基于支持向量机的水资源开发利用评价模型

基于支持向量级模型良好的泛化能力,构建了区域水资源开发利用程度的支持向量机评价模型.针对评价标准,采用均匀分布随机函数,在3个标准间内插10个样本,形成共30个样本用于支持向量机的训练,实现了对西安市水资源开发利用程度的综合评价.实例研究表明,运用支持向量机分类模型进行区域水资源开发利用问题研究,评价结果合理、可靠,可以为区域水资源开发利用评价提供一种新的方法.     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

区域水资源可持续利用的未确知测

针对水资源系统是一个具有未确知性特征的复杂大系统。在未确知测度空间基础上，构建了区域水资源可持续利用评价的未确知测度模型，并将该模型应用于西安市水资源开发利用程度的评价。通过单指标未确知测度、多指标综合测度计算以及指标定权等过程，实现对各分区水资源开发利用程度的综合评价与排序。实例研究表明，运用未确知测度模型进行区域水资源可持续利用问题研究，理论上是可行的，评价结果是可信的，这为信息不确定条件下的区域水资源可持续利用评价提供了一种新方法。     

基于集对分析的区域水资源开发利用综合评价

基于集对分析方法建立了区域水资源开发利用程度的评价模型，并应用该模型对汉中盆地水资源的开发利用程度进行了综合评价。评价结果表明，汉中盆地水资源利用处于中、低级阶段，还有很大的开发潜力。通过与模糊模式识别、模糊综合评判、属性识别方法、人工神经网络方法进行对比分析，可以看出集对分析模型不仅理论严谨、方法简便，而且评价结果精确可靠，从而验证了该方法的合理性和可行性。因此，集对分析理论为区域水资源开发利用程度的综合评价提供了一种新的思路。     

黑龙江水资源可持续利用评价研究

从“水资源系统发展水平”,“水资源与社会协调水平”,“水资源与经济协调水平”,“水资源与环境协调水平”4个方面确定了黑龙江省水资源可持续利用评价的33个初选指标,提出了聚类分析-熵权法的指标筛选方法,通过系统聚类消除指标间相关性的同时,利用熵权法得到熵权值最大的指标,从33个初始指标中筛选得到12个指标,利用支持向量机模型对黑龙江2003-2010的水资源可持续利用状况进行评价,并与人工神经网络的结果进行比较,其结论对区域水资源的调控具有切实的实践意义.     

新型群体智能算法优化BIGRU/BILSTM的水资源空间均衡评价

为科学评价云南省2006-2022年及2025年水资源空间均衡状态，建立基于社交网络搜索（SNS）算法、登山队优化（MTBO）算法优化双向门控循环单元（BIGRU）、双向长短时记忆（BILSTM）网络的水资源空间均衡评价模型。首先，从水资源支撑、水资源压力、水资源调控力3个方面遴选15个指标构建水资源空间均衡评价指标体系和等级标准，采用线性内插和随机选取的方法生成样本构建BIGRU、BILSTM适应度函数；其次，简要介绍SNS、MTBO算法原理，利用SNS、MTBO优化BiGRU、BiLSTM隐含层神经元数、学习率（超参数）构建SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM模型，通过不同样本大小和连续10次运行的方法验证SNS-BIGRU等4种模型的稳健性；最后利用SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM模型对云南省2006-2022年及2025年水资源空间均衡进行评价，并与SNS-支持向量机（SVM）、MTBO-SVM和模糊综合评价法的评价结果作对比。结果表明：(1)所建立的SNS-BIGRU等4种...     

水田田埂边界支持向量机检测方法

提出了基于支持向量机的水田田埂边界线的检测算法。采用支持向量机分类算法代替传统的图像分割算法,分割水田图像,提高了在不同光照条件下田埂边界检测的鲁棒性。图像预处理阶段引入超像素分割算法,大大减少了后续图像处理的计算量,并为支持向量机的模型训练提供大量的样本。选取足够数量的超像素样本,提取其颜色特征和纹理特征,构成19维的特征向量,并作为训练支持向量机模型的输入。使用训练好的支持向量机模型识别新图像中的水田田埂区域,模型评价指标F1分数达到90. 7%。采用霍夫变换提取田埂边界,在NVIDIA的Jetson TX2硬件平台上,算法总运行时间在0. 8 s以内,有效满足了水田直播机的实时性要求。     

基于最小二乘支持向量机的人民胜利渠灌区灌溉用水量预测

基于最小二乘支持向量机（LSSVM）良好的泛化能力和特点,以人民胜利渠灌区需水量为研究对象,选用径向基函数（RBF）作为核函数,建立了最小二乘支持向量机预测模型,对灌区需水量进行了模拟计算,用检验样本与灰色预测和基于RBF的神经网络模型的预测结果进行了比较,LSSVM预测的最大误差8.78%,平均误差4.90%。结果表明最小二乘支持向量机模型有较高的预测精度和较强的泛化能力,可为灌区水资源规划提供科学依据。     

