基于支持向量机分类算法的湖泊水质评价研究

基于支持向量机分类算法的湖泊水质评价研究

徐红敏^1，2，杨天行²

1.北京石油化工学院数理部，北京 102617；2.吉林大学地球探测科学与技术学院，长春 130026

收稿日期:2006-03-14 修回日期:1900-01-01 出版日期:2006-07-26 发布日期:2006-07-26
通讯作者: 徐红敏

Evaluation of Lake Water Quality Based on Classification Algorithms of Support Vector Machines

XU Hong-min^1,2, YANG Tian-xing²

1.Department of Mathematics and Physics, Beijing Institute of Petrochemical Technology, Beijing 102617,China；2.College of GeoExploration Science and Technology, Jilin University, Changchun 130026,China

Received:2006-03-14 Revised:1900-01-01 Online:2006-07-26 Published:2006-07-26
Contact: XU Hong-min

摘要/Abstract

摘要： 支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法，最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则，使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想，使它将非线性问题转化为线性问题来解决，降低了算法的复杂度。利用支持向量机多类分类算法，构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。

关键词: 湖泊, 支持向量机, 分类算法, 水质评价

Abstract: Support vector machines (SVM) were developed from the machine learning theory of small samples based on statistical learning theory (SLT) by Vapnik et al, which were originally designed for binary classification problems. It can solve smallsample learning problems better by using structural risk minimization in place of experiential risk minimization. Moreover, SVM can convert a nonlinear learning problem into a linear learning problem in order to reduce the algorithm complexity by using the kernel function concept. A multiclass classification method of SVM is applied to lake water quality assessment. A case study shows that the method is reliable in the classification and evaluation of lake water quality.

Key words: lake water environment, support vector machines, classification algorithms, water quality evaluation

中图分类号:

X824

徐红敏，杨天行. 基于支持向量机分类算法的湖泊水质评价研究[J]. J4, 2006, 36(04): 570-573.

XU Hong-min, YANG Tian-xing. Evaluation of Lake Water Quality Based on Classification Algorithms of Support Vector Machines[J]. J4, 2006, 36(04): 570-573.

参考文献

相关文章 15

[1]	王明常, 张馨月, 张旭晴, 王凤艳, 牛雪峰, 王红. 基于极限学习机的GF-2影像分类[J]. 吉林大学学报(地球科学版), 2018, 48(2): 373-378.
[2]	卢文喜, 郭家园, 董海彪, 张宇, 林琳. 改进的支持向量机方法在矿山地质环境质量评价中的应用[J]. 吉林大学学报(地球科学版), 2016, 46(5): 1511-1519.
[3]	王常明, 田书文, 王翊虹, 阮云凯, 丁桂伶. 泥石流危险性评价:模糊c均值聚类-支持向量机法[J]. 吉林大学学报(地球科学版), 2016, 46(4): 1168-1175.
[4]	秦喜文, 刘媛媛, 王新民, 董小刚, 张瑜, 周红梅. 基于整体经验模态分解和支持向量回归的北京市PM2.5预测[J]. 吉林大学学报(地球科学版), 2016, 46(2): 563-568.
[5]	杨雪峰, 王雪梅, 毛东雷. 塔里木河下游土地利用覆被MISR多角度遥感制图[J]. 吉林大学学报(地球科学版), 2016, 46(2): 617-626.
[6]	牟丹, 王祝文, 黄玉龙, 许石, 周大鹏. 基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例[J]. 吉林大学学报(地球科学版), 2015, 45(2): 639-648.
[7]	杨佳佳, 姜琦刚, 赵静, 徐言, 孟翔冲. 基于改进的SVM技术和高光谱遥感的标准矿物定量计算[J]. J4, 2012, 42(3): 864-871.
[8]	牛瑞卿, 彭令, 叶润青, 武雪玲. 基于粗糙集的支持向量机滑坡易发性评价[J]. J4, 2012, 42(2): 430-439.
[9]	许长福, 李雄炎, 谭锋奇, 于红岩, 李洪奇. 任务驱动数据挖掘方法的提出及在低阻油层识别中的应用[J]. J4, 2012, 42(1): 39-46.
[10]	王利花, 周云轩, 田波. 基于TM和ETM+影像数据的东沙环礁珊瑚礁监测[J]. J4, 2011, 41(5): 1630-1637.
[11]	佴磊, 彭文, 袁明哲, 周能娟. 基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测[J]. J4, 2011, 41(3): 799-804.
[12]	许圣传, 董清水, 闫丽萍, 朱建峰, 曹鹏. 地堑式断陷盆地储层流体综合识别——以伊通盆地岔路河断陷为例[J]. J4, 2011, 41(2): 359-364.
[13]	宁维坤, 付丽, 霍秋立. 松辽盆地松科1井晚白垩世沉积时期古湖泊生产力[J]. J4, 2010, 40(5): 1020-1026.
[14]	李秀珍, 孔纪名, 王成华. 多分类支持向量机在滑坡稳定性判识中的应用[J]. J4, 2010, 40(3): 631-637.
[15]	兰双双, 姜纪沂, 王滨. 基于物元可拓法的地下水水质评价--以梨树县平原区浅层地下水为例[J]. J4, 2009, 39(4): 722-727.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed