支持向量机回归的碳通量预测

doi:10.3778/j.issn.1002-8331.2009.21.068

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (21): 235-238.DOI: 10.3778/j.issn.1002-8331.2009.21.068

支持向量机回归的碳通量预测

陈强，吴慕春，薛月菊，杨敬锋，刘国瑛

华南农业大学工程学院，广州 510642

收稿日期:2008-10-08 修回日期:2008-12-24 出版日期:2009-07-21 发布日期:2009-07-21
通讯作者: 陈强

Research of predicting methods for carbon flux based on support vector regression

CHEN Qiang，WU Mu-chun，XUE Yue-ju，YANG Jing-feng，LIU Guo-ying

College of Engineering，South China Agricultural University，Guangzhou 510642，China

Received:2008-10-08 Revised:2008-12-24 Online:2009-07-21 Published:2009-07-21
Contact: CHEN Qiang

摘要/Abstract

摘要： 如何根据影响因素较好地预测碳通量是许多环境监测者非常关注的问题。但至今尚无一种非常有效的预测模型，为此研究ε-支持向量回归机在碳通量预测中的具体应用，并与BP神经网络模型的预测结果做了比较，分析了两种方法在核函数及相关参数、网络结构、神经元数目选择方面各自不同的特点。实验结果表明，基于ε-支持向量回归机和BP神经网络模型的碳通量预测结果与碳通量实测值之间存在显著相关性。但ε-支持向量回归机方法的预测过程更易掌控，整体预测精度高于BP神经网络的精度。

关键词: ε-支持向量回归, 反向传播神经网络, 碳通量, 预测精度

Abstract: Precisely predicting the carbon flux through impact factors has attracted many ecologists’ interest.However，there is still no perfect method to predict carbon flux effectively.In this paper，ε-support vector regression（ε-SVR） is used to predict carbon flux，and the results of ε-SVR and BP neural network（BPNN） for the prediction of carbon flux are compared.ε-SVR with different kernel functions and parameters and BPNN with different numbers of the neurons in hidden layer are analyzed.The experiment results show that the correlation between the carbon flux predicted by ε-SVR and BPNN and the observation values is high.However，ε-SVR converges global optimal more easily than BPNN.And the ε-SVR predicts more accurately than BPNN.

Key words: ε-support vector regression, Back Propagation（BP） neural network, carbon flux, predicting

陈强，吴慕春，薛月菊，杨敬锋，刘国瑛. 支持向量机回归的碳通量预测[J]. 计算机工程与应用, 2009, 45(21): 235-238.

CHEN Qiang，WU Mu-chun，XUE Yue-ju，YANG Jing-feng，LIU Guo-ying. Research of predicting methods for carbon flux based on support vector regression[J]. Computer Engineering and Applications, 2009, 45(21): 235-238.

[1]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[2]	朱苗苗，潘伟杰，刘翔，吕健，赵慧亮. 基于BP神经网络代理模型的交互式遗传算法[J]. 计算机工程与应用, 2020, 56(2): 146-151.
[3]	陶志富，赵勤，朱家明，刘金培. 可容忍预测误差及其在汇率组合预测中的应用[J]. 计算机工程与应用, 2020, 56(2): 255-260.
[4]	李春，高飞，王会青. 改进果蝇算法优化CIAO-LSTM网络的时序预测模型[J]. 计算机工程与应用, 2020, 56(11): 129-134.
[5]	谭巧巧，杨吉云. 改进的自回归AR（p）预测模型在WSN中的应用[J]. 计算机工程与应用, 2015, 51(12): 83-87.
[6]	尹向东，杨杰，屈长青. CPSO算法优化神经网络重构的网络流量预测[J]. 计算机工程与应用, 2014, 50(9): 65-68.
[7]	王楷，薛月菊，陈汉鸣，黄晓琳，孔德运，陈瑶. 改进的自适应脊波网络的碳通量预测[J]. 计算机工程与应用, 2014, 50(3): 242-246.
[8]	高明明1，邵良杉2. 合理遗忘选择训练样本的煤矿瓦斯涌出量预测[J]. 计算机工程与应用, 2014, 50(14): 1-4.
[9]	王雪松1，赵跃龙2. 基于ARMA-RESN的网络流量预测[J]. 计算机工程与应用, 2014, 50(13): 90-95.
[10]	王鑫，章浩泽，王朝晖，刘纯平. 基于双射变换的脱机手写数字识别方法[J]. 计算机工程与应用, 2013, 49(1): 227-230.
[11]	陈汉鸣，薛月菊，王楷，陈瑶，杨敬锋. 模糊粗糙集在碳通量属性约简应用研究[J]. 计算机工程与应用, 2011, 47(34): 155-157.
[12]	王楷，薛月菊，陈汉鸣，孔德运，陈瑶. 脊波网络的碳通量预测[J]. 计算机工程与应用, 2011, 47(34): 228-230.
[13]	薛月菊1，刘曙光2，胡月明3，刘国瑛1，陈强1 . 基于GA-NN的碳通量预测因素选择[J]. 计算机工程与应用, 2011, 47(18): 237-240.
[14]	卢桂馥^1，2，王勇¹，窦易文¹. 基于支持向量机的织物剪切性能预测[J]. 计算机工程与应用, 2010, 46(15): 205-207.
[15]	杨长盛,陶亮. 几种机器学习方法在人脸识别中的性能比较[J]. 计算机工程与应用, 2009, 45(4): 169-172.

支持向量机回归的碳通量预测

Research of predicting methods for carbon flux based on support vector regression

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics