SOM网络与SVM在水质富营养化评价中的对比

被引：4

作者：

石欣

熊庆宇

雷璐宁

机构：

[1] 重庆大学自动化学院

来源：

重庆大学学报 | 2010年 / 33卷 / 03期

关键词：

支持向量机; 自组织映射; 神经网络; 对比; 评价; 富营养化;

D O I：

暂无

中图分类号：

X823 [大气评价]; TP183 [人工神经网络与计算];

学科分类号：

0706 ; 070602 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对复杂水环境中的富营养化评价问题,利用三峡库区水体富营养化监测数据,对自组织映射神经网络和支持向量机模型在解决该评价问题上的性能表现进行对比研究。实验结果表明,2种模型均有较快的计算速度和较高的精度,但与自组织映射网络模型相比,支持向量机模型具有更好的稳定性和抗干扰能力,在参数选择上更为简单。

引用

页码：119 / 123

页数：5

共 7 条

[1]

数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,

[2]

神经网络原理.[M].(美)SimonHaykin著;叶世伟;史忠植译;.机械工业出版社.2004,

[3]

中国湖泊富营养化.[M].金相灿等主编;.中国环境科学出版社.1990,

[4] 基于改进的SOM神经网络在水质评价分析中的应用 [J].

雷璐宁 ;

石为人 ;

范敏 .

仪器仪表学报, 2009, 30 (11) :2379-2383

[5] 基于支持向量机的水环境质量综合评价 [J].

刘坤 ;

刘贤赵 ;

孙瑾 ;

孟翠玲 .

中国环境监测, 2007, (03) :81-84

[6] 人工神经网络模型在太湖富营养化评价中的应用 [J].

任黎 ;

董增川 ;

李少华 .

河海大学学报(自然科学版), 2004, (02) :147-150

[7] 湖泊富营养化评价方法及分级标准 [J].

王明翠 ;

刘雪芹 ;

张建辉 .

中国环境监测, 2002, (05) :47-49

← 1 →