| 【部分正文預覽】 |
地下水位預測可以看作是對地下水位及其影響因子間的復雜非線性函數關系的逼近分析, 它是實現地下水資源動態均衡管理的重要方法之一。當前, 發展較快、應用較廣的地下水位預測方法主要有多元回歸分析法、灰色聚類分析法、模糊模式識別法、季節性指數平滑法、人工神經網絡法等。這些不同的預測方法均力圖通過對地下水位動態及其影響因素之間的非線性關系的分析, 建立隨機性模型來實現地下水位的預報。支持向量機( support vector
machine, 簡稱SVM) 是由統計學習理論發展起來的一種新型學習機器, 它以結構風險最小化原理為理論基礎, 具有以下優點: 逼近復雜非線性系統, 較強的學習泛化能力和良好的分類性能, 所需樣本少, 建模方便, 計算簡單, 學習訓練時間短, 通用性強, 可以用于解決非線性系統的模式識別問題[ 1] 。E-SVR(Esupportvector regression machine) 是將不敏感損失函數引入支持向量機, 用來解決非線性系統回歸擬合問題的一個算法, 可以用之來解決地下水位預測問題。
應用E-SVR 進行地下水位預測, 需要重點考慮模型參數的優化選擇。然而, 當前對E-SVR 參數選擇缺乏實質性的理論指導, 只能是通過反復試驗, 人工選取參數, 這不僅要求技術人員有豐富的實際經驗, 而且需要付出較高的時間代價。筆者選擇徑向基核函數建立了地下水位E-SVR 預測模型, 基于遺傳算法( genetic algorithm, 簡稱GA) 實現了懲罰因子
C 、核函數參數C和不敏感損失函數參數E的自適應優選, 并運用建立的模型對某地傍河試驗井地下水位進行了預測。 |
