CN115762669A - 一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 - Google Patents
一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 Download PDFInfo
- Publication number
- CN115762669A CN115762669A CN202211580953.0A CN202211580953A CN115762669A CN 115762669 A CN115762669 A CN 115762669A CN 202211580953 A CN202211580953 A CN 202211580953A CN 115762669 A CN115762669 A CN 115762669A
- Authority
- CN
- China
- Prior art keywords
- water quality
- river water
- particle swarm
- support vector
- 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 107
- 239000002245 particle Substances 0.000 title claims abstract description 32
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 title claims description 11
- 238000013441 quality evaluation Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- -1 permanganate index Chemical compound 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000000034 method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，包括：获取水质数据，并进行归一化处理；利用改进的灰色关联分析算法得到水质指标与水质类别之间的相关系数，并进行特征选择；通过粒子群算法优化多分类支持向量机，建立河流水质评估模型；将归一化处理后的水质数据输入至河流水质评估模型中，所述河流水质评估模型输出河流水质类别。本发明充分考虑了水质指标的主观、客观权重，有效的利用了水质指标之间相关性，并且通过粒子群算法优化多分类支持向量机，极大地提高了河流水质评估模型的准确度。
Description
技术领域
本发明涉及河流水质评估技术领域，具体涉及一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法。
背景技术
随着大数据技术以及人工智能技术的发展，其已经在包括河流水质评估在内的现代水环境管理中得到了广泛应用。水环境智能管理是水环境保护的发展要求，并且已经成为智慧水利发展的必然趋势。以机器学习、深度学习等新兴算法为依托，发达国家大力发展水环境智能监测、水环境智能管理、智慧水利，将信息技术与水环境保护深度融合，使水环境智能管理进入了一个全新的发展阶段。
现有的河流水质评估方法考虑了多种水质指标对水环境的影响，但并没有分析指标之间的相关性。河流水质数据是灰色的、局部的，因此使用灰色关联分析算法计算指标之间的相关性，但是灰色关联分析是平权计算指标之间相关性，没有考虑主、客观权重，在进行相关性计算时会产生一定影响，从而对评估结果正确性产生影响，在实际应用存在一定不足。
发明内容
针对现有技术存在上述问题，本发明提供一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，极大地提高了水质评估的准确率。
为实现上述目的，本发明的技术方案为：一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，包括：
获取水质数据，并进行归一化处理；
利用改进的灰色关联分析算法得到水质指标与水质类别之间的相关系数，并进行特征选择；
通过粒子群算法优化多分类支持向量机，建立河流水质评估模型；
将归一化处理后的水质数据输入至河流水质评估模型中，所述河流水质评估模型输出河流水质类别。
进一步的，所述水质数据包括溶解氧、温度、浊度、氨氮、高锰酸盐指数、氢离子浓度和总硬度。
进一步的，所述改进的灰色关联分析算法为：
其中αj为水质指标的主观权重，βj为水质指标的客观权重，ωj为水质指标的组合权重，sj(i)为水质指标的关联系数，r(j)为水质指标之间相关性，n为水质数据数量。
进一步的，通过粒子群算法设计一种粒子来模拟水质数据，所述粒子群算法为：
其中Vj为粒子速度，Zj为粒子位置，ω为惯性权重，c1和c2是学习因子，r1和r2是[0，1]范围内的任意数字；Pbt为局部最优解，Gbt为全局最优解。
进一步的，所述河流水质评估模型为：
其中
为超平面的法向量，C为正则化参数，M为决策函数数量，
为松弛变量，bij为截距，ym为河流水质评估类别，i和j代表两种水质类别。
本发明由于采用以上技术方案，能够取得如下的技术效果：相比于其他水质评估方法，本发明充分考虑了水质指标的主观、客观权重，有效的利用了水质指标之间相关性，并且通过粒子群算法优化多分类支持向量机，极大地提高了河流水质评估模型的准确度；该方法能够较好的评估河流水质量情况，实现了河流水环境的智能化管理，具有实际意义。
附图说明
图1为河流水质评估方法总体框架图；
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
实施例1
本实施例提供一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，包括：
S1.获取水质数据，并进行归一化处理；
具体的，通过采集传感器获取水质数据，所述水质数据包括溶解氧、温度、浊度、氨氮、高锰酸盐指数、氢离子浓度和总硬度。
S2.利用改进的灰色关联分析算法得到水质指标与水质类别之间的相关系数，并进行特征选择；
具体的，由于灰色关联分析算法是平权计算水质指标之间的相关性，没有考虑指标之间的权重，因此提出一种改进的灰色关联分析算法，加入主、客观权重来计算指标之间的相关性，进而使计算结果更准确。所述改进的灰色关联分析算法为：
其中αj为水质指标的主观权重，βj为水质指标的客观权重，ωj为水质指标的组合权重，sj(i)为水质指标的关联系数，r(j)为水质指标之间相关性，n为水质数据数量。
S3.通过粒子群算法优化多分类支持向量机，建立河流水质评估模型；
具体的，通过粒子群算法设计一种粒子来模拟水质数据，所述粒子群算法为：
其中Vj为粒子速度，Zj为粒子位置，ω为惯性权重，c1和c2是学习因子，r1和r2是[0，1]范围内的任意数字；Pbt为局部最优解，Gbt为全局最优解。
S4.将归一化处理后的水质数据输入至河流水质评估模型中，所述河流水质评估模型输出河流水质类别；
具体的，所述河流水质评估模型为：
其中
为超平面的法向量，C为正则化参数，M为决策函数数量，
