论文研究-PSO优选参数的SVR水质评价方法.pdf

所需积分/C币:11 2019-09-12 21:15:00 611KB .PDF

为进一步提高多光谱图像水质反演的评价精度,提出了一种基于PSO优选参数的SVR水质评价方法。该模型利用高分辨率多光谱遥感SPOT-5 数据和水质实地监测数据,用粒子群优化算法对支持向量回归的参数进行了优化。首先,分析和筛选渭河陕西段水质实地监测数据,得到符合条件且具有代表性的四类水质变量。接着,使用五种大气校正方法对遥感影像进行大气辐射校正。然后,对各水质变量与遥感数据波段进行相关性分析和水质反演。最后,运用该模型以渭河水质监测数据为例进行了水质评价。实验结果表明,该方法可以较好地实现水质综合评价,能从整体上准确、客观地反映河流水质情况,为内陆河流环境评价提供了一种新方法。
何同弟,李见为,黄鸿:PSO优选参数的SVR水质评价方法 2010,46(24) 些新的方法,如PSO和GA等,这些算法能够在复杂的搜索空敏感损失函数中,8大小表示置信区间的宽度,反映了函数拟合 间中快速寻求到全局最优解,目前已在机器学习、并行处理和的精度,用于调和模型复杂度和逼近精度,因为c一般为一个 优化等领域得到越来越广泛的应用。文中在SVR的参数优选非常小的正值,所以将的搜索区间设定为[0.0001,0.1500]之间。 上使用了PSO算法。 (3)PSO适应度函数 3.2粒子群优化算法 适应度函数的好坏直接决定进化算法优劣2。这里选取计 粒子群优化算法(PSO)是由 Kenney和 Eberhart”于1995 算预测结果的均方误差(MSE)作为适应度函数,其形式如下 年提出的一种有效的全局寻优算法,其基本思想源于对鸟类 1 F(C,a,e)- MSE 捕食行为的模拟,通过群体中粒子之间的合作与竞争产生的 SVR回归模型在测试样本集上的MSE值越小,则对应该 群体智能指导优化搜索。PSO求解优化问题时,将每一个问组适应度值越大。 题的解看做搜索空间中的一只鸟,即粒子。首先生成初始种3.3使用PSO的优化SVR参数 群,即在可行解空间中随机初始化一群粒子,每个粒子都为优 将PSO应用于SVR参数优选时,算法步骤如下 化问题的一个可行解,并由目标函数为之确定一个适应度 (1)初始化粒子群(C,σ2,s),设置粒子数、循环次数、C1和 值。每个粒子都将在解空间中运动,并由速度决定其飞行方C2等。 问和距离。通常粒子将追寻当前的最优粒子在解空间中搜 (2)用训练集来训练SVR,用式(5)的适应度函数来计算 索。在每一次迭代中,粒子将跟踪两个“极值”来更新自己, 每一个粒子的适应度值r,σ2,ω),然后根据粒子的适应度值 个是粒子本身找到的最优解,另一个是整个种群目前找到的更新p和p。若粒子当前适应度函数值高于p,则pm被当前 最优解,这个极值即全局极值。 位置替换;如果所有粒子的当前最优适应凼数值优于g,则 (1)PSO的数学描述 gw被当前最优位置替换。 PSO的数学描述为:设在一个D维搜索空间中,由m个粒 (3)按式(3)和式(4)对粒子的速度和位置进行进化。 子组成一个种群。其中第i个粒子的位置表示为向量x=(xn, (4)如未达到算法结束条件,则返凹(1);否则输出最优 x,…,x),i=1,2,…,m。将x带入目标函数来算出其适应度 解,算法结束。 值,然后根捃适应度值的大小来评价出该粒子的优劣。第汗个 粒子的飞行速度表示为向量=(m,2,),其搜索到的最4实验与分析 优位置为p=(p1,pa,…,po),整个粒子群搜索到的最优位置为 使用优选参数后的最优SVR模型反演水质变量得到的预 4=(pn,p,,po)。当找到这p和p两个最优值时,粒子可 测值与原数据值分布图如图1~图4 根据式(3)和式(4)来更新自己的速度和位置: 表示以预测值和实际值 70为横纵坐标 "+1=W+C(P1-x)+C22(P2-x) (3) x+1=x2+ (4) 其中,=1,2,…,m;w是惯性权重函数,用来控制前面速度对 当前速度的影响;c1和c2称为加速因子,都是非负常数;r1和n2 是[0,1的随机数。 (2)各参数搜索区间 惩罚系数C用于控制模型复杂度和逼近精度,C过大,则 1020304050607080 训练样本数据的拟合程度越高,但是泛化能力将降低;C过 预测值 图1 CODmn预测值与原数值 小,则模型达不到很好的逼近精度。因此采取如下方法确定C 的搜索区间0.C取C1=max(n)3对于某一确定的足够大的C,41水质标准和评价指标的选取 当2→0时会发生严重的“过学习”现象叫,径向基函数SVR虽 水质标准采用《国家地表水环境质量标准》(GB3838-002)。 能对训练样本较好地拟合,但是对测试样本的泛化能力变得 通过对渭河6个监测断面2000~2006年的水质监测数据进行 极差;当a2→∞时会发生严重的“欠学习”现象,实验取σ2的搜 分析,渭河污染以有机污染为主,选取4种常规的水质指标测 量值:生化需氧量(COD)、溶解氧(DO)、高锰酸盐指数(COD 索区间为mm(x-x)×102max(x-x)×10)。在不m)、氮氮(NHN)作为svM的识别数据。如表3所示。 表示以预测值和实际值 表示以预测值和实际值 表示以预测值和实际值 为横纵坐标 为横纵坐标 为横纵坐标 20 200 〓 探10 1234567 0100150200250300 预测值 预测值 预测值 图2NH3-N预测值与原数值 图3DO预测值与原数值 图4COD预测值与原数值 14 2010,46(24) Computer Engineering and Applications计算机工程与应用 表3地表水环境质量标准 多个水质指标的综合评价,可以弥补单因子法的不足。但就 类别COD(≤)DO(≥) CODmn(≤)NH-N(≤) 这两种方法而言,神经网络的优化目标是基于经验风险最小 33.46 化,这就不能保证网络的泛化能力。因此,神经网络系统的优 4605 劣是因人而异的。而SVR是以统计学习理论为基础的,具有 1.50 严格的理论和数学基础,它基于结构风险最小化原则,保证学 2.00 习机器具有良好的泛化能力。