CN110598902A - 一种基于支持向量机与knn相结合的水质预测方法 - Google Patents
一种基于支持向量机与knn相结合的水质预测方法 Download PDFInfo
- Publication number
- CN110598902A CN110598902A CN201910711078.7A CN201910711078A CN110598902A CN 110598902 A CN110598902 A CN 110598902A CN 201910711078 A CN201910711078 A CN 201910711078A CN 110598902 A CN110598902 A CN 110598902A
- Authority
- CN
- China
- Prior art keywords
- water quality
- support vector
- data
- model
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000002790 cross-validation Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 241000251468 Actinopterygii Species 0.000 claims description 4
- 239000011664 nicotinic acid Substances 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000012843 least square support vector machine Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于SVM-KNN的水质预测方法,包括以下步骤:1)对采集到的水质数据进行预处理;2)使用K‑近邻算法对数据进行预分类;3)建立支持向量机回归模型,通过k折交叉验证算法选取水质数据预测模型的最优化参数,并应用到模型中;4)训练模型,以温度和pH值为预测目标,对预测效果评估。本发明提出的将KNN与支持向量机相结合的水质预测方法,采用支持向量机(SVM)与最近邻算法(KNN)相结合的方法实现对水质时间序列的预测,旨在改善预测准确度,属于水质预测方法技术领域,成功的实现了水质的准确预测。
Description
技术领域
本发明涉及环境污染水质监测技术领域,尤其涉及一种基于支持向量机(SVM)与KNN相结合的水质预测方法。
背景技术
生态兴,则文明兴。近年来,随着工业化程度的加深,工业、农业和生活污水的排放,严重破坏了环境,水污染问题已经与国民的生命健康息息相关了。水质预测是水资源管理和水资源控制的重要方法,对及时掌握水质变化的发展趋势,为水质预测预警和水污染的治理提供重要的科学依据和技术支持。
随着物联网技术的兴起和大数据时代的到来,人工智能算法成为了当前的研究热点,基于智能算法的预测,在水质预测中得到了广泛的应用,主要有人工神经网络、支持向量机等有监督的学习算法,还有像聚类这种无监督的学习算法。支持向量机是以统计学理论为基础的,具有严格的数学基础。它是基于结构风险最小化原则,保证了良好的泛化能力,因此在模式识别、回归分析、函数估计、时间序列预测等领域得到广泛的引用。目前,支持向量机在水质预测上的应用主要采用回归的功能。
现有技术中,Xiang Yunrong等人提出了最小二乘支持向量机与粒子群混合优化算法,通过粒子群实现了最小二乘支持向量机的参数调整,对该流域水质进行时间序列预测,提高了算法效率与预测能力。Li等人通过光谱分析法针对性地选择好的训练采样器,优化了基于最小二乘支持向量机的非线性建模方法,提高了模型的精度和计算过程的时间。程庭莉等人对于所提的基于支持向量机水质预测模型,其参数优化选择了自适应遗传算法,通过变种群数提升了参数优化的效率。梁坚等人的研究解决了SVM预测模型中参数选择的问题,在水质预测模型求解中融合了小波变化技术以及支持向量回归机,利用小波分析来提取水质数据有用的信息,优化参数选择。
但上述现有技术并没有对于水质预测上起到明显精准预测的有益效果,为了能防范于未然,面对目前复杂的水质环境,亟需提供一种有效的进行水质预测的方法。
发明内容
为了克服现有的水质预测方法的预测精度较低的不足,本发明提出一种预测精度较高的基于支持向量机与KNN相结合的水质预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于支持向量机与KNN相结合的水质预测方法,所述方法包括以下步骤:
1)利用机器仿生鱼采集水质数据,并对数据进行预处理,建立样本数据集;
2)采用K-近邻算法对水质数据预分类;
3)建立支持向量机回归模型,通过k折交叉验证算法选取最优化参数,构建最优化支持向量机回归模型;
4)训练得到最优化水质预测模型,对温度和pH值进行预测,并对预测效果进行评估。
进一步,所述步骤1)中,数据预处理包括以下过程:
步骤101,将提取到的数据转化格式,并以时间序列排序;
步骤102,使用3σ准则对数据进行异常值检测,将数据偏离3倍标准差以上的作为异常值,进行剔除;
步骤103,由于不同的参数基本单位相差较大,对数据进行标准化处理,本发明采用离差标准化,通过线性变换缩小到[0,1]区间,公式如下,
