双子支持向量机模型改进及其在径流预报中的应用

论文摘要

准确的径流预报在水资源管理中起着重要的作用。然而径流序列受到气象、地理条件、人类活动等众多因子的影响呈现出高信噪比、非线性、随机性等特征,传统的单一模型难以提高径流的预报精度。为此,本文研究了基于小波分析理论结合双子支持向量机模型（Twin Squares Support Vector Machines,TSVM）以及利用人工鱼群算法对TSVM参数寻优的组合预报方法。通过MATLAB语言编程建立预报模型,并采用基于混合核函数的双子支持向量机实现了月径流预报。本文的研究内容主要包括以下几个方面:（1）论述了预报相关的知识和概念。首先介绍了小波的定义,重点论述了离散小波变换以及Mallat快速算法,对处理高信噪比的径流数据提出理论参考依据;另外较为全面地介绍了VC维理论、结构风险最小化及支持向量机理论的提出。（2）研究了传统的双子支持向量机模型。首先对双子支持向量机理论及其基本核函数进行探讨与分析,并通过仿真实验证明了常用的径向基函数和多项式函数存在的不足。本文对这两个函数线性叠加构造混合核函数,并将权值设置成不同值进行性能比较。结果表明,改进后的混合核函数比常用的核函数在预测方面具有较强的优势,能够有效提高双子支持向量机的学习能力和拟合能力。（3）建立了一种改进的双子支持向量机模型。由于双子支持向量机方法中参数的选择对于预测性能有着至关重要的影响,本文提出改进人工鱼群算法对核参数进行寻优。首先介绍了人工鱼群算法的基本思想,在鱼群的初始化中加入混沌机制并对其视野、步长自适应改进。设计测试函数寻优实验,并与基本人工鱼群算法、粒子群算法（PSO）对比发现,经过改进的人工鱼群算法寻优精度及收敛性得到了有效提高。最后,以均方误差最小作为模型的优化目标函数,完成了改进双子支持向量机模型的建立。（4）对上犹江流域的年际及年内变化趋势进行分析,并对径流数据进行小波预处理。和双子支持向量机模型相耦合,讨论了上犹江月径流预报中改进人工鱼群算法的双子支持向量机（IAFSA-TSVM）模型输入变量的选取问题。为了测试IAFSA-TSVM模型的优势,采用未经参数优化的TSVM模型、PSO-TSVM模型对径流进行预报,发现径流滞时变量为4并加上降雨数据时,三个模型的预报效果都较为稳定,而IAFSA-TSVM模型的预报性能最好。另外,为了进一步分析IAFSA算法对TSVM的预报性能,本文将该算法对BP神经网络（BPNN）、径向基神经网络（RBNN）和SVM三种模型的参数进行寻优来验证IAFSA算法的有效性。最后,采用箱形图来评估所有模型的性能。实例研究发现,上犹江水电站历史月径流的模拟结果显示了IAFSA-TSVM模型比其他模型具有更高的精度。因此,本文提出的IAFSA-TSVM模型为月径流预报提供了有效的方法。

论文目录

文章来源

类型: 硕士论文

作者: 李文敬

导师: 李沛武,刘凤生

关键词: 径流预报,小波分析,双子支持向量机,核函数,人工鱼群算法

来源: 南昌工程学院

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 地球物理学,水利水电工程,自动化技术

单位: 南昌工程学院

分类号: TP181;P338

总页数: 59

文件大小: 5632K

下载量: 119

相关论文文献

• [1].基于人工鱼群算法的孪生支持向量机[J]. 智能系统学报 2019(06)
• [2].基于改进支持向量机的温室大棚温度预测[J]. 科技创新与应用 2020(10)
• [3].结构化支持向量机研究综述[J]. 计算机工程与应用 2020(17)
• [4].支持向量机理论及应用[J]. 科学技术创新 2019(02)
• [5].加权间隔结构化支持向量机目标跟踪算法[J]. 中国图象图形学报 2017(09)
• [6].多分类孪生支持向量机研究进展[J]. 软件学报 2018(01)
• [7].模糊型支持向量机及其在入侵检测中的应用[J]. 科技创新与应用 2018(11)
• [8].从支持向量机到非平行支持向量机[J]. 运筹学学报 2018(02)
• [9].支持向量机的基本理论和研究进展[J]. 长江大学学报(自科版) 2018(17)
• [10].孪生支持向量机综述[J]. 计算机科学 2018(11)
• [11].一种新的基于类内不平衡数据学习支持向量机算法[J]. 科技通报 2017(09)
• [12].分段熵光滑支持向量机性能研究[J]. 计算机工程与设计 2015(08)
• [13].有向无环图-双支持向量机的多类分类方法[J]. 计算机应用与软件 2015(11)
• [14].基于支持向量机的股票价格预测模型研究与应用[J]. 课程教育研究 2016(28)
• [15].灰狼优化的混合参数多分类孪生支持向量机[J]. 计算机科学与探索 2020(04)
• [16].基于属性约简—光滑支持向量机的中小企业信息化评价研究[J]. 软件工程 2020(07)
• [17].基于稀疏孪生支持向量机的人脸识别[J]. 信息技术 2020(07)
• [18].基于总类内分布的松弛约束双支持向量机[J]. 济南大学学报(自然科学版) 2018(04)
• [19].基于多分类支持向量机的评估模型研究[J]. 数学的实践与认识 2017(01)
• [20].改进的支持向量机在微博热点话题预测中的应用[J]. 现代情报 2017(03)
• [21].多核在线支持向量机算法研究及应用[J]. 宜宾学院学报 2017(06)
• [22].基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化 2015(03)
• [23].一种层次粒度支持向量机算法[J]. 小型微型计算机系统 2015(08)
• [24].自训练半监督加权球结构支持向量机多分类方法[J]. 重庆邮电大学学报(自然科学版) 2014(03)
• [25].四类基于支持向量机的多类分类器的性能比较[J]. 聊城大学学报(自然科学版) 2014(03)
• [26].一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用 2013(04)
• [27].一种采用粗糙集和遗传算法的支持向量机[J]. 山西师范大学学报(自然科学版) 2013(01)
• [28].基于在线支持向量机的无人机航路规划技术[J]. 电光与控制 2013(05)
• [29].贪婪支持向量机的分析及应用[J]. 计算机工程与应用 2012(24)
• [30].一种改进的双支持向量机[J]. 辽宁石油化工大学学报 2012(04)

标签：径流预报论文;  小波分析论文;  双子支持向量机论文;  核函数论文;  人工鱼群算法论文;