基于PSO参数辨识SVM的中长期径流预测研究.pdfVIP

第51卷第1期 大 连 理 工 大 学 学 报 Vo1．51， No．1 2011年 1月 JournalofDalianUniversityofTechnology Jan． 2 0 1 1 文章编号 ：1000—8608(2011)01—0115—06 基于 PSO参数辨识 SVM 的中长期径流预测研究 叶 碎 高 ， 彭 勇 ～， 周 惠 成 (1．大连理工大学 水利工程学院，辽宁 大连 116024； 2．浙江省水利河 口研 究院，浙江 杭州 310020) 摘要 ：以径向基函数作为核函数，利用微粒群(PSO)算法的全局寻优特性进行支持向量机 (SVM)的参数辨识．在微粒群搜索参数前，先对参数进行指数变换，使 [O，1]和[1，cx。]有着相 同的搜索概率．微粒群算法的适应值 函数是 以支持 向量机模 型的推广 能力为标准的，讨论 了 测试样本的最小误差和 留一法对支持 向量机学 习方法推广 能力 的两种估计．最后 以长江宜昌 站 的月径流 资料为例 ，分别采用ARMA模 型、季节性 ARIMA模 型、BP神经 网络模型 以及所 建立的支持 向量机模型进行模拟预测，结果显示了该模型的有效性． 关键词 ：径流中长期预报；参数辨识 ；微粒群算法 ；支持 向量机 中图分类号：TV124 文献标志码：A O 引 言 向量机是建立在 SLT 的VC维理论和结构风险 最小原理基础上的，根据有限的样本在模型的复 中长期水文预报具有较长的预见期，能够使 杂性和学习能力之间寻求最佳折中，来获得最佳 人们在解决防洪与抗旱 、蓄水与弃水及各部门用 的推广能力． 水之间矛盾时及早采取措施进行统筹安排 ，以获 由于SLT理论和支持 向量机 (SVM)方法还 取最大的效益．中长期水文预报模型很多 ，已在水 处于发展阶段 ，很多方面还很不完善，比如：①许 文水资源研究 中得到了广泛的应用 ，对水文水资 多理论 目前还不能在实际算法 中实现 ；② VC维 源科学问题的解决起到了非常重要的作用．其 中， 的分析尚没有通用的方法 ；③SVM 方法 中如何选 机器学习是水文预报的一个重要方向，其实现方 择适当的核函数没有理论基础 ；④参数 C、e和核 法大致可以分为 3种 ： 函数相关参数难于辨识．本文主要针对问题④ ，通 (1)经典的统计估计方法，如 ARMA模型．这 过一定 的指数变换将微粒群 (PSO)算法用于 类方法有一定的局限性 ：①需要 已知样本的分布函 SVM 的参数辨识问题，并将优化后的模型用于径 数，这样花费的代价很大；②传统的统计方法是样 流中长期预报 中． 本趋于无穷时的渐近理论 ，而实际的样本有限． (2)经验非线性方法 ，如 ANN[1]．这种方法是 1 基 于微粒群 的支持 向量机 参数辨识 利用已知样本建立多维非线性模型 ，克服了传统