(6)判斷GNIPSO算法是否滿足終止條件，若不滿足，則返回步驟(4)繼續(xù)迭代；若滿足，那么將終止迭代，輸出尋優(yōu)結(jié)果，并把具有最小適應度值的(cbest,gbest)代入到SVR模型中進行訓練，再利用訓練好的GNIPSO-SVR模型對DO進行預測。

3實證研究

3.1數(shù)據(jù)來源及預處理

本文數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站(http://www.cnemc.cn/)，選取上海市長江流域的臨江、閔行西界(松浦大橋)、吳淞口、蘊川路橋、黃渡等17個斷面的2020年12月15-18日的326個樣本的水質(zhì)數(shù)據(jù)，監(jiān)測站點每4小時發(fā)布一次實時數(shù)據(jù)。水質(zhì)指標包括目標變量DO和14個特征變量：水溫、pH、電導率、濁度、高錳酸鉀指數(shù)、氨氮、總磷、總氮及空氣污染物中的PM2.5、PM10、NO₂、SO₂、CO、O₃。

采集到的數(shù)據(jù)一般不直接采用，需經(jīng)過數(shù)據(jù)的歸一化處理。這是因為水質(zhì)因子指標的范圍比較大，不同的數(shù)據(jù)具有不同的量綱單位，為了消除水質(zhì)指標彼此之間的量綱影響及保證這些數(shù)據(jù)之間具有可比性以及提高模型的運行速度和預測精度。本文采用MATLAB R2018a的map-maxmin函數(shù)進行歸一化處理，如式(23)所示，“apply”模式是將數(shù)據(jù)指標轉(zhuǎn)化到[-1,1]之間，便于對比預測，而“resver”模式可以將數(shù)據(jù)反歸一化回去。

式(23)中，xi表示的是數(shù)據(jù)的樣本值，xmax表示的是最大值，xmin表示的是最小值，ymax與ymin分別為1和-1，y'表示數(shù)據(jù)的歸一化值。

3.2特征變量對溶解氧的影響

在減少信息丟失的基礎上降低預測模型的輸入維度，首先利用PCA計算水質(zhì)溶解氧主成分因子的累計方差貢獻率，選擇90%的累計方差貢獻率為閾值，把方差貢獻率的累加值超過90%的因子數(shù)作為特征變量的選取個數(shù)，如圖2所示。從圖2中可以看出，當?shù)?個特征因子出現(xiàn)的時候，其總體的累計方差貢獻率超過了90%，因此選取8個特征因子代替原變量作為預測模型的輸入。再利用互信息分別求出14個影響因子與溶解氧之間的互信息值，可以得出溶解氧與各個水質(zhì)指標的依賴程度較高，與空氣中的污染物因素依賴程度較低。其重要影響因子依次為電導率、總磷、濁度、高錳酸鉀指數(shù)、PH、氨氮、水溫、總氮、PM2.5、NO2、PM10、O3、CO、SO2，如表1所示。

聲明：本文所用圖片、文字來源《信息與控制》，版權(quán)歸原作者所有。如涉及作品內(nèi)容、版權(quán)等問題，請與本網(wǎng)聯(lián)系刪除。

相關(guān)鏈接：溶解氧，監(jiān)測，O₃