基于支持向量机的面板堆石坝堆石料参数反演分析

在综合分析了各种参数反演方法的基础上,提出了支持向量机的堆石料参数反演方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的堆石料参数反演模型。以大量的实测数据作为学习样本和测试样本,验证基于支持向量机的参数反演分析方法及其可行性。研究表明,用支持向量机方法来反演堆石料参数是可行的。     

重庆市水资源综合评价研究

以重庆市40个区县为研究对象,利用数学回归模型和地理信息系统空间插值两种方法的耦合获取重庆市各区县水资源评价的原始数据,两种方法的组合在一定程度上可提高水资源评价数据的精确性;在此基础上利用模糊物元分析方法建立区域水资源综合评价的模糊物元模型,对重庆市40个区县的水资源进行综合评价,同时利用聚类分析方法对评价结果进行验证。结果表明：重庆市水资源分布空间差异明显,水资源丰富区主要集中在研究区域的东南部和东北部,西部和中部区域水资源相对贫乏。研究结果可为研究区域合理利用水资源进行产业规划和布局提供参考。     

基于物元理论的雨水资源评价

根据物元分析理论,建立了区域雨水资源开发利用评价模型,并据此对4个研究区域雨水资源开发利用状况进行了综合评价,得出了合理可行的评价结果.结果表明:全面地分析评价对象属于某一等级的程度,比模糊综合评价的评价结果更为客观准确,能为决策者对水资源开发利用模式和管理提供科学的根据.     

河南省引黄灌区水资源开发利用状况综合评价

随着经济迅速发展和人口增加,河南省引黄灌区水资源供、需矛盾日趋明显。将BP神经网络与基于实数编码的加速遗传算法相结合,建立了基于RAGA-BP方法的区域水资源开发利用综合评价模型,对河南省引黄灌区水资源开发利用状况进行综合评价。结果表明:目标区域水资源利用的程度或水平处于低中级水平,水资源开发仍具有较大的潜力,符合区域实际情况;同时,该评价方法收敛速度快,精度高,可广泛用于相关水资源问题的综合评价。     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。     

基于集对分析的区域水资源开发利

基于集对分析方法建立了区域水资源开发利用程度的评价模型,就应对该模型对汉中盆地水资源的开发利用程度进行了综合评价.评价结果表明,汉中盆地水资源利用处于中低阶段,还有很大的开发潜力.通过与模糊模式识别,模糊综合评判,属性识别方法,人工神经网络方法进行对比分析,可以看出集对分析模型不仅理论严谨,方法简便,而且评价结果精确可靠,从而验证了该方法的合理性和可行性,因此,集对分析理论为区域水资源开发利用程序的综合评价提供了一种新的思路.     

区域水资源开发利用程度综合评价

通过建立水资源开发利用程度评价指标体系,运用模糊综合评判的方法对区域水资源开发利用程度进行分析评价,并将此应用到西安市的水资源开发利用评价之中,对西安市水资源的可持续利用提供科学的决策依据。     

基于邻域粗糙集和高光谱散射图像的苹果粉质化检测

研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600~1000nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。     

支持向量机参数优化研究

基于统计学习理论的支持向量机作为数据挖掘中的新技术,开发了一个极好的机器学习方法。它被认为是机器学习领域非常受欢迎的和成功的例子。支持向量机应用到实际问题时,首先面临的模型参数,包括支持向量机和核参数的选择。参数的选择直接决定了训练支持向量机的效率和效果,如何选择参数是支持向量机的主要问题。本文介绍的支持向量机参数优化和粒子群优化算法的关键知识,支持向量机的性能是很大程度上取决于参数设置,包括的惩罚参数和核函数参数,如何选择支持向量机的关键参数问题。     

基于开发利用指标主成分分析的区域水资源评价模型

为了克服以往评价水资源开发利用程度方法的种种弊端,基于水资源开发利用指标,应用主成分分析的方法,从样本相关矩阵出发,对水资源开发利用的10个主要指标进行了分析。根据累计贡献率达到92．9％以上,确定了跟水资源开发利用程度相关的5个独立的新指标,并得到各分区的主成分值。以主成分值为指标对水资源开发情况进行分类,其结果与模...     

城市水资源开发利用程度评价的模糊贴近度分析

基于变异系数法确定评价指标的权重,建立了水资源开发利用程度的模糊贴近度评价模型,分析了其实现步骤,并以西安市水资源开发利用程度评价为例进行了实例验证、探讨.实例研究表明,基于模糊贴近度的城市水资源开发利用程度评价,概念清晰、原理直观、方法简单,能较好地反映实际,可操作性强.     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...