大气环境分类的SVM联合决策方法

目的 实现城市大气环境的精准快速归类预测。方法 基于支持向量机（SVM）构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果 该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论 SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

基于PSO-SVM算法的空气质量分类研究

由于空气组成成分多、含量波动较大,严重影响着分类结果的准确率,因此为了增加空气质量分类预测的可靠性,提出了粒子群（Particle Swarm Optimization,PSO）优化支持向量机（Support VectorMachin,SVM）算法的分类方法。此方法首先通过迭代寻优的方式在全局搜寻最优粒子作为支持向量机的运行参数,之后通过训练集数据进行机器学习建立了支持向量机多分类模型,最后将测试集的输入向量导入该模型得到分类结果。分析结果表明,粒子群优化的支持向量机分类方法能够有效的抑制人为设定运行参数对分类结果的影响,提高了支持向量机的分类准确率,为空气质量等级分类问题提供了一个新的研究思路。     

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。     

应用支持向量机评价土壤环境质量

基于野外采样和室内分析相结合的方法,采用电感耦合等离子体质谱法(ICP-MS)对羊草沟煤矿研究区表层土壤样品中的Cd、Cr、Zn、Pb和Cu含量进行测定,应用非线性支持向量机模型中的分类支持向量机,选用sigmoid核函数,利用MATLAB编写程序,进行土壤环境质量评价,并利用模糊综合评判法对评价结果进行验证.在此基础上,运用对应分析方法对样品和变量进行了关联分析,进一步了解重金属污染特征.评价结果表明,研究区土壤环境质量多为Ⅰ类,与模糊综合评判法的相同率达到91.67%,将支持向量机用于土壤环境质量评价是可行的.相比于传统的评价方法,支持向量机采用结构风险最小化原则,将复杂的非线性问题转化为线性问题,成功的解决了多分类、高维运算等问题.     

基于支持向量机的资源型城市可持续发展指标体系研究

资源型城市的可持续发展系统是由自然、经济、社会三个基本层次组成的相互作用且相互依赖的复杂巨系统。支持向量机回归具有非线性、并行分布处理、自学习等特点，可以较为逼真地模拟该系统。本文通过对资源型城市可持续发展指标体系现有主要方法的研究，提出以支持向量机为模型的资源型城市可持续发展指标的分析预测方法，并应用此方法构造支持向量机。绘制指标预测图。对铜陵市国民经济总产值进行了预测。结果表明本预测方法效果较好。     

城市空气污染数据统计分析及治理措施研究

城市空气污染数据具有统计特性,根据统计结果可以实现对空气污染数据的有效预测,提出一种基于支持向量机学习的城市空气污染数据预测方法。采用多维传感器进行城市空气污染数据采集,采用决策数据高维映射重构模型对多传感器采样的城市空气污染数据先验特征进行信息重排,采用闭频繁项集挖掘方法提取城市空气污染数据的统计特征量,采用量化回归分析方法进行大数据的主特征分析,将量化回归分析结果输入到支持向量机预测器中,结合灰度学习进行污染数据的有效预测和加权控制,提高数据预测的自适应性,实现城市空气污染数据优化预测。     

基于支持向量机的浮游植物密度预测研究

利用支持向量机方法对具有非线性及突发性特点的浮游植物密度进行了预测,同时与人工神经网络方法预测的结果进行了比较.结果表明,无论是拟和能力还是预测能力,支持向量机方法都明显优于人工神经网络方法,支持向量机方法比较适合于具有小样本、非线性特点的浮游植物密度预测研究.     

主成分和聚类分析应用于淮南矿区地下水水质评价

运用主成分方法分析淮南矿区23个地下水样的7个水样指标,提取出4个主成分,应用聚类分析对该4个主成分的得分进行聚类。在此基础上,将主成分得分与其对应的特征值相乘,得到水质综合评价指数。聚类分析后水样划分为5类,对每一类的水质综合评价指数取平均值,从而确定水质等级。     

PCA-SOM耦合模型在湖泊水质评价中的应用

富营养化是湖泊沼泽化进程加快的重要因素之一,而湖泊富营养化的预防与治理已经成为世界性的难题。湖泊富营养化评价是湖泊治理的基础,它可以为治理工作提供科学的依据。该文以乌梁素海为例,采用主成分——SOM人工神经网络耦合模型进行富营养化评价。先建立富营养化评价指标体系,然后用主成分分析剔除存在相关性、信息重叠的指标,再将利用主成分分析得到的具有代表性的主成分指标代替原来的评价指标,输入到自组织特征映射网络模型中,最后对富营养化状况进行聚类分析。所得结果与实际相吻合。该方法能根据实测资料对湖泊富营养化状况客观地分类并计算出评价权值,避免了选取评价指标时的主观随意性。     

用片段常数法估算非极性有机化合物的生物富集因子

根据121种logKow（辛醇－水分配系数）值在1.45～8.19之间的非极性有机化合物在鱼体内生物富集因子（BCF）的实测数据,建立了非极性有机化合物在鱼体中生物富集因子（BCF的片段常数法估算模型．采用分类模型系数比较法对在分类模型中表现不同的同一个片段或结构因子重新确定划分原则,在此基础上模型得到进一步改进．最终模型的可换系数为0.993,平均误差为0239个对数单位．     

