湖庫(kù)營(yíng)養(yǎng)狀態(tài)的識(shí)別，就是通過(guò)與湖庫(kù)營(yíng)養(yǎng)狀態(tài)有關(guān)的一系列指標(biāo)及指標(biāo)間的相互關(guān)系，對(duì)湖庫(kù)的營(yíng)養(yǎng)狀態(tài)做出準(zhǔn)確的判斷［1-2］，識(shí)別過(guò)程具有高維、非線性特征，適宜借助諸如人工智能、模糊識(shí)別、知識(shí)工程等方法建立模型，以處理多指標(biāo)系統(tǒng)的綜合識(shí)別問(wèn)題［3-4］。模擬智能方法目前已成為建立和識(shí)別這類復(fù)雜系統(tǒng)最為有效的途徑之一，而人工神經(jīng)網(wǎng)絡(luò)( artifical neural network，ANN) 則是這類智能算法中運(yùn)用最為廣泛的算法之一。ANN 具有較強(qiáng)的非線性映射能力、魯棒性、容錯(cuò)性和自適應(yīng)、自組織、自學(xué)習(xí)等許多特性，適宜解決高維、非線性系統(tǒng)問(wèn)題，BP 模型( back-propagation network，BP) 無(wú)疑是ANN 最為常用的神經(jīng)網(wǎng)絡(luò)模型之一，廣泛應(yīng)用于湖庫(kù)營(yíng)養(yǎng)狀態(tài)研究中［5-11］。支持向量機(jī)( support vectormachine，SVM) 是20 世紀(jì)90 年代中后期發(fā)展起來(lái)的基于統(tǒng)計(jì)學(xué)習(xí)理論構(gòu)建的典型神經(jīng)網(wǎng)絡(luò)［12］，它由Vapnik 首先提出，是一種通用的前饋神經(jīng)網(wǎng)絡(luò)，用于解決模式分類和非線性映射問(wèn)題。SVM 具有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)基礎(chǔ)，通過(guò)統(tǒng)計(jì)學(xué)習(xí)中的VC 維( vapnikchervonenkisdimension) 理論和尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理來(lái)提高泛化能力，有效解決了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型存在著學(xué)習(xí)收斂速度慢、易陷入局部極值以及網(wǎng)絡(luò)結(jié)構(gòu)難以確定等缺點(diǎn)，在湖庫(kù)營(yíng)養(yǎng)狀態(tài)識(shí)別中得到了應(yīng)用［13］。 |
