改进的PSOGA-SVM模型应用于露天矿区空气质量预测

论文摘要

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM10质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机（support vector machine,SVM）建立模型,同时引入改进型惯性权重的粒子群优化（particle swarm optimization,PSO）算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机（improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM）网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机（cross-validation support vector machine,SV-SVM）模型和粒子群算法优化支持向量机（particle swarm optimization for parameter optimization of support vector machine,PSO-SVM）模型,且预测精度可达到98.5%以上。

论文目录

• 1 设计流程及思路
•   1.1 研究区域及样本采集
•   1.2 数据预处理
• 2 支持向量回归机
•   2.1 SVM理论
•   2.2 SVM参数对模型性能的影响
•   2.3 适应度函数选取
• 3 改进粒子群遗传算法对支持向量机参数优化的影响
•   3.1 PSO算法介绍
•   3.2 遗传算法介绍
•   3.3 基于改进POS算法的遗传算法优化参数
•   3.4 改进粒子群遗传算法优化支持向量机的参数寻优及设计流程
• 4 实验结果与验证
•   4.1 基于CV-SVM算法的结果与分析
•   4.2 基于PSO-SVM算法的结果与分析
•   4.3 基于改进型惯性权重PSOGA-SVM算法的结果与分析
• 5 结 语

文章来源

类型: 期刊论文

作者: 李光明,王军,李颀

关键词: 空气质量,支持向量机,遗传算法,粒子群优化算法

来源: 中国科技论文 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技

专业: 环境科学与资源利用,自动化技术

单位: 陕西科技大学电气与控制工程学院

基金: 陕西省科技厅农业科技攻关项目(2015NY028)

分类号: X51;TP18

页码: 1348-1355

总页数: 8

文件大小: 1509K

下载量: 123