基于QSAR模型预测有机污染物在XAD与空气中的分配系数

基于定量构效关系(QSAR),运用线性(逐步多元回归MLR)和非线性(支持向量机SVM)两种计算方法开发了两种可靠且高效预测聚苯乙烯二乙烯基苯树脂(XAD)和空气之间分配系数(K_XAD-A)的模型.构建模型的数据包含醇类(Alcohols),苯类(Benzenes),多氯联苯(PCBs)和多环芳香烃(PAHs)等,共计70种有机污染物.两个模型的决定系数R²_adj和外部验证系数Q²_ext均在0.930以上,同时所有物质均在定义的应用域内,结果表明两种QSAR模型有较高的拟合度、稳健性和较为优秀的预测能力,且非线性(SVM)模型比线性(MLR)模型的拟合效果更好.     

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.     

羧酸及其衍生物急性毒性的QSAR研究

基于定量结构-活性相关性(QSAR)原理,研究了27种羧酸及其衍生化合物结构与其急性毒性LC50之间的内在定量关系。应用遗传算法从大量结构参数中优化筛选出与LC50最为密切相关的五个参数作为分子描述符,得出影响羧酸及其衍生物急性毒性的主要结构特征为分子的大小及其空间效应等。分别采用支持向量机(SVM)方法和多元线性回归(MLR)方法建立了相应的QSAR预测模型,并对所建模型分别进行了内部验证和外部验证。结果表明,两种模型均具有较高的稳定性、预测能力及泛化性能。其中,支持向量机模型对训练集和预测集样本的预测平均绝对误差分别为0.149和0.211,优于多元线性回归方法所得结果。     

支持向量机用于芳烃类化合物对芳烃受体亲和性QSAR研究

尝试将支持向量机(SVM)应用于3种典型芳烃类环境毒物(PCDD,PCDF和PCB)定量构效关系研究,通过对芳烃受体亲和性考察,结果发现该组样本的生物活性在一定程度上与分子电性距离矢量具有非线性联系.SVM对内部和外部样本都具良好稳定性能和预测能力:所得模型拟合、交叉检验、外部预测复相关系数及均方根误差分别为R2cum=0.922、Q2cum=0.825、Q2ext=0.834和RMSext=0.531将其与文献报道及多元线性回归、偏最小二乘、人工神经网络进行比较,结果表明对小样本、非线性问题SVM具较强拓展性及泛化能力,故在环境毒物评价和控制中具有广阔应用前景.     

MEDV描述子预测取代芳烃类化合物的藻毒性

以分子电性距离矢量(MEDV)描述子有效表征43个取代芳烃类化合物的分子结构,应用基于预测变量的选择与模型化(VMSP)方法,建立化合物的封闭体系绿藻(Pseudokirchneriella subcapitata)毒性(48 h EC₅₀)与其分子结构之间的定量相关(QSTR)模型. 应用多元线性回归方法建立的QSTR模型具有较高的相关系数(r0.891 1)及LOO(Leave-One-Out)检验相关系数(q0.810 2),表明该模型具有良好的估计能力与稳定性. 应用28个化合物的训练集样本构建QSTR模型预测外部检验集,结果表明,训练集模型也具有良好的预测能力.      

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

应用ICE和PCA方法评价硝基芳烃的综合毒性

应用种间相关估算(ICE)方法预测50种硝基芳烃缺失的生物毒性数据,对通过ICE计算获得的各种生物毒性数据进行主成分分析(PCA),计算综合毒性因子(ITI),进行综合毒性评价.结果表明,除了黄瓜种子发芽抑制毒性以外,其他各种生物毒性都在1%的显著水平上呈显著的线性正相关.硝基芳烃的这些生物毒性机制基本相似,因此应用ICE方法预测其毒性数据是可行的.QSAR分析表明,ITI与分子最低未占轨道能E_lumo有显著的相关性,r=0.869,表明亲电反应性是硝基芳烃的各种生物毒性所综合反映的主要致毒机理.基于ICE和PCA方法计算得到的ITI与基于QSAR和PCA方法计算得到的ITI的大小趋势具有一致性,ICE与PCA方法的联合应用可以成功地评价和预测硝基芳烃的综合毒性.     

沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.     

苏州河底泥3种内分泌干扰物的空间分布及环境风险

应用气相色谱质谱联用方法对苏州河及其支流底泥中3种环境内分泌干扰物壬基酚(NP)、辛基酚(4-t-OP)和双酚A(BPA)的含量进行检测和调查,结果表明,这3种物质在河流底泥中的浓度变幅分别为<1.0～5 800、<0.10～39和0.90～180μg.kg-1,空间分异显著.总体上看,底泥污染物浓度与河流周边人为活动密集程度有关:在苏州河上海市区段底泥的含量显著地高于上海远郊和江苏省内河段底泥含量;苏州河支流底泥中的含量显著高于苏州河干流底泥含量.苏州河及其支流底泥中这3种内分泌干扰物两两之间,存在显著正相关,说明其有相似的物源.以含量较高的壬基酚为例,进行底泥环境内分泌干扰物的风险评估,结果表明,除苏州河江苏省内吴家港桥段外,其它河段均存在潜在的生态毒害风险,需采取相应的防范措施.