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.     

基于高空间分辨率遥感影像的城市绿地提取方法研究

城市绿地是城市生态系统的一个重要子系统,在改善城市环境质量和居民生活水平方面扮演着越来越重要的作用。因此,如何及时获取城市绿地的分布及其变化,对于保护城市生态环境至关重要。本研究提出了一种基于高空间分辨率遥感影像的城市绿地提取方法,并珠海市为研究区域,利用Worldview-2遥感影像进行了城市绿地提取实验。结果表明,城市绿地提取结果比较理想,总体精度为94．09%,Kappa系数为0．94,但建设用地和裸地、城市绿地和建设用地之间仍然容易错分。     

2014~2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

2014～2017年北京地区霾日数和污染日数逐年减少,PM_(2.5)、PM_(10)、SO_2和NO_2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s~(-1)的风速频次最高(10. 6%),≥70%湿度日占比最小(25. 1%);其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a~(-1)的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期(4～10月)累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM_(2.5)质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法(KNN)和支持向量机(SVM)模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.     

基于PSO-SVM算法的环境监测数据异常检测和缺失补全

针对环境监测数据异常和数据缺失问题,提出了基于支持向量机的粒子群优化数据异常检测和缺失补全算法。利用粒子群优化算法选取较优的支持向量机训练参数组合,以此建立非线性的支持向量机模型,并利用结果模型对测得的真实数据拟合预测。以宁夏回族自治区某污水处理厂的污染物测量数据作为实验数据,结果表明,利用该算法预测数据的准确率可达97.977%,检测异常数据准确度高,缺失数据补全正确。     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。     

采用支持向量机算法优化电化学处理油田污水的工艺参数

采用支持向量机(SVM)算法,将Box-Behnken设计法与支持向量回归算法(SVR)实验参数优化软件相结合,优化电化学去除油田污水COD的工艺参数。通过量子粒子群算法对SVM算法参数进行优化,从建立的回归模型中找到工艺参数的全局最佳点:电解时间60 min,电解电流3 A,三维电极填充料中石英砂质量695 g。模型得到的COD理论最优去除率为92.48%,验证实验得到的COD去除率为91.43%。     

SVM application in hazard assessment: Self-heating for sulfurized rust

In order to assess the oxidation self-heating hazard of sulfurized rust, for particular ambient conditions in crude oil tanks, the support vector machine (SVM) technique is applied to predict the maximum temperature (T_max) of oxidation self-heating process. Five governing parameters are selected, i.e. the water content, mass of sulfurized rust, operating temperature, air flow rate and oxygen concentration in the respiratory/safety valve. The efficiency and validity of the SVM predictions are investigated in the case of two sets of data: more than 85 experiments performed in academic lab (China) and almost 17 additional results collected from existing literature. Two main steps are also discussed: the training process (on selected subsets of data) and prediction process (for the remaining subsets of data). It can be concluded that for both datasets the maximum temperature (T_max) values calculated by SVM technique were in good accordance with the experimental results, with relative errors smaller than 15% except for a few cases.The SVM technique seems therefore to be relevant and very helpful for complex implicit processes such as chemical reactions, as it is the case of the oxidation of sulfurized rust in oil tanks. Furthermore, such predictive methods can be continuously be improved through additional experiments feedback (larger databases) and can then be of crucial help for monitoring and early warning of hazardous reactions.     

基于FOA-SVM方法的长江中游悬浮物浓度遥感反演研究

遥感反演是监测水体表层悬浮物浓度分布的有效手段之一。然而,常用的经验回归模型是建立在大样本的理论假设之上的,而大多数情况下所获取的样本数实际上是十分有限的,因而有必要引入基于小样本的新的反演模型。支持向量机(SVM)建立在结构风险最小原理和VC维理论基础上,其泛化能力强,适用于小样本回归模型。使用HJ1B卫星CCD2遥感影像结合长江中游实地同步采样数据建立悬浮物浓度SVM遥感反演模型,并采用果蝇优化算法(FOA)对模型参数进行了优化。结果表明,与传统经验回归模型相比,SVM模型具有较高的预报精度和稳定性;在SVM模型的参数优化中,FOA算法效果理想,其计算量也远小于网格搜索算法。最后,使用所建立的SVM模型对长江中游城陵矶附近长江和洞庭湖水体悬浮物浓度进行了反演,并对其空间分布特征进行了分析。结果显示,长江干流的悬浮泥沙浓度总体上明显小于洞庭湖,这主要是三峡工程下泄泥沙大幅减少造成的;洞庭湖浑浊的湖水汇入长江后,在城陵矶下游形成明显的混合带;而洞庭湖湖口悬浮物浓度明显高于其他湖区,这可能是该区域采砂活动的强烈扰动引起的。     

基于SIFT与SVM的应急救援图像检测方法研究*

针对公共安全突发事件应急救援的封闭空间场景（Confined Space Scene,CSS）信息采集不通畅、不全面而影响救援等问题,提出1种基于不变特征转换（Scale invariant feature transform,SIFT）和支持向量机（Support Vector Machine,SVM）的图像信息异常检测方法。在场景内外信息传递“断环”情况下,该方法可利用物联网技术采集的图片,或以网络图片信息、历史类似场景数据等作为补充,通过SIFT特征提取、K means聚类处理以及SVM分类,实现场景的智能识别。经仿真分析,该方法能实现封闭空间内外部图像信息互通,“接补”因无法了解事件内部情况而产生的救援环节链条的“断环”,为救援提供决策参考。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。