|
|
摘要 介绍BP神经网络与多分类支持向量机等分类模型的基本原理,并基于这两种方法对水质识别与分类的准确度进行实例比较研究,随机抽取了南昌市内2010—2013年水域水质的300组数据为样本,选取了pH,氨氮,Cl-,SO2-3,总硬度,硝酸盐氮为评价的主要特征。通过把训练后的模型在测试集中进行的检验对得到的模型进行评估,表明了BP神经网络和多分类支持向量机均可以较好地解决水质识别与分类过程中存在的复杂性,多变量,非线性等问题,相比较而言多分类支持向量机有较强的鲁棒性,预测结果更为精确稳定,将其应用到水质评价中具有一定的可行性。 更多还原
|
|
| 关键词 ：
水质分类,
BP神经网络,
多分类支持向量机
|
|
|
| 基金资助:国家自然科学基金资助项目(61663027)； |
| [1] |
余廷芳；朱洪震；彭春华. 基于NSGA-Ⅱ算法的锅炉燃烧多目标优化[J]. 南昌大学学报（工科版）, 2013, 35(01): 58-. |
| [2] |
徐林猛; 王时胜. 组合神经网络在脱水干塔精馏软测量中的应用[J]. 南昌大学学报（工科版）, 2008, 30(04): 1-. |
| [3] |
石英; 郭靖芬. 基于理想方案的BP神经网络土地利用规划方案评价[J]. 南昌大学学报（理科版）, 2008, 32(01): 1-. |
| [4] |
陈勇; 刘雄伟; 俞铁岳. 基于BP神经网络的立铣加工振动快速预估[J]. 南昌大学学报（工科版）, 2006, 28(01): 1-. |
| [5] |
刘国平; 符强; 张华. BP神经网络在带钢宽展预测中的应用[J]. 南昌大学学报（工科版）, 2003, 25(03): 1-. |
| [6] |
施可为; 胡文松. 一种新的神经网络分类系统[J]. 南昌大学学报（工科版）, 1997, 19(01): 1-. |
|
|
|
