×
卢仁乔;谢正超;Ung，Wai Kin先生;莫凯蒙

将支持向量回归与粒子群优化相结合，用于淡水水华数值模拟。 （英语） Zbl 1443.92018年

申请。数学。建模 39，第19期，5907-5916（2015）.
小结：溶藻毒素是一种致癌物质，对人类危害极大。因此，建立淡水水库藻类种群动态变化模型具有重要意义。但由于水变量及其内在机理非常复杂和非线性，实际建模非常困难。因此，为了缓解澳门主蓄水池（MSR）的水华问题，本文提出并开发了一个结合支持向量回归（SVR）和粒子群优化（PSO）的混合智能模型，以优化控制预测和预测浮游植物动态的参数。在此过程中，收集的当月变量和前几个月变量的数据分别用于模型预测和预测。在每月监测的23个水变量的相关分析中，15个变量如碱度、碳酸氢盐（{六氯环己烷}_3^-\))选择了溶解氧（DO）、总氮（TN）、浊度、电导率、硝酸盐、悬浮固体（SS）和总有机碳（TOC），并使用2001-2008年每个选定变量的数据进行训练，同时使用最近三年的2009-2011年的数据进行测试。从数值结果可以看出，预测功率和预测功率分别估计在0.767和0.876左右，自然可以得出结论，新提出的PSO-SVR运行良好，可以用于进一步的研究。

引用于2文件

MSC公司：

92-10 生物相关问题的数学建模或模拟
92D40型 生态学

关键词：

水华;浮游植物丰度;支持向量回归;粒子群优化;预测和预测模型

软件：

SPSS软件
PDF格式BibTeX公司 XML格式引用
\textit{I.Lou}等人，应用。数学。Modelling 39，No.19，5907--5916（2015；Zbl 1443.92018）
全文： 内政部

参考文献：

[1] 塞尔曼，Z。；格林哈尔，S。；Diaz，R.，《沿海地区的富营养化和缺氧：知识状态的全球评估》（2008年），世界资源研究所：华盛顿特区世界资源研究院。
[2] 费世伟。；王明杰。；苗Y.-B。；涂，J。；Liu，C.L.，基于粒子群优化的支持向量机预测电力变压器油中溶解气体含量，Energy Convers。管理。，50, 1604-1609 (2009)
[3] Amiryousefi，M.R。；莫赫比，M。；Khodaiyan，F。；Asadi，S.，一个增强的自适应神经模糊推理系统，使用自组织映射聚类来预测鸵鸟肉盘油炸过程中的传质动力学，计算。电子。农业。，76, 89-95 (2011)
[4] 哈瓦尼亚，I.G。；Kovácsa，J。；科瓦茨布，I.S。；Jakuschc，P。；Korponaid，J.，《利用时间序列、聚类分析和Wilks的lambda分布分析Kis-Balaton水保护系统的长期水质变化》，Ecol。工程，37，629-635（2011）
[5] Li，C.S。；Hu，J.W.，《基于ARIMA的神经模糊方法和群智能用于时间序列预测的新方法》，《工程应用》。Artif公司。智力。，25, 295-308 (2012)
[6] Pallant，J。；合唱I。；Bartram，J.，《水中有毒蓝藻》，SPSS生存手册（2007），麦格劳·希尔
[7] 黄，G.B。；朱庆云。；Siew，C.-K.，极限学习机：前馈神经网络的一种新的学习方案，IEEE国际会议神经网络-会议过程。，2, 985-990 (2004)
[8] 黄，G.B。；朱庆云。；Siew，C.-K.，《极限学习机器：理论与应用》，神经计算，70489-501（2006）
[9] 黄，G.B。；Chen，L。；Siew，C.K.，使用带有随机隐藏节点的增量构造前馈网络的通用近似，IEEE Trans。神经网络，17879-892（2006）
[10] Han，H.G。；乔建芳，基于自组织RBF神经网络的活性污泥膨胀预测，《过程控制》，22，1103-1112（2012）
[11] Belanche，L。；巴尔德斯，J.J。；科马斯，J。；罗达，I.R。；Poch，M.，废水处理厂膨胀现象预测，Artif。智力。工程，14，307-317（2000）
[13] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，《支持向量机和其他基于核的学习方法简介》（2000），剑桥大学出版社：剑桥大学出版社·Zbl 0994.68074号
[14] Vapnik，V.N.，《统计学习理论的本质》（2000），施普林格出版社：纽约施普林格·Zbl 0934.62009号
[15] 埃伯哈特共和国。；Kennedy，J.，《使用粒子群理论的新优化器》，第六届微机械与人类科学国际研讨会论文集，39-43（1995）
[16] 林，S.W。；Ying，K.C。；陈S.C。；Lee，Z.J.，支持向量机参数确定和特征选择的粒子群优化，专家系统。申请。，35, 1817-1824 (2008)
[17] 肯尼迪，J。；Eberhart，R.C.，《Swarm Intelligence》（2001年），摩根考夫曼出版社：摩根考夫文出版社旧金山
[18] Keerthi，S.S.，使用半径/边界和迭代算法高效调整SVM超参数，IEEE Trans。神经网络，131225-1229（2000）
[19] Duan，K。；Keerthi，S。；Poo，A.，《调整SVM超参数的简单性能度量的评估》，神经计算，51，41-59（2003）
[21] Fei，S.W。；王明杰。；Miao，Y.B。；涂，J。；Liu，C.L.，基于粒子群优化的支持向量机预测电力变压器油中溶解气体含量，Energy Convers。管理。，50, 1604-1609 (2009)
[22] Hong，W.C.，支持向量回归电力负荷预测模型中的混沌粒子群优化算法，Energy Convers。管理。，50, 105-117 (2009)
[23] 唐，X。；庄，L。；江，C.，基于混沌粒子群优化的支持向量回归预测铁水硅含量，专家系统。申请。，36, 2009, 11853-11857 (2009)
[24] 赵宏斌。；尹，S.，基于粒子群优化和支持向量机的地质力学参数识别，应用。数学。型号1。，33, 3997-4012 (2009) ·Zbl 1205.86049号
[25] 吴琼。；基于高斯粒子群优化目标变量的Law，R.，Cauchy变异用于SVM参数选择，专家系统。申请。，38, 6405-6411 (2011)
[26] 吴琼。；Wu，S.Y。；Liu，J.，基于高斯损失函数支持向量机和自适应高斯粒子群算法的混合模型，工程应用。Artif公司。智力。，23, 487-494 (2010)
[27] 吴琼。；Law，R.，基于模糊稳健小波支持向量分类器和自适应高斯粒子群优化的复杂系统故障诊断，Inf.Sci。，1804514-4528（2010年）·Zbl 1207.68254号
[29] 黄，G.B。；Chen，L.，凸集增量极端学习机，神经计算，703056-3062（2007）
[30] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，《支持向量机和其他基于核的学习方法简介》（2002），剑桥大学出版社：剑桥大学出版社·Zbl 0994.68074号
[31] 谢，Z。；卢，I。；Ung，W.K。；Mok，K.M.，澳门水库淡水藻华支持向量机预测，数学。探针。工程，2012，397473（2012）
[32] 卡塔尼，C。；陈，S。；Aldashev，G.，复杂性信息与建模，数学。探针。工程，2012，868413（2012）
[33] 陈，S。；郑毅。；卡塔尼，C。；王伟，供应链系统优化的生物智能建模，计算。数学。方法医学，2012，769702（2012）·Zbl 1235.90022号
[34] 卢，P。；陈，S。；郑毅，土木工程中的人工智能，数学。探针。工程，2013，145974（2013）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。