支持向量机在湖库营养状态识别中的应用.pdf

《支持向量机在湖库营养状态识别中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第２９卷第４期水资源保护２０１３年７月Ｖｏ．ｌ２９Ｎｏ．４ＷＡＴＥＲＲＥＳＯＵＲＣＥＳＰＲＯＴＥＣＴＩＯＮＪｕｌ．２０１３DO：I１０．３９６９／ｊ．ｉｓｓｎ．１００４６９３３．２０１３０．４．００５支持向量机在湖库营养状态识别中的应用崔东文（云南省文山州水务局，云南文山６６３０００）摘要：依据我国湖库富营养化评价标准和支持向量机（ＳＶＭ）原理及方法，构建基于交叉验证（ＣＶ）的ＣＶ－ＳＶＭ湖库营养状态识别模型，采用随机内插的方法在各分级标准阈值间生成训练样本和测试样本，在达到预期识别精度后将模型运用于全国２４个湖库营养状态的识别，并与投影寻踪法、评价指标

2、法和神经网络评价法的识别结果进行比较。结果表明：基于线性核函数的ＣＶ－ＳＶＭ模型对于随机生成的训练样本和测试样本的正确识别率分别达到９７畅８％和９７畅３％（５次平均），对全国２４个湖库营养状态的识别结果与采用投影寻踪法、评价指标法和神经网络评价法的识别结果基本相同，模型具有泛化能力强、识别精度高、收敛速度快、不易陷入局部极值等特点。关键词：湖库营养状态；识别模型；支持向量机；交叉验证中图分类号：Ｘ５２４文献标志码：Ａ文章编号：１００４６９３３（２０１３）０４００２６０５Applicationofsupportvectormcahinetolakeandr

3、eservoirtrophcistatusrecognitinoCUIDongwen（WenshanWaetrConservancyBureauofYunnanProvince，Wenshan６６３０００，China）Abstract：ＡｃｃｏｒｄｉｎｇｔｏＣｈｉｎａ�ｓｌａｋｅａｎｄｒｅｓｅｒｖｏｉｒｅｕｔｒｏｐｈｉｃａｔｉｏｎａｓｓｅｓｓｍｅｎｔｓｔａｎｄａｒｄｓａｎｄｔｈｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｔｈｅｏｒｙａｎｄｍｅｔｈｏｄ，ａＣＶ-ＳＶＭｌａｋｅａｎｄｒｅｓｅｒｖｏｉｒｔｒｏｐｈｉｃｓｔａｔｕｓｒｅｃｏｇｎｉｔｉｏｎｍ

4、ｏｄｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｃｒｏｓｓ-ｖａｌｉｄａｔｉｏｎ（ＣＶ）．Ｗｉｔｈｔｈｅｉｎｔｅｒｐｏｌａｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｎｄｔｅｓｔｉｎｇｓａｍｐｌｅｓｗｅｒｅｒａｎｄｏｍｌｙｇｅｎｅｒａｔｅｄｗｉｔｈｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｔｈｒｅｓｈｏｌｄ．Ａｆｔｅｒｔｈｅｍｏｄｅｌ’ｓｄｅｓｉｒｅｄａｃｃｕｒａｃｙｗａｓａｃｈｉｅｖｅｄ，ｉｔｗａｓａｐｐｌｉｅｄｔｏｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｔｒｏｐｈｉｃｓｔａｔｕｓｏｆ２４ｌａｋｅｓａｎｄｒｅｓｅｒｖｏｉｒｓｎａｔｉｏｎｗｉｄｅａ

5、ｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔ，ｅｖａｌｕａｔｉｏｎｉｎｄｅｘ，ａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｓ．Ｔｈｅｒｅｓｕｌｔｓａｒｅａｓｆｏｌｌｏｗｓ：ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｕｓｉｎｇｔｈｅＣＶ-ＳＶＭｍｏｄｅｌｂａｓｅｄｏｎａｌｉｎｅａｒｋｅｒｎｅｌｆｕｎｃｔｉｏｎｒｅａｃｈｅｄ９７畅８％ａｎｄ９７畅３％（ｆｏｒｆｉｖｅｔｉｍｅｓｏｎａｖｅｒａｇｅ）ｆｏｒｔｈｅｒａｎｄｏｍｌｙｇｅｎｅｒａｔｅｄｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｓａｍｐｌｅｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈ

6、ｅｔｒｏｐｈｉｃｓｔａｔｕｓｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅ２４ｌａｋｅｓａｎｄｒｅｓｅｒｖｏｉｒｓｗｅｒｅｂａｓｉｃａｌｌｙｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｏｓｅｏｂｔａｉｎｅｄｂｙｔｈｅｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔ，ｅｖａｌｕａｔｉｏｎｉｎｄｅｘ，ａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｓ．Ｔｈｅｍｏｄｅｌｈａｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｈｉｇｈｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙａｎｄｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ，ｆａｓｔｃｏｎｖｅｒｇｅｎｃｅ，ａｎｄｔｈｅｕｎｌｉｋｅｌｙｏｃｃｕｒｒ

7、ｅｎｃｅｏｆａｌｏｃａｌｍｉｎｉｍｕｍ．Keywords：ｌａｋｅａｎｄｒｅｓｅｒｖｏｉｒｔｒｏｐｈｉｃｓｔａｔｕｓ；ｒｅｃｏｇｎｉｔｉｏｎｍｏｄｅｌ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｃｒｏｓｓ-ｖａｌｉｄａｔｉｏｎ湖库营养状态的识别，就是通过与湖库营养状识别这类复杂系统最为有效的途径之一，而人工神态有关的一系列指标及指标间的相互关系，对湖库经网络（ａｒｔｉｆｉｃａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＡＮＮ）则是这类智能［１-２］的营养状态做出准确的判断，识别过程具有高算法中运用最为广泛的算法之一。ＡＮＮ具有较强维、非线性特征，适宜借助诸如人工智能、

8、模糊识别、的非线性映射能力、鲁棒性、容错性和自适应、自组知识工程等方法建立模型，