难以模拟复杂多变的大气污该特征空间进行线性回归:[5]染变化。神经网络较传统统计方法能更好地模拟大f(x)=(w(x))+b(1)气污染因素的非线性关系,在大气污染预测应用中取考虑l个独立分布的学习样本T={(x1,y1),,ln(xl,yl)}(X,Y),其中xlXR,yl
8、YR,收稿日期:2009-04-27;修回日期:2009-07-09i=1,2,,l,在高维特征空间中构造回归超平面。基金项目:陕