為了更好的驗證模型的預測效果，本文采用均方根誤差(RMSE)、平均絕對值百分比誤差(MAPE)、平均絕對誤差(MAE)的三個評價指標。

如式(24)-(26)：

均方根誤差(RMSE)：

平均絕對值百分比誤差(MAPE)：

平均絕對誤差(MAE)：

式(24)-(26)中，yt為第t天的溶解氧含量；yˆt為第t天的溶解氧含量的預測值；N為預測樣本數。均方根誤差是常見得衡量回歸模型性能的評價指標，RMSE指標越小，說明模型的預測精度越高。

本文將BP神經網絡模型、SVR、PSO-SVR、GNIPSO-SVR模型分別在未特征選擇、MI特征選擇和PCA-MI組合特征選擇的方法下進行仿真實驗并對預測結果進行了統(tǒng)計分析，如表3所示。從表3可以看出，采用PCA-MI特征選擇方法的預測模型性能均優(yōu)于未特征選擇和MI特征選擇的預測模型，而且對于未特征選擇的溶解氧數據集，BP神經網絡的預測性能高于SVR模型，經過MI和PCA-MI特征選擇方法的SVR模型的預測性能明顯優(yōu)于BP神經網絡模型，再次說明SVR預測模型適用于小樣本數據集。采用MI特征選擇方法時，選取互信息值較大的作為溶解氧的特征變量，在確定選取的數目時具有一定的主觀性，而且也忽略了選取的特征變量間的相關性，降低溶解氧預測模型的精度。

綜上所述，在研究水質指標溶解氧問題時選擇的特征變量過少導致建模效果不佳，預測結果不具有代表性，特征變量多可以提供描述問題的更多信息，但數據中會存在無關和弱相關且冗余的特征變量，會降低模型的泛化性能。在對溶解氧預測實踐中，PCA-MI特征選擇方法選取的特征變量更具有代表性，能更有效的提高模型預測性能。

從表3的BP、SVR、PSO-SVR和GNIPSO-SVR模型之間的評價指標比較發(fā)現(xiàn)，在未特征選擇、MI特征選擇和PCA-MI組合特征選擇上，GNIPSO-SVR模型的MAE、MSE和RMSE均較低，而且經過PCA-MI組合特征選擇的GNIPSO-SVR模型的評價指標最低，說明了GNIPSO-SVR模型具有較高的預測性能。

聲明：本文所用圖片、文字來源《信息與控制》，版權歸原作者所有。如涉及作品內容、版權等問題，請與本網聯(lián)系刪除。

相關鏈接：溶解氧，評價，樣本