基于支持向量机水流挟沙力预测的研究.pdfVIP

水 利 学 报 2005 年 10 月 SHUILI XUEBAO 第 36 卷 第 10 期 文章编号: 0559-9350(2005)10-1171-05 基于支持向量机的水流挟沙力预测研究 1 ２ 熊建秋 ，李祚泳 (1.四川大学 水利水电学院，四川 成都 610065； 2.成都信息工程学院，四川 成都 610041) 摘要: 本文阐述了支持向量机(SVM)的基本原理及特性，提出了基于SVM的水流挟沙力研究方法，并对30组高、中、 低含沙量的水槽试验资料进行训练，训练值与实测值符合较好，再用训练好的SVM模型对4组试验数据进行了预测， 预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高 的预测精度和可靠性。 关键词: 支持向量机；挟沙力;预测;BP神经网络 中图分类号: TV143 文献标识码:A 水流挟沙力是指在一定的水流及河床组成条件下,水流能够携带悬移质中床沙质的能力。在研究水 库淤积、稳定渠道设计、河床演变分析以及河道整治规划时，都牵涉到泥沙输移、淤积和冲刷等方面的 问题。水流挟沙力则是研究这些问题的重要基础，水流挟沙能力是一个二相流问题，影响因素众多，具 有不确定性和非线性等特点。由于挟沙水流问题的复杂性，迄今为止尚没有严格的理论公式，一般都是 根据具体河道观测资料建立经验公式，但因受主观因素影响，使用上存在局限[1]。对水流挟沙能力的计 算方法有许多种，包括利用人工智能理论来研究[2]。本文利用近年发展起来的支持向量机(Support Vector Machine，SVM)在解决有限样本、非线性及高维识别中的优势，建立了水流挟沙力预测模型，解 决了传统建模过程中输出空间难以确定和表达的问题。算例表明本文提出的方法可以在有限样本下取得 较好的预测效果。 1 支持向量机理论 基于数据的机器学习是现代智能技术中的重要方面。研究从观测数据出发寻找规律，利用这些规律 对未来数据或无法观测的数据进行预测，包括模式识别、神经网络等，现有机器学习方法共同的重要理 论基础之一是统计学。传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基 于此假设，但在实际问题中，样本数往往是有限的，因此一些理论上很优秀的学习方法实际中表现却可 能不尽人意。与传统统计学相比，统计学习理论(Statistical Learning Theory，SLT)是一种专门研究 小样本情况下机器学习规律的理论。Vapnik等人从20世纪60、70年代开始致力于此方面研究，到90年代 中期，随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，统计学习 理论开始受到越来越广泛的重视[3]。统计学习理论是建立在一套较坚实的理论基础之上的，为解决有限 样本学习问题提供了一个统一的框架。它能将很多现有方法纳入其中，有望帮助解决许多原来难以解决 的如神经网络结构选择问题、局部极小点等问题。 收稿日期: 2005-07-26 基金项目：973国家重点基础研究发展规划资助项目(2002CB412301) 作者简介：熊建秋(1977-)，男，江西南昌人，博士生，主要研究方向为水文水资源。E-mail:xiongjianqiu@ 1 水 利 学 报 2005 年 10 月 SHUILI XUEBAO 第 36 卷 第 10 期 支持向量机是统计学习理论中的最年轻、最实用的内容。支持向量机方法根据有限的样本信息在模 型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。其主要特点有：(1)是专门针对 有限样本的情况，其目标是得到现有信息条件下的最优解，这个最优解不是样本无穷大时的最优解；(2) 算法将分类问题最终转换为二次