【技术实现步骤摘要】
本专利技术属于模式识别与质量评价
，特别是涉及一种基于二类支持向量机和粒子群算法的近海水质评价方法。
技术介绍
海洋是地球赖以生存的重要水资源，但是目前面临着越来越严重的水质污染问题。水环境质量评价作为环境质量评价的一项重要内容，是进行环境管理的重要手段之一。对于海水水质综合评价的方法，早期国内外学者大多使用如综合指数法、模糊综合评价法、模糊聚类法等方法，但是这些方法都要事先假定模式或主观规定的一些参数如模糊综合评价法要给定水质参数的权值；模糊聚类分析要给定隶属函数等，评价结果具有很强的主观性。近年来，国内外都在努力探索更为合理的评价方法，其中人工神经网络评价法被广泛 使用，但用其建立水质评价模型存在两个问题训练样本不足，计算精度不够。由于神经网络结构太大而出现“过拟合”现象，这样建立的模型就无法保证其具有较好的泛化能力和预测能力，所以迫切需要更加精确的水质评价模型。支持向量机(Support Vetor Machine, SVM)算法是目前在模式识别领域研究的热点，其是Vapnik及其合作者在统计学习理论的基础上，于1995年提出的一种新型机器学习方法，其基本思...
【技术保护点】
一种基于二类支持向量机和粒子群算法的近海水质评价方法，其特征在于，其包括以下步骤：S1、选择近海水质评价因素作为特征信息，建立样本数据集，并对特征信息进行归一化处理，完成特征信息的预处理，将所有的特征信息组成特征向量；S2、确定近海水质评价等级，对近海水质评价等级进行二进制编码，并构造支持向量机网络；S3、为了能够在更大范围内寻找二类支持向量机的惩罚参数和核函数参数的最佳值，采用粒子群优化算法进行参数寻优并得到最优向量参数；S4、采用步骤S3所得的最优向量参数对支持向量机网络中的每个二类支持向量机进行训练；S5、利用步骤S4训练完成的支持向量机网络，输入待分类的样本集，获得...
【技术特征摘要】
1.一种基于二类支持向量机和粒子群算法的近海水质评价方法，其特征在于，其包括以下步骤 51、选择近海水质评价因素作为特征信息，建立样本数据集，并对特征信息进行归一化处理，完成特征信息的预处理，将所有的特征信息组成特征向量； 52、确定近海水质评价等级，对近海水质评价等级进行二进制编码，并构造支持向量机网络； 53、为了能够在更大范围内寻找二类支持向量机的惩罚参数和核函数参数的最佳值，采用粒子群优化算法进行参数寻优并得到最优向量参数； 54、采用步骤S3所得的最优向量参数对支持向量机网络中的每个二类支持向量机进行训练； 55、利用步骤S4训练完成的支持向量机网络，输入待分类的样本集，获得对其预测的结果，完成近海水质的等级评价。2.如权利要求I所述的基于二类支持向量机和粒子群算法的近海水质评价方法，其特征在于，所述步骤SI具体还包括以下两个步骤步骤SI. I，选取有效的近海水质特征信息，特征信息的选择主要根据已经检测获得的近海海域的污染物特征，包括溶解氧、化学需氧量、活性磷酸盐、无机氮和石油类五项污染指标，收集至少一百种样本作为样本数据集并组成特征信息；步骤SI. 2，选定特征信息后进行归一化处理，根据每项特征信息的最大值和最小值，完成特征信息的归一化后，将所有的特征信息组成特征向量。3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。