基于改进的PSO优化LSSVM参数的松花江哈尔滨段悬浮物的遥感反演

悬浮物是松花江水质和水环境评价的重要参数之一.利用在松花江哈尔滨段江面上29个采样点的实测高光谱和悬浮物浓度数据,用20个采样点数据为训练集,9个采样点数据为测试集.将机器学习和全局优化智能计算方法引入,应用改进的粒子群(PSO)优化最小二乘支持向量机(LSSVM)参数,以均方根误差RMSE为适应度函数,根据迭代得到LSSVM最优参数值,用700 nm和750 nm光谱反射率比值(R700/R750)为特征变量,悬浮物数据为目标变量,用训练集数据训练得到反演模型,使用测试集数据进行验证.结果表明,此模型收敛速度快,精度高,得到预测值的均方根误差RMSE为10.11 mg·L-1,平均绝对百分误差MAPE为10.72%,模型决定系数R2为0.952,该方法可用来对其它水质参数反演预测提供参照.     

基于高光谱图像的贝类重金属污染快速无损检测方法研究

基于高光谱图像技术和机器学习算法,提出了一种对重金属污染蛤仔进行快速无损检测的新方法。该方法分为3步：采集蛤仔样本高光谱图像并使用3种方法进行预处理;采用线性判别分析(linear discriminant analysis, LDA)对高光谱数据降维;应用支持向量机(support vector machine, SVM)实现重金属污染蛤仔分类检测。对于以单类重金属污染样本和健康样本为样本集的二分类检测,LDA-SVM模型检测重金属污染样本的准确率可达到99.33%以上。对于以Cd、Cu、Pb、Zn 4类重金属污染样本和健康样本为样本集的五分类检测,检测准确率可达到93.33%。结果表明：LDA-SVM模型能够实现对蛤仔重金属污染快速无损检测,且该模型性能基本不受预处理方法和模型参数的影响,鲁棒性强。     

基于主成分分析和粒子群优化支持向量机的边坡稳定性评价

为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达909%,满足工程要求。     

基于ZYNQ图像处理研制便携式水质检测系统

综合光电检测技术和光谱分析技术中的紫外-可见吸收光谱法,研制多参数便携式地表水水质检测系统,能够现场快速检测出磷酸盐、亚硝酸盐、化学需氧量(COD)和NH₃-N水质参数。对水体中吸收特征波长在可见光部分的物质,使用摄像头采集其可见光谱,并对其可见光谱图像的灰度图进行卷积神经网络建模,吸收特征波长在紫外波段的物质,通过光电检测技术测其浓度值,将建立的卷积神经网络模型移植到ZYNQ中,结合紫外光电传感器,将被检测物质的浓度值通过LCD显示出来,以此实现水质检测仪的便携性。结果表明：所得卷积神经网络预测值为样本溶液在8种浓度值输出类型中的倾向值,准确率最高为100%,最低为40%。COD浓度值的最高误差为10%,证实该检测系统具有很好的实用价值。     

基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型

采用IC厌氧废水处理系统处理人工合成废水,并利用PCA-LSSVM模型对系统出水挥发性脂肪酸(VFA)进行预测.首先利用主成分分析法(PCA)分析影响厌氧废水出水VFA浓度的多个变量的相关性并降低输入变量维数,然后用网格搜索结合10倍交叉验证优化LSSVM模型参数sig2和gam,最后利用建立的模型对实验数据进行仿真预测.仿真结果表明,稳态LSSVM模型对稳态条件下厌氧废水处理系统出水VFA具有很好的仿真预测能力,相对误差在4.72%以内,平均相对百分比误差(MAPE)为1.61%,均方根误差(RMSE)为1.08,相关系数达0.9996;稳态干扰LSSVM模型对厌氧废水处理系统出水VFA的仿真预测精度有所降低但仍然具有较好的预测能力,平均相对百分比误差(MAPE)为15.83%,均方根误差(RMSE)为15.45,相关系数为0.9984,该方法可为厌氧出水VFA在线预测和厌氧废水处理系统的优化控制提供指导.     

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。     

基于混合智能算法的多目标优化在厌氧氨氧化与反硝化协同脱氮除碳中的应用

针对厌氧氨氧化与反硝化协同实现脱氮除碳优化问题,采用UASB反应器处理不同进水条件下的氨氮废水,基于BP神经网络分别建立NH_4~+-N去除模型和COD去除模型,同时为了提高模型的鲁棒性和运算速度,使用PCA算法降低输入变量维数.仿真结果表明,基于PCA-BP的预测模型具有较好的预测能力,检验样本中模型预测值与实际真实值的相关系数分别为0.9164和0.9987,且两模型的平均预测误差都保持在在10%以内.进一步结合NSGA-II算法建立以去除NH+4-N和COD最大化的优化模型,以优化结果为条件建立的出水效果接近实际真实值,表明该模型给出的优化解决方案有效可行,可为实现厌氧氨氧化与反硝化协同脱氮除碳工艺的设计和操作提供参考和指导.     

基于RS-MSWOA-LSSVM的油气管道失效压力预测

油气管道受多种因素的影响会发生管壁减薄、管道破裂等现象,为提高管道失效压力的预测精度,提出一种基于RS-MSWOA-LSSVM的油气管道失效压力预测模型。首先,采用粗糙集(RS)属性约简提取关键特征,以优化预测模型的输入变量;然后,采用混合策略下的鲸鱼优化算法(MS-WOA)对惩罚因子C和核函数参数σ²进行寻找,并将优化后的参数代入最小二乘法支持向量机(LSSVM)进行预测,得到最优解;最后,引入均方误差、均方根误差、平均绝对误差和决定系数(R²)4个评价指标,对LSSVM模型、WOA-LSSVM模型和RS-MSWOA-LSSVM模型的预测精度进行了对比评价。结果表明：RS-MSWOA-LSSVM模型与另外两种模型相比,其预测结果的R²提升至0.996 8,均方误差降至0.063 9 MPa,均方根误差降至0.252 8 MPa,平均绝对误差降至0.222 3 MPa,说明该模型的预测结果与实际结果的拟合度更高,且预测精度优于其他两种模型。该研究结果可为油气管道失效压力的预测与管道的安全防护提供技术支撑和决策依据。     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

基于多核LS-SVM的河涌水质预测模型

研究了多变量非线性河涌水质预测问题,提出了多核最小二乘支持向量机河涌水质预测模型。模型采用协同结构的非线性函数将水质时序样本映射到高维特征空间,进行多元线性回归。然后将该回归问题转化成半无限线性规划问题,运用交换集法求解。文章利用东江流域河涌水质数据进行了拟合预测实验,结果表明,与单核最小二乘支持向量机河涌水质预测模型相比,多核模型的预测误差减小了23%以上,它较单核模型具有更高的预测精度和更好的泛化推广性能。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

大气腐蚀数据降维最优维度研究

目的确定金属大气腐蚀数据降维的最优维度。方法分别采用PCA、MDS、Isomap和LLE四种方法对大气腐蚀数据进行降维处理,并采用集成学习算法建立预测模型。针对不同的降维方法和近邻点个数计算,使用MAPE(Mean Absolute Percentage Error,相对百分误差绝对值的平均值)对预测结果进行评价,将最佳预测速率所对应的维度作为最优维度。结果不同的降维方法和近邻参数作用下,最优维度从2维到7维不等。流形学习方法对大气腐蚀数据进行降维的MAPE均小于线性降维方法。结论适合每种降维方法的最优维度可能是不同的,通过对MAPE进行对比,得到大气腐蚀数据在各种降维方法的最优维度。     

基于改进FWA-NN的污水处理过程溶解氧浓度预测

为实现对污水处理过程溶解氧质量浓度的实时准确预测,提出了一种改进的混沌烟花混合优化算法并构建了基于改进算法的神经网络在线软测量模型.结合污水处理过程的数据特征,定义了一项新的样本相似度衡量指标用于提取更具代表性的建模数据.在改进算法中,为提高基本烟花算法初始成员的质量,定义了一种改进的两级正弦混沌映射并利用混沌运动的遍历性精选烟花算法的初始群成员;通过融合混沌算法改进了基本烟花算法的搜索机制,基于设定准则将寻优过程分为两阶段并采用两分群同时进行.测试结果表明改进算法的收敛速度和收敛精度有较大程度提高.将改进的软测量建模方法和样本数据提取方法用于污水处理过程溶解氧质量浓度软测量建模,应用结果表明该模型的均方根误差和平均泛化误差分别为0.0175和0.0118,具有较强的泛化性能.     

