PSO优选参数的SVR水质评价方法

doi:10.3778/j.issn.1002-8331.2010.24.004

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (24): 11-14.DOI: 10.3778/j.issn.1002-8331.2010.24.004

PSO优选参数的SVR水质评价方法

何同弟^1，2，李见为¹，黄鸿¹

1.重庆大学光电技术及系统教育部重点实验室，重庆 400030
2.河西学院机电工程系，甘肃张掖 734000

收稿日期:2010-04-30 修回日期:2010-06-17 出版日期:2010-08-21 发布日期:2010-08-21
通讯作者: 何同弟

Water quality evaluation based on Support Vector Regression with parameters optimized by particle swarm optimization algorithm

HE Tong-di^1，2，LI Jian-wei¹，HUANG Hong¹

1.Key Lab on Optoelectronic Technology and Systems of the Ministry of Education，Chongqing University，Chongqing 400030，China
2.Department of Mechanics and Electronics，Hexi University，Zhangye，Gansu 734000，China

Received:2010-04-30 Revised:2010-06-17 Online:2010-08-21 Published:2010-08-21
Contact: HE Tong-di

摘要/Abstract

摘要： 为进一步提高多光谱图像水质反演的评价精度，提出了一种基于PSO优选参数的SVR水质评价方法。该模型利用高分辨率多光谱遥感SPOT-5 数据和水质实地监测数据，用粒子群优化算法对支持向量回归的参数进行了优化。首先，分析和筛选渭河陕西段水质实地监测数据，得到符合条件且具有代表性的四类水质变量。接着，使用五种大气校正方法对遥感影像进行大气辐射校正。然后，对各水质变量与遥感数据波段进行相关性分析和水质反演。最后，运用该模型以渭河水质监测数据为例进行了水质评价。实验结果表明，该方法可以较好地实现水质综合评价，能从整体上准确、客观地反映河流水质情况，为内陆河流环境评价提供了一种新方法。

关键词: 支持向量回归, 粒子群优化算法, 参数优选, 高分辨遥感影像, 水质评价

Abstract: In order to improve water quality evaluation of multi-spectral image accurately，this paper puts forward a model for water quality evaluation based on Support Vector Regression with parameters optimized by particle swarm optimization algorithms.The model uses high-resolution multi-spectral remote SPOT-5 data and the water quality field data，the parameters of Support Vector Regression are optimized by particle swarm optimization algorithms.First，the water quality parameters of Weihe River in Shaanxi Province are analyzed to choose four representative water quality parameters.Five methods are used to finish the correction of atmospheric radiation in remote sensing images.Then，the relevance between water quality parameters and remote sensing data is analyzed and retrieved.Finally，the proposed model is applied to the water quality evaluation of Weihe River in Shaanxi Province.The result of experiment shows the proposed method can give a better quality comprehensive evaluation，and can reflect the water quality of rivers accurately and objectively from the overall.It provides a new approach for evaluation of environment to inland rivers.

Key words: Support Vector Regression（SVR）, Particle Swarm Optimization（PSO） algorithm, parameter optimized, high-resolution remote sensing image, water quality evaluation

中图分类号:

TP391

何同弟^1，2，李见为¹，黄鸿¹. PSO优选参数的SVR水质评价方法[J]. 计算机工程与应用, 2010, 46(24): 11-14.

HE Tong-di^1，2，LI Jian-wei¹，HUANG Hong¹. Water quality evaluation based on Support Vector Regression with parameters optimized by particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2010, 46(24): 11-14.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[5]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[6]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[7]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[8]	闫丽萍1，马家军1，陈文兴2. 稀疏结构化最小二乘双支持向量回归机[J]. 计算机工程与应用, 2019, 55(3): 10-14.
[9]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[10]	许莹莹1，李朝锋1，2. 空域和频域联合特征挖掘的无参视频质量评价[J]. 计算机工程与应用, 2018, 54(9): 165-171.
[11]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[12]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[13]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[14]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.
[15]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.

PSO优选参数的SVR水质评价方法

Water quality evaluation based on Support Vector Regression with parameters optimized by particle swarm optimization algorithm

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