其中xmin为样本最小值,xmax为样本最大值,x为样本值,x*为标准化后的样本值;
步骤104,将样本数据集划分为训练集和测试集。
再进一步,步所述骤2)中,K-近邻算法进行数据预分类包括以下过程;
步骤201,构建KNN模型,输入训练样本,进行训练,根据温度与pH值进行分类;
步骤202,此时已知样本集X={x1,x2,…xn}中xi所对应的所属类别,当测试样本输入时,计算该点与最近的k个点的距离,采用多数表决法,有k个点的类别决定新样本点的类别。
更进一步,所述步骤2)中,K-近邻算法进行数据预分类的多数表决法如式所示,
其中对于vj为类别V的第j个标签,f(yi)为新标签样本,当vj=f(yi)时,δ(vj,f(yi))=1,否则为0。最终得出待分类样本yi的类别
所述步骤3)中,构建最优化支持向量机模型包括以下过程:
步骤301,首先将水质数据集分为k个集合,每个集合都会轮流作为测试集,剩余集合则作为训练集,这样重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次;
步骤302,计算并比较k次训练的平均交叉验证正确率,选取交叉验证正确率最高的一组参数,这个参数(C,g)将作为k折交叉验证的最优值应用到支持向量机回归预测中,其中惩罚参数C控制了模型结构风险与经验风险的相对比重,决定了模型的优越性,预测模型选取g为径向基核函数,如式
步骤303,将参数应用到模型中,构建最优化模型,根据温度与pH值进行时间序列的预测。
所述步骤5)中,对模型预测效果进行评估包括以下过程:
采用平均相对误差值MAPE、均方根误差RMSE及纳什效率系数NSE三个指标构建模型预测效果评价体系,三个评价方式公式如下,
平均相对误差:
均方根误差:
纳什效率系数:
其中yi为实际检测值,为预测值,表示实际检测值的平均值,n为检测次数,N为样本总个数。
本发明的技术构思是,提出了将KNN算法与支持向量机相结合,利用机器仿生鱼采集到的水质数据,进行数据预处理,然后采用KNN算法对数据进行预分类,进一步利用支持向量机的方法对数据进行预测。
本发明的有益效果主要表现在:将两种方法结合在一起,成功的进行了预测,并且相较于传统的基于支持向量机的方法,取得了更优的预测效果。
附图说明图1是一种基于支持向量机与KNN相结合的水质预测方法的流程图。
具体实施方式
下面结合附图对本发明做进一步说明,
参照图1,一种基于支持向量机与KNN相结合的水质预测方法,包括以下步骤:
1)利用机器仿生鱼采集水质数据,并对数据进行预处理,建立样本数据集;
2)采用K-近邻算法对水质数据预分类;
3)建立支持向量机回归模型,通过k折交叉验证算法选取最优化参数,构建最优化支持向量机回归模型;
4)训练得到最优化水质预测模型,对温度和pH值进行预测,并对预测效果进行评估。
进一步,所述步骤1)中,数据预处理包括以下过程:
步骤101,将提取到的数据转化格式,并以时间序列排序;
步骤102,使用3σ准则对数据进行异常值检测,将数据偏离3倍标准差以上的作为异常值,进行剔除;
步骤103,由于不同的参数基本单位相差较大,对数据进行标准化处理,本发明采用离差标准化,通过线性变换缩小到[0,1]区间,公式如下,
其中xmin为样本最小值,xmax为样本最大值,x为样本值,x*为标准化后的样本值;
步骤104,将样本数据集划分为训练集和测试集。
再进一步,所述步骤2)中,K-近邻算法进行数据预分类包括以下过程;
步骤201,构建KNN模型,输入训练样本,进行训练,根据温度与pH值进行分类;
步骤202,此时已知样本集X={x1,x2,…xn}中xi所对应的所属类别,当测试样本输入时,计算该点与最近的k个点的距离,采用多数表决法,有k个点的类别决定新样本点的类别。
更进一步,所述步骤2)中,K-近邻算法进行数据预分类的多数表决法如式所示,
其中对于vj为类别V的第j个标签,f(yi)为新标签样本,当vj=f(yi)时,δ(vj,f(yi))=1,否则为0,最终得出待分类样本yi的类别
所述步骤3)中,构建最优化支持向量机模型包括以下过程:
步骤301,首先将水质数据集分为k个集合,每个集合都会轮流作为测试集,剩余集合则作为训练集,这样重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次;
步骤302,计算并比较k次训练的平均交叉验证正确率,选取交叉验证正确率最高的一组参数,这个参数(C,g)将作为k折交叉验证的最优值应用到支持向量机回归预测中,其中惩罚参数C控制了模型结构风险与经验风险的相对比重,决定了模型的优越性,预测模型选取g为径向基核函数,如式
步骤303,将参数应用到模型中,构建最优化模型,根据温度与pH值进行时间序列的预测。
所述步骤5)中,对模型预测效果进行评估包括以下过程:
采用平均相对误差值MAPE、均方根误差RMSE及纳什效率系数NSE三个指标构建模型预测效果评价体系,三个评价方式公式如下,
平均相对误差:
均方根误差:
纳什效率系数:
其中yi为实际检测值,为预测值,表示实际检测值的平均值,n为检测次数,N为样本总个数。
Claims (6)
1.一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述方法包括以下步骤:
