基于支持向量机的水资源安全评价

被引:14
作者
畅明琦 [1 ,2 ]
刘俊萍 [3 ]
马惟 [2 ]
机构
[1] 长安大学水与发展研究院
[2] 中国灌溉排水发展中心
[3] 浙江工业大学建筑工程学院
关键词
统计学习理论; 支持向量机; 模式分类; 水资源安全;
D O I
10.13577/j.jnd.2011.0628
中图分类号
TV213.4 [水利资源的管理、保护与改造];
学科分类号
082802 ;
摘要
支持向量机以统计学习理论为基础,采用结构风险最小化准则,将学习问题转化为一个凸二次规划问题,能够得到全局最优解,适合解决小样本、非线性分类及回归问题。根据水资源安全的内涵,筛选出具有代表性的指标,组成水资源安全评价指标体系。建立了基于支持向量机的水资源安全评价模型,将安全标准划分为良好、安全、临界、不安全、危险5个等级。根据水资源安全评价标准及所属评价等级值,随机生成样本集,180个样本作为训练样本,构造了5个两类支持向量分类器,20个样本作为检验样本,检验样本分类全部正确。将模型应用于山西省11个城市的水资源安全评价,结果表明,该方法是有效、可行的。
引用
收藏
页码:167 / 171
页数:5
相关论文
共 7 条
[1]   基于支持向量机的区域水安全预警模型及应用 [J].
卢敏 ;
张展羽 ;
冯宝平 ;
贾仁辅 .
计算机工程, 2006, (15) :44-45+66
[2]   基于多级支持向量机分类器的电力变压器故障识别 [J].
吕干云 ;
程浩忠 ;
董立新 ;
翟海保 .
电力系统及其自动化学报, 2005, (01) :19-22+52
[3]   区域水资源可持续利用评价的人工神经网络模型 [J].
宋松柏 ;
蔡焕杰 .
农业工程学报, 2004, (06) :89-92
[4]   区域水资源可持续利用系统评价的插值模型 [J].
金菊良 ;
丁晶 ;
魏一鸣 ;
付强 .
自然资源学报, 2002, (05) :610-615
[5]  
模式识别[M]. 清华大学出版社 , 边肇祺等编著, 2000
[6]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297
[7]  
Margin trees for high-dimensional classification. Tibshirani R,Hastie T. Journal of Machine Learning Research . 2007