基于GA优化的SVR水质预测模型研究

针对污水中BOD₅参数不易直接测得的特点,提出了基于遗传算法（Genetic Algorithm,GA）优化参数的支持向量机回归（Support Vector Regression,SVR）水质预测模型。采用机器学习的方法,通过建立污水中COD等参数与BOD₅的数学关系模型的方式对BOD₅进行测定。使用遗传算法对SVR中的关键参数进行寻优,解决了传统SVR预测模型参数选择的问题。以北京市污水处理厂进水污水作为研究对象进行实验,结果表明,与BP神经网络与SVR相比,使用GA-SVR方法进行预测的结果更优,其平均误差与均方根误差分别降至0.009443与16.88 mg/L。     

基于TSA-BP模型的温州站台风风暴潮增水预测

台风风暴潮灾害通常会对沿海地区造成巨大损失,因此,准确预测台风风暴潮增水对沿海地区的防灾、减灾工作具有现实意义。本文根据现有风暴潮增水预测研究的成果,建立了基于被囊群算法（tunicate swarm algorithm）优化的BP神经网络模型,将该模型应用于台风风暴潮增水预测研究中。本文选取影响温州验潮站的3个台风作为研究对象,收集并建立了3个台风影响验潮站过程的129个逐时数据样本。利用新模型对温州站进行风暴潮增水预测,结果表明,该模型与BP神经网络相比克服了陷入局部最优解的缺陷,与粒子群优化的BP神经网络模型相比,提升了模型收敛速度,具有更好的预测精度及稳定性。     

温州市近岸海域具齿原甲藻密度预测模型研究

通过对2004年5月温州市洞头列岛附近海域赤潮发生过程相关监测数据的深入分析,利用多元回归分析方法建立了基于COD、PO4-P和Chl-a的温州市近岸海域赤潮优势种具齿原甲藻(Prorocentrum dentatum)密度线性预测模型,并以2003年该赤潮监控区相关监测数据对其进行了检验.结果表明,该模型具有较高精度和可靠性,预测值最大相对误差为16.90%、最小仅为2.10%.     

基于LSSVM的石灰石浆液制取电耗优化

提出了基于最小二乘支持向量机(LSSVM)构造以球磨机制浆速度作为目标优化模型,并采用遗传算法实现了给料量、给水量、漩流器入口压力等运行参数的寻优,获得了优化制浆速度的调整方式。以此方式的相应参数作为当前负荷下的基准值,能很好地解决制浆工况下运行参数基准的确定问题。通过现场试验证明:按此基准值运行,可以提高制浆速度,降低电耗。     

基于鲸鱼优化算法与投影寻踪耦合的云南省初始水权分配

论文基于公平性、效率性和可持续性原则,选取水资源开发用率等17个分水指标建立云南省初始水权分配指标体系,运用投影寻踪（Projection Pursuit, PP）技术确定云南省各州市初始水权分配水量。针对PP技术最佳投影方向难以确定的不足,利用一种新型群智能算法——鲸鱼优化算法（Whale Optimization Algorithm, WOA）寻优PP模型最佳投影方向,构建WOA-PP耦合的初始水权分配模型。通过6个典型测试函数对WOA进行仿真验证,仿真结果与文化算法（Cultural Algorithm, CA）、差分进化（Differential Evolution, DE）算法、混合蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）、布谷鸟搜索（Cuckoo Search, CS）算法、粒子群优化（Particle Swarm Optimization, PSO）算法和人工蜂群（Artificial Bee Colony, ABC）算法的寻优结果进行比较。结果表明：1）无论是单峰还是多峰函数,WOA能够探索不同的搜索空间,具有良好的开发和勘探能力,对Sphere等6个函数的寻优精度高于CA、DE、SFLA、CS、PSO和ABC算法,表现出较好的寻优精度、收敛速度、全局寻优能力与收敛稳定性。2）从WOA-PP模型初始水权分配结果及目前实行的综合法水量分配结果对比来看,2015年昭通、丽江、临沧、红河、文山、怒江两种方法的分配结果相差最小,在0.11亿~0.41亿m³之间;玉溪、普洱、大理、德宏和迪庆两种方法的分配结果相差最大,在2.06亿~4.38亿m³之间;其余州市两种方法的分配结果在1.12亿~1.61亿m³之间。2020年保山、昭通、丽江、临沧、红河、文山、怒江两种方法的分配结果相差最小,在0.02亿~0.41亿m³之间;昆明、玉溪和德宏两种方法的分配结果相差最大,分别为5.89亿、5.66亿和3.54亿m³;其余州市两种方法的分配结果在1.89亿~2.85亿m³之间。3）论文提出的初始水权分配模型及方法具有一定的可操作性和有效性,可为区域初始水权分配提供新的思路和方法。