为松弛变量，bij为截距，ym为河流水质评估类别，i和j代表两种水质类别。
在分类中使用投票策略：每次二元分类都被认为是一次投票，最后取具有最大投票数的类别做为分类结果。
将其他相关分析算法与本发明的河流水质评估方法作对比，发现，本申请的水质指标相关性计算更准确，评估结果的均方根误差更低。
| 方法 | 均方根误差 |
| GRA | 0.5218 |
| AHP-GRA | 0.3743 |
| CRITIC–GRA | 0.4493 |
| 本发明的河流水质评估方法 | 0.3584 |
本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且者应被发明实施例所属技术领域的技术人员所理解。
Claims (5)
1.一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，其特征在于，包括：
获取水质数据，并进行归一化处理；
利用改进的灰色关联分析算法得到水质指标与水质类别之间的相关系数，并进行特征选择；
通过粒子群算法优化多分类支持向量机，建立河流水质评估模型；
将归一化处理后的水质数据输入至河流水质评估模型中，所述河流水质评估模型输出河流水质类别。
2.根据权利要求1所述一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，其特征在于，所述水质数据包括溶解氧、温度、浊度、氨氮、高锰酸盐指数、氢离子浓度和总硬度。
3.根据权利要求1所述一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，其特征在于，所述改进的灰色关联分析算法为：
其中αj为水质指标的主观权重，βj为水质指标的客观权重，ωj为水质指标的组合权重,sj(i)为水质指标的关联系数，r(j)为水质指标之间相关性，n为水质数据数量。
4.根据权利要求1所述一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，其特征在于，通过粒子群算法设计一种粒子来模拟水质数据，所述粒子群算法为：
其中Vj为粒子速度，Zj为粒子位置，ω为惯性权重，c1和c2是学习因子，r1和r2是[0,1]范围内的任意数字；Pbt为局部最优解，Gbt为全局最优解。
5.根据权利要求1所述一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法，其特征在于，所述河流水质评估模型为：
其中w为超平面的法向量，C为正则化参数，M为决策函数数量，
为松弛变量，bij为截距，ym为河流水质评估类别，i和j代表两种水质类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211580953.0A CN115762669A (zh) | 2022-12-09 | 2022-12-09 | 一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211580953.0A CN115762669A (zh) | 2022-12-09 | 2022-12-09 | 一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762669A true CN115762669A (zh) | 2023-03-07 |
Family
ID=85344986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211580953.0A Pending CN115762669A (zh) | 2022-12-09 | 2022-12-09 | 一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762669A (zh) |
-
2022
- 2022-12-09 CN CN202211580953.0A patent/CN115762669A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN110688968B (zh) | 基于多示例深度卷积记忆网络的高光谱目标检测方法 | |
| CN105913450A (zh) | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 | |
| CN111504644A (zh) | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 | |
| CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN108805142A (zh) | 一种犯罪高危人员研判方法及系统 | |
| CN104809255A (zh) | 一种负荷形态获取方法和系统 | |
| CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
| CN110324178B (zh) | 一种基于多经验核学习的网络入侵检测方法 | |
| CN113361653A (zh) | 基于数据样本增强的深度学习模型去偏方法和装置 | |
| CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
| CN111914930A (zh) | 一种基于自适应微簇融合的密度峰值聚类方法 | |
| CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
| CN108229813A (zh) | 基于客观性云物元的行业综合发展水平评价方法 | |
| CN114881429A (zh) | 基于数据驱动的台区线损量化方法及系统 | |
| CN105824785A (zh) | 基于惩罚回归的快速异常点检测方法 | |
| CN115762669A (zh) | 一种基于改进灰色关联分析算法和粒子群优化多分类支持向量机的河流水质评估方法 | |
| CN112102135A (zh) | 基于lstm神经网络的高校贫困生精准资助模型 | |
| CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
| CN117611918A (zh) | 基于层次神经网络的海洋生物分类方法 | |
| CN113379779B (zh) | 堆叠宽度学习系统的边缘计算方法、装置、介质和设备 | |
| CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
| Kang et al. | An improved radial basis function neuron network based on the l 1 regularization | |
| CN112800959A (zh) | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
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 |