基于幾種參數優化的支持向量機在徑流預報中的比較分析 |
文件大小：0.40MB格式：pdf發布時間：2013-12-03瀏覽次數：次
| 【中文關鍵詞】 | SVM 徑流預測模型 |
| 【摘要】 | 基于支持向量機(SVM)基本原理及方法，構建基于徑向基核函數的SVM徑流預測模型。 |
| 【部分正文預覽】 | 河川徑流預測是水資源研究領域中的重點和難點。河川徑流是一種復雜的水文現象，具有高維、非線性等特征，尋求能夠表征徑流特性、預測精度高的模型對河川徑流預測具有重要的現實意義和應用價值［1］。人工神經網絡( Artifical Neural Network，ANN) 具有較強的非線性映射能力、魯棒性、容錯性和自適應、自組織、自學習等許多特性，適宜解決高維、非線性系統問題，而BP 網絡( Back － Propagation Network，BP) 無疑是ANN 最為常用的神經網絡模型之一，在水文過程模擬和預報中顯示出比傳統時間序列方法更為有效和便捷，廣泛運用于徑流預測。 然而傳統BP 神經網絡存在著學習收斂速度慢、易陷入局部極值以及網絡結構難以確定等固有缺陷。支持向量機( SupportVector Machine，SVM) 是20 世紀90 年代中后期發展起來的基于統計學習理論構建的典型神經網絡［7］，它由Vapnik 首先提出，是一種通用的前饋神經網絡，用于解決模式分類和非線性映射問題。SVM 具有嚴謹的數學基礎，通過統計學習中的VC 維( Vapnik － Chervonenkis Dimension) 理論和尋求結構風險最小化原理來提高泛化能力，有效解決了傳統BP 神經網絡存在著學習收斂速度慢、易陷入局部極值以及網絡結構難以確定等缺點，且SVM 能以任意精度逼近任意函數，有著較好的泛化能力［8］，在水文中得到了廣泛的應用。然而，SVM 用于處理模式分類和非線性映射問題時，模型中核函數、懲罰因子和核函數參數的選取對模型的預測精度有著關鍵影響［8］。由于核函數、懲罰因子和核函數參數的選取目前尚無理論上的指導原則，最優參數的選取多憑經驗、實驗對比等進行搜尋，極大地制約了SVM模型精度。
基于此，本文在選定核函數的情況下，提出了基于遺傳優化算法( Genetic Algorithm，GA) 、粒子群優化算法( Particle SwarmOptimization，PSO) 和交叉驗證( Cross Validation，CV) 方法的GA－ SVM、PSO － SVM 和CV － SVM 徑流預測模型，以盤龍河天保站月徑流預測為例進行分析，并與傳統BP 神經網絡模型進行比較，為徑流預測預報提供方法和參考。 |
|
|||||||||||||||
|
|
|||||||||||||||
|
|||||||||||||||
|
【打印本頁】 |
|||||||||||||||
