根據(jù)式(24)-(26)計算出各個預測模型的MAE、RMSE、MAPE三個評價指標，如表4所示。通過表4的數(shù)據(jù)分析可知，在同種條件下，SVR模型的預測性能優(yōu)于BP神經(jīng)網(wǎng)絡模型，不同的SVR組合優(yōu)化方法獲得的超參數(shù)使水質(zhì)溶解氧預測模型精度和性能存在一定的差異，GNIPSO-SVR的預測精度和運行時間都優(yōu)于其它模型。由圖8的預測絕對誤差可見，在突變點的誤差較大，主要是學習樣本點較少造成的，GNIPSO-SVR模型可以降低突變點的誤差，而且GNIPSO-SVR的絕對誤差大部分是處于[0,0.5]的范圍。因此，GNIPSO算法優(yōu)化SVR模型的超參數(shù)時，能獲得較優(yōu)的超參數(shù)組合，GNIPSO-SVR模型在實際問題中具有較好的適應性，在DO的預測中具有較高的精確度，可以更好的應用于水質(zhì)指標的預測，有助于相關部門對水環(huán)境的監(jiān)管。

4結(jié)論

本文利用主成分分析(PCA)、互信息(MI)、非線性慣性權重遞減的粒子群優(yōu)化算法(GNIPSO)和支持向量回歸機(SVR)，提出了一種基于高斯函數(shù)的非線性權重遞減的粒子群算法優(yōu)化支持向量回歸機(GNIPSO-SVR)的預測模型，通過實驗證明了GNIPSO算法優(yōu)化SVR的參數(shù)優(yōu)于標準的PSO算法和慣性權重線性遞減的PSO算法。

在實證中，首先利用PCA分析了其它水質(zhì)指標和污染物與溶解氧的相關性并確定了應選取8個特征變量，再結(jié)合MI值選擇了電導率、總磷、濁度、高錳酸鉀指數(shù)、PH、總氮、PM2.5、O3等8個影響因子作為預測模型的輸入，降低了變量之間的耦合性，消除了信息冗余對預測精度的影響，再利用GNIPSO-SVR、標準SVR、PSO-SVR三種模型對上海市的水質(zhì)指標溶解氧進行預測，仿真結(jié)果表明，本文建立的GNIPSO-SVR模型既體現(xiàn)了SVR模型泛化能力強、計算效率高的特點，也體現(xiàn)了GNIPSO具有較高的快速全局尋優(yōu)能力，進一步提高預測精度和運行效率。而且在上海市長江流域的水質(zhì)指標溶解氧的預測模型中GNIPSO-SVR算法的預測精度更高，運行時間較短，預測誤差更穩(wěn)定，驗證了GNIPSO-SVR模型在實際問題應用中的有效性。

水質(zhì)的污染程度受多種因素的影響，但在本文中溶解氧的影響因素只考慮了水質(zhì)系統(tǒng)的內(nèi)源因素和空氣中的污染物，并未考慮人為因素的影響，因此，下一步可以從此進行分析研究。

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

相關鏈接：水質(zhì)，總氮，高錳酸鉀