本文引入PSO进行参数寻优, 劣V 2.0 >2.00 大大提高了参数选择的效率。综上所述,在综合水质评价方 4.2水质评价结果 面,PSO优选参数的SVR评价法比BP人工神经网络评价法具 将由PSO获得的最优参数a2=0.389,C=21.734代入SVR 有更加优良的分类性能。PSO优选参数的SVM泙价法能从整 多类分类模型,用该模型对13个测试样本进行评价。下面用体上准确客观反映河流水质情况,是一种比较理想的方法。 3种方法对反演以后的水质进行评价,结果见表4~表6: 5结束语 表4单因子评价法结果 水环境质量综合评价的方法很多,其评价结果的可信度 样本COD CODmn NH-N 类别 3.1 9.8 4.20 0.25 也有差异,基于PSO优选参数的SⅤR评价法在小样本的情况 0.5 8.7 1.80 0.41 下能得到较好的分类结果,能够全面、客观地反映水资源各项 3 2.50 0.43 III 指标的综合污染程度,本文引入PSO对SVR参数寻优,极大 3456789 0.33 提高了参数选择的效率。在综合分析各种评价方法特点的基 1.0 7.3 3.18 0.90 础上,认为基于PSO优选参数的SVR评价法是一种较好的评 7.2 30.50 1.98 价方法,为水质综合评价提供了·条新途径,具有重要的理论 20.5 0.9 13.50 1.70 和现实意义。实验屮的样本数量还偏少,为了使评价的推广 VI 2.1 105.00 14.0 性进一步提高,反演中应尽量增加采样点的个数,以区分不同 10 1.9 10.00 的季节,做更多的时空分析及验证。同时本文仅对4种水质 50.1 1.8 64.32 12.30 参数进行评价应该进一步增加其他水质参数进行综合评价。 47.0 78.20 10.55 74.30 13.20 参考文献: 表5BP神经网络评价法结果 []周兆永,汪西莉,曹艳龙基于GA优选参数的SVM水质评价方法 样本 COD CODmn NH-N 类别 研究[J计算机工程与应用,2008,44(4):190-193 3.1 9.8 4.20 0.25 [2 Simconoy V, Stcfanov S, Tsakovski S Environmctrical trcatmcnt 8.7 0.41 of water quality survey data from Yangtse river[J]. Mikrochim 0.43 I Acta,2000,134(1/2):15-21. 4 0 6.8 2.20 0.33 1.0 7.3 0.90 [3 Loke E, Wamaars E A, Jacobsen P, et al. Artificial neural net 7.230.50 works as a fool in urban storm damage[J]. Water Science and 7 40.0 2.9 31.50 6.84 Technology,1997,36(8/9):101-110 20.5 0.9 13.50 1.70 [4]王艳琼,口秀琴.基于BP神经网络模型的水质评价及预测[武汉 14. 工业学院学报,2007,26(1):6467 10 50.0 9 65.00 10.00 [5]曹剑峰改进BP神经网络在地下水环境质量评价中的应用[J水 8 64.32 12.30 利水电科技进展,2006,26(3):21-23 47.0 3 78.20 10.65 [6]李占东BP人工袒经网络模型在珠江口水质评价中的应用[南 43.2 5.4 74.30 13.20 方水产,2005,1(4):47-54 表6基于PSO优选参数的SVR评价法结果 [7 Gc M, Du R, Zhang CC, ct al. Fault diagnosis using support 样本 COD DO CODmn NHI-N 米 vector machine with an application in sheet metal stamping 3.l 4.20 0.25 erations[J]. Mechanical Systems and Signal Processing, 2004 0.5 1.80 143-159 3.7 9.3 043 [8] GuoG D, Li S ZContent-based audio classification and retriev 2.0 6.8 2.20 0.33 al by support vector machines[J].IEEE Trans on Neural Net 7.3 k,2003,14(1):209-215 30.50 [9] Kennedy J, Eberhart R Particle swarm optimization[C]/Proc of 40.0 31.50 6.84 IEEE International Conference on Neural Networks. Piscataway 1.70 IEEE Press,1995:1942-1948 VI [10]刘靖旭支持向量回归的模型选择及应用研究[D]国防科学技术 50.0 65.00 10.00 大学,2006 11 50.1 64.32 47.0 78.20 10.65 VI [11] Kccrthi SS, Lin C J Asymptotic behaviors of support vcctor 43.2 5.4 74.30 13.20 VI machines with Gaussian kernel[J]. Neural Computation, 2003, 15 1667-1689 从表中可以看出单因子法得出的水质结果相对较差,BP12]黄鸿,李见为,冯海亮融合局部和全局结构的流形学习光学 人T神经网络评价法和PSO优选参数的SVR评价法是基于 精密工程,2008,17(3):626-632

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