1)利用机器仿生鱼采集水质数据,并对数据进行预处理,整理出符合实验要求的数据;
2)利用K-近邻方法对水质数据预分类;
3)建立支持向量机回归模型,通过k折交叉验证算法选取最优化参数,构建最优化支持向量机回归模型;
4)训练得到最优化水质预测模型,对温度和pH值进行预测,并对预测效果进行评估。
2.如权利要求1所述的一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述步骤1)中,数据预处理包括以下过程:
步骤101,将提取到的数据转化格式,并以时间序列排序;
步骤102,使用3σ准则对数据进行异常值检测,将数据偏离3倍标准差以上的作为异常值,进行剔除;
步骤103,由于不同的参数基本单位相差较大,对数据进行标准化处理,本发明采用离差标准化,通过线性变换缩小到[0,1]区间,公式如下,
其中xmin为样本最小值,xmax为样本最大值,x为样本值,x*为标准化后的样本值;
步骤104,将样本数据集划分为训练集和测试集。
3.如权利要求1或2所述的一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述步骤2)中K-近邻方法进行数据预分类包括以下过程:
步骤201,构建KNN模型,输入训练样本,进行训练,根据温度与pH值进行分类;
步骤202,此时已知样本集X={x1,x2,…xn}中xi所对应的所属类别,当测试样本输入时,计算该点与最近的k个点的距离,本采用多数表决法,有k个点的类别决定新样本点的类别。
4.如权利要求3所述的一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述步骤2)中,多数表决法如式所示,
其中对于vj为类别V的第j个标签,f(yi)为新标签样本,当vj=f(yi)时,δ(vj,f(yi))=1,否则为0,最终得出待分类样本yi的类别
5.如权利要求1或2所述的一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述步骤3)中构建最优化支持向量机模型包括以下过程:
步骤301,首先将经预分类后的水质数据集分为k个集合,每个集合都会轮流作为测试集,剩余集合则作为训练集,这样重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次;
步骤302,计算并比较k次训练的平均交叉验证正确率,选取交叉验证正确率最高的一组参数,这个参数(C,g)将作为k折交叉验证的最优值应用到支持向量机回归预测中,其中惩罚参数C控制了模型结构风险与经验风险的相对比重,决定了模型的优越性,预测模型选取g为径向基核函数,如式
步骤303,将参数应用到模型中,构建最优化模型,根据温度与pH值进行时间序列的预测。
6.如权利要求1或2所述的一种基于支持向量机与KNN相结合的水质预测方法,其特征在于,所述步骤4)中对模型预测效果进行评估包括以下过程:
采用平均相对误差值、均方根误差及纳什效率系数三个指标构建模型预测效果评价体系,三个评价方式公式如下,
平均相对误差:
均方根误差:
纳什效率系数:
其中yi为实际检测值,为预测值,表示实际检测值的平均值,n为检测次数,N为样本总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711078.7A CN110598902A (zh) | 2019-08-02 | 2019-08-02 | 一种基于支持向量机与knn相结合的水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711078.7A CN110598902A (zh) | 2019-08-02 | 2019-08-02 | 一种基于支持向量机与knn相结合的水质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598902A true CN110598902A (zh) | 2019-12-20 |
Family
ID=68853319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711078.7A Pending CN110598902A (zh) | 2019-08-02 | 2019-08-02 | 一种基于支持向量机与knn相结合的水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598902A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN112381051A (zh) * | 2020-11-30 | 2021-02-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及系统 |
CN112906738A (zh) * | 2021-01-15 | 2021-06-04 | 宁波可为数据技术有限公司 | 一种水质检测及处理方法 |
