10.3969/j.issn.2095-2783.2019.12.014
改进的PSOGA-SVM模型应用于露天矿区空气质量预测
为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测.选取PM10质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景.基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型.结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上.
空气质量、支持向量机、遗传算法、粒子群优化算法
14
X823(环境质量分析与评价)
陕西省科技厅农业科技攻关项目2015NY028
2020-04-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
1348-1355