北方偉業(yè)計量集團(tuán)有限公司
在解決水質(zhì)指標(biāo)溶解氧的預(yù)測問題時，將經(jīng)過PCA和MI組合特征選擇的溶解氧數(shù)據(jù)作為GNIPSO-SVR預(yù)測模型的輸入，并與BP神經(jīng)網(wǎng)絡(luò)、SVR、PSO-SVR等預(yù)測模型進(jìn)行對比分析。各個溶解氧預(yù)測模型的總體趨勢與實際值都比較吻合，但本文提出的GNIPSO-SVR模型預(yù)測DO的曲線更接近實際值的曲線，PSO-SVR模型的預(yù)測效果次之，SVR的預(yù)測曲線與實際值曲線擬合度最差，尤其是對突變值的擬合情況，各個模型的預(yù)測值和實際值的擬合曲線的可視化結(jié)果如圖4-圖7所示。
聲明：本文所用圖片、文字來源《信息與控制》，版權(quán)歸原作者所有。如涉及作品內(nèi)容、版權(quán)等問題，請與本網(wǎng)聯(lián)系刪除。
采集到的數(shù)據(jù)一般不直接采用，需經(jīng)過數(shù)據(jù)的歸一化處理。這是因為水質(zhì)因子指標(biāo)的范圍比較大，不同的數(shù)據(jù)具有不同的量綱單位，為了消除水質(zhì)指標(biāo)彼此之間的量綱影響及保證這些數(shù)據(jù)之間具有可比性以及提高模型的運行速度和預(yù)測精度。本文采用MATLAB R2018a的map-maxmin函數(shù)進(jìn)行歸一化處理，如式(23)所示，“apply”模式是將數(shù)據(jù)指標(biāo)轉(zhuǎn)化到[-1,1]之間，便于對比預(yù)測，而“resver”模式可以將數(shù)據(jù)反歸一化回去。
了解更多＞ >
在選取的樣本信息中，水質(zhì)指標(biāo)濁度與水溫之間的相關(guān)系數(shù)為0.58>0.5，氨氮與電導(dǎo)率之間的相關(guān)系數(shù)為0.547>0.5，在99%的置信區(qū)間下，具有顯著相關(guān)性。而互信息值0.7759(濁度)>0.6800(水溫)，0.7854(電導(dǎo)率)>0.7598(氨氮)，因此選取電導(dǎo)率、總磷、濁度、高錳酸鉀指數(shù)、PH、總氮等作為水質(zhì)指標(biāo)中影響溶解氧含量的特征變量。
了解更多＞ >
綜上所述，在研究水質(zhì)指標(biāo)溶解氧問題時選擇的特征變量過少導(dǎo)致建模效果不佳，預(yù)測結(jié)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(shù)據(jù)中會存在無關(guān)和弱相關(guān)且冗余的特征變量，會降低模型的泛化性能。在對溶解氧預(yù)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(yù)測性能。
了解更多＞ >
在解決水質(zhì)指標(biāo)溶解氧的預(yù)測問題時，將經(jīng)過PCA和MI組合特征選擇的溶解氧數(shù)據(jù)作為GNIPSO-SVR預(yù)測模型的輸入，并與BP神經(jīng)網(wǎng)絡(luò)、SVR、PSO-SVR等預(yù)測模型進(jìn)行對比分析。各個溶解氧預(yù)測模型的總體趨勢與實際值都比較吻合，但本文提出的GNIPSO-SVR模型預(yù)測DO的曲線更接近實際值的曲線，PSO-SVR模型的預(yù)測效果次之，SVR的預(yù)測曲線與實際值曲線擬合度最差，尤其是對突變值的擬合情況，各個模型的預(yù)測值和實際值的擬合曲線的可視化結(jié)果如圖4-圖7所示。
了解更多＞ >
本文利用主成分分析(PCA)、互信息(MI)、非線性慣性權(quán)重遞減的粒子群優(yōu)化算法(GNIPSO)和支持向量回歸機(jī)(SVR)，提出了一種基于高斯函數(shù)的非線性權(quán)重遞減的粒子群算法優(yōu)化支持向量回歸機(jī)(GNIPSO-SVR)的預(yù)測模型，通過實驗證明了GNIPSO算法優(yōu)化SVR的參數(shù)優(yōu)于標(biāo)準(zhǔn)的PSO算法和慣性權(quán)重線性遞減的PSO算法。
了解更多＞ >通話對您免費，請放心接聽
溫馨提示：
1.手機(jī)直接輸入，座機(jī)前請加區(qū)號 如13803766220,010-58103678
2.我們將根據(jù)您提供的電話號碼，立即回電，請注意接聽
3.因為您是被叫方，通話對您免費，請放心接聽
登錄后才可以評論