水质数据的回归分析算法研究与应用

发布时间：2017-10-01 20:28

  本文关键词：水质数据的回归分析算法研究与应用

  更多相关文章： 回归分析 最小二乘支持向量机 RBF神经网络 模糊粗糙集 软距离 叶绿素a

【摘要】：回归分析作为一种常见且重要的数据挖掘方法,在挖掘数据中的有用信息时发挥了重要作用。随着大量专家学者对其进行研究,回归分析理论不断发展与完善,同时在社会各领域得到了广泛的应用并取得了良好的效果。回归分析在水生态领域同样有着越来越多的应用。近年来,大量营养盐进入水体,导致水体富营养化越来越严重,对水生态系统健康造成严重威胁。叶绿素a是藻类中叶绿素的主要成分,其含量的高低与水体中藻类的种类、数量密切相关,是表征水体富营养化现象及其程度的重要指标之一。因此,获取准确的水体叶绿素a浓度对于水体富营养化防治具有重要意义。支持向量机(SVM)在处理小样本、非线性问题上表现出优异的性能,因此在各个领域中有着广泛的应用。近年来众多学者主要从两方面来提高支持向量机的回归预测精度,一是优化支持向量机的参数,二是改进近似核函数。但是这些努力只着眼于对支持向量机本身的改进而忽略了对数据集中有用信息的进一步提取。因此,本文提出了一种基于最小二乘支持向量机和RBF神经网络的混合回归预测模型。该模型通过进一步提取支持向量机在训练时所产生的误差项中的有用信息来修正最终的预测值,从而提高回归预测的精度。由于水生态系统是一个动态的、开放的、复杂的系统,水质数据包含了很多不确定性因素,对于不确定性问题的处理,模糊粗糙集作为一种强大的数学工具发挥着重要作用,因而广泛应用于水质数据的处理中。但是在基于模糊粗糙集理论的回归模型中,在计算上下近似时对数据中的异常点非常敏感,针对这个问题,本文引入软距离概念,提出一种适合回归分析的软模糊粗糙集上下近似计算方法,并构建一个对异常点不敏感的模糊粗糙回归预测算法。最后将回归预测模型应用于“三峡在线监测系统”中,并在系统中稳定运行,为三峡库区环境治理提供数据支撑,体现了模型实用性。
【关键词】：回归分析 最小二乘支持向量机 RBF神经网络 模糊粗糙集 软距离 叶绿素a
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP311.13
【目录】：

• 摘要3-4
• Abstract4-8
• 第1章 绪论8-13
• 1.1 研究背景与意义8-9
• 1.2 研究动态与现状9-11
• 1.3 论文内容与结构11-13
• 第2章 回归分析简介13-17
• 2.1 回归分析的一般形式13
• 2.2 线性回归预测13-15
• 2.3 非线性回归分析15-16
• 2.4 本章小结16-17
• 第3章 最小二乘支持向量机和RBF神经网络混合回归模型17-31
• 3.1 引言17-18
• 3.2 最小二乘支持向量机和RBF神经网络简介18-22
• 3.2.1 支持向量机与最小二乘支持向量机18-20
• 3.2.2 RBF神经网络20-22
• 3.3 混合回归预测算法22-26
• 3.4 实验分析26-29
• 3.4.1 UCI数据集实验27-28
• 3.4.2 水质数据集实验28-29
• 3.5 本章小结29-31
• 第4章 改进的模糊粗糙回归预测模型31-50
• 4.1 引言31-32
• 4.2 相关方法描述32-36
• 4.2.1 粗糙集简介32-33
• 4.2.2 模糊集简介33-34
• 4.2.3 模糊粗糙集简介34-36
• 4.3 模糊粗糙回归预测算法36-40
• 4.4 改进的模糊粗糙回归预测算法40-43
• 4.5 实验分析43-48
• 4.5.1 UCI数据集实验43-47
• 4.5.2 水质数据集实验47-48
• 4.6 本章小结48-50
• 第5章 模型应用50-53
• 5.1 三峡在线监测系统50-51
• 5.2 三峡水生态感知平台51-53
• 第6章 总结与展望53-55
• 6.1 全文总结53-54
• 6.2 展望54-55
• 参考文献55-60
• 致谢60-61
• 攻读硕士学位期间从事的科研工作及取得的成果61

【参考文献】

中国期刊全文数据库 前5条

1 宋欣;王翠荣;;基于线性回归的无线传感器网络分布式数据采集优化策略[J];计算机学报;2012年03期

2 向先全;陶建华;;基于GA-SVM的渤海湾富营养化模型[J];天津大学学报;2011年03期

3 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

4 游仕洪,程浩忠,谢宏,郭文铸,卢金滇;模糊组合预测在中长期负荷预测中的应用[J];电力系统及其自动化学报;2004年03期

5 杜树新,吴铁军;用于回归估计的支持向量机方法[J];系统仿真学报;2003年11期

，

本文编号：955536