CN113076693A (zh) * | 2021-04-02 | 2021-07-06 | 东南大学 | 基于支持向量机和隐马模型的路面压实质量评价方法 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012002713A2 (ko) * | 2010-06-29 | 2012-01-05 | 부산대학교 산학협력단 | 하폐수 처리장의 공정진단 시스템 및 방법 |
CN102446302A (zh) * | 2011-12-31 | 2012-05-09 | 浙江大学 | 一种水质预测系统的数据预处理方法 |
CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN109147875A (zh) * | 2018-08-08 | 2019-01-04 | 合肥学院 | 基于模糊聚类的支持向量回归算法的污水溶解氧浓度预测方法 |
-
2019
- 2019-08-02 CN CN201910711078.7A patent/CN110598902A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012002713A2 (ko) * | 2010-06-29 | 2012-01-05 | 부산대학교 산학협력단 | 하폐수 처리장의 공정진단 시스템 및 방법 |
CN102446302A (zh) * | 2011-12-31 | 2012-05-09 | 浙江大学 | 一种水质预测系统的数据预处理方法 |
CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN109147875A (zh) * | 2018-08-08 | 2019-01-04 | 合肥学院 | 基于模糊聚类的支持向量回归算法的污水溶解氧浓度预测方法 |
Non-Patent Citations (1)
Title |
---|
桑应宾: "基于K近邻的分类算法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN111723367B (zh) * | 2020-06-12 | 2023-06-23 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN112381051A (zh) * | 2020-11-30 | 2021-02-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及系统 |
CN112381051B (zh) * | 2020-11-30 | 2023-12-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及系统 |
CN112906738A (zh) * | 2021-01-15 | 2021-06-04 | 宁波可为数据技术有限公司 | 一种水质检测及处理方法 |
CN112906738B (zh) * | 2021-01-15 | 2023-01-31 | 宁波可为数据技术有限公司 | 一种水质检测及处理方法 |
CN113076693A (zh) * | 2021-04-02 | 2021-07-06 | 东南大学 | 基于支持向量机和隐马模型的路面压实质量评价方法 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
CN115470702B (zh) * | 2022-09-14 | 2024-06-11 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
Li et al. | A new lightweight deep neural network for surface scratch detection | |
CN103020642B (zh) | 水环境监测质控数据分析方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN117611015B (zh) | 一种建筑工程质量实时监测系统 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
CN115438749A (zh) | 基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法 | |
CN114595750A (zh) | 基于深度强化学习参数自动调整的铝电解故障识别方法 | |
CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
Hong et al. | Drainage network flow anomaly classification based on XGBoost | |
CN113604544B (zh) | 一种生物材料功能预测评价方法 | |
Hu et al. | The early warning model of dust concentration in smart construction sites based on long short term memory network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |