·688 智能系统学报 第10卷 2.3水质评价结果 ronmental Pollution Control,1999,21(S):67-68,71. 为验证本文方法的有效性，将其结果与经典 [4]张召跃，王海燕，朱灵峰，等.主成分分析法在水节霉 SVM的结果进行了比较。经典SVM选择目前被广 生长水体水质评价中的应用J].环境工程学报，2011， 泛使用的台湾大学林智仁教授开发的免费软件包 5(5)：1035-1040. LIBSVM进行计算。算法中的主要参数均采用默 ZHANG Zhaoyue,WANG Haiyan,ZHU Lingfeng,et al. Application of principal component analysis in quality evalu- 认值，即惩罚因子C=1,RBF核函数参数σ取样本 ation of water body with Leptomitus lacreus growth[J].Chi- 数据属性数的倒数。进化SVM算法中的惩罚因子 nese Journal of Environmental Engineering,2011,5(5): C和RBF核函数参数σ按表2取值。水质评估结 1035-1040. 果如表3所示。由表3可以看出，进化SVM水质评 [5]李凤超，刘存歧，管越强，等.应用多元分析方法评价 价模型的识别精度较经典SVM水质评价模型分别 白洋淀水质现状[J].河北大学学报：自然科学版。 提高16.7%、12.5%、33.3%和6.7%，较BP神经网络 2006,26(4)：405-410. 方法分别提高7.7%、0%、1.7%和40.9%，这说明本 LI Fengchao,LIU Cunqi,GUAN Yueqiang,et al.Evalua- 文方法具有良好的分类精度和泛化性能。 ting current water quality of Baiyangdian Lake by using multi-variate analysis[J].Journal of Hebei University:Nat- 表3水质评价结果 ural Science Edition,2006,26(4):405-410. Table 3 The results of water quality assessment 0 [6]LIU L,ZHOU J Z,AN X L,et al.Using fuzzy theory and 松花江松 松花江 黄河 桦甸关门 方法 information entropy for water quality assessment in Three 原段 哈尔滨段 甘肃段位子水库 Gorges region,China[J].Expert Systems with Applica- BP 72.22 tions,2010,37(3):2517-2521. 85.71 92.19 67.04 [7]张萌，倪乐意，谢平，等.基于聚类和多重评价法的河 经典SVM 66.67 76.19 70.31 88.52 流质量评价研究[J].环境科学与技术，2009,32(12)： 进化SVM 77.78 85.71 93.75 94.44 178-185. ZHANG Meng,NI Leyi,XIE Ping,et al.Water quality as- 3 结束语 sessment of a large river based on multiple assessment meth- od and cluster analysis[J].Environmental Science Tech- 本文建立的进化SVM模型采用的对SVM的惩 nology,2009,32(12):178-185. 罚因子C和RBF核函数参数σ进行参数优化，对比 [8]WEN C G,LEE C S.A neural network approach to multiob- 经典SVM方法具有一定的优势。将其应用于水质 jective optimization for water quality management in a river 评估问题中，实验结果表明该方法可获得较传统算 basin[J].Water Resources Research,1998,34(3):427- 法更好的精度。本文为水质综合评估提供了一条新 436. 途径，对及时掌握流域水污染状况和水文特征具有 [9]黄胜伟，董曼玲.自适应变步长BP神经网络在水质评 重要意义。 价中的应用J].水利学报，2002，(10)：119-123. HUANG Shengwei,DONG Manling.Application of adaptive 参考文献： variable step size BP network to evaluate water quality[J]. Journal of Hydraulic Engineering,2002,(10):119-123. [1]朱灵峰，王燕，王阳阳，等.基于单因子指数法的海浪 [I0]罗定贵，王学军，郭青.基于MATLAB实现的ANN方 河水质评价[J].江苏农业科学，2012,40(3)：326-327. 法在地下水质评价中的应用[J].北京大学学报：自然 ZHU Lingfeng,WANG Yan,WANG Yangyang,et al.Wa- 科学版，2004,40(2)：296-302. ter quality assessment of Hailang River using single factor LUO Dinggui,WANG Xuejun,GUO Qing.The application index method[J].Journal of Jiangsu Agricultural Sciences, of ANN realized by MATLAB to underground water quality 2012,40(3):326-327. assessment[].Acta Scientiarum Naturalium Universitatis [2]张龙江.水质评价的模糊综合评判一加权平均复合模 Pekinensis.2004,40(2):296-302. 型应用[J].环境工程，2001,19(6)：53-55 [11]曹艳龙，汪西莉，周兆永.基于BP神经网络的渭河水 ZHANG Longjiang.Application of fuzzy comprehensive 质评价方法[J].计算机工程与设计，2008,29(22)： judgement and weighted average models to water quality as- 5910-5912.5916. sessment[J].Environmental Engineering,2001,19(6): CAO Yanlong,WANG Xili,ZHOU Zhaoyong.Water qual- 53-55. ity assessment method of Wei river based on BP neural net- [3]钱天鸣，余波.内梅罗污染指数在运河水质评价中的应 work[J].Computer Engineering and Design,2008,29 用[J].环境污染与防治，1999,21（增刊）：67-68,71. (22):5910-5912,5916. QIAN Tianming,YU Bo.Application of the canal water [12]VAPNIK V.The nature of statistical learning theory [M]. quality evaluation using Nemerow pollution index[J].Envi- New York:Springer Verlag,1995:267-290.２．３ 水质评价结果 为验证本文方法的有效性，将其结果与经典 ＳＶＭ 的结果进行了比较。 经典 ＳＶＭ 选择目前被广 泛使用的台湾大学林智仁教授开发的免费软件包 ＬＩＢＳＶＭ ［１９］进行计算。 算法中的主要参数均采用默 认值，即惩罚因子 Ｃ ＝ １，ＲＢＦ 核函数参数 σ 取样本 数据属性数的倒数。 进化 ＳＶＭ 算法中的惩罚因子 Ｃ 和 ＲＢＦ 核函数参数 σ 按表 ２ 取值。 水质评估结 果如表 ３ 所示。 由表 ３ 可以看出，进化 ＳＶＭ 水质评 价模型的识别精度较经典 ＳＶＭ 水质评价模型分别 提高 １６．７％、１２．５％、 ３３．３％和 ６．７％，较 ＢＰ 神经网络 方法分别提高 ７．７％、０％、１．７％和 ４０．９％，这说明本 文方法具有良好的分类精度和泛化性能。 表 ３ 水质评价结果 Ｔａｂｌｅ ３ Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｗａｔｅｒ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ％ 方法 松花江松 原段 松花江 哈尔滨段 黄河 甘肃段 桦甸关门 砬子水库 ＢＰ ７２．２２ ８５．７１ ９２．１９ ６７．０４ 经典 ＳＶＭ ６６．６７ ７６．１９ ７０．３１ ８８．５２ 进化 ＳＶＭ ７７．７８ ８５．７１ ９３．７５ ９４．４４ ３ 结束语 本文建立的进化 ＳＶＭ 模型采用的对 ＳＶＭ 的惩 罚因子 Ｃ 和 ＲＢＦ 核函数参数 σ 进行参数优化，对比 经典 ＳＶＭ 方法具有一定的优势。 将其应用于水质 评估问题中，实验结果表明该方法可获得较传统算 法更好的精度。 本文为水质综合评估提供了一条新 途径，对及时掌握流域水污染状况和水文特征具有 重要意义。 参考文献： ［１］朱灵峰， 王燕， 王阳阳， 等． 基于单因子指数法的海浪 河水质评价［Ｊ］． 江苏农业科学， ２０１２， ４０（３）： ３２６⁃３２７． ＺＨＵ Ｌｉｎｇｆｅｎｇ， ＷＡＮＧ Ｙａｎ， ＷＡＮＧ Ｙａｎｇｙａｎｇ， ｅｔ ａｌ． Ｗａ⁃ ｔｅｒ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｈａｉｌａｎｇ Ｒｉｖｅｒ ｕｓｉｎｇ ｓｉｎｇｌｅ ｆａｃｔｏｒ ｉｎｄｅｘ ｍｅｔｈｏｄ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｓｕ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ， ２０１２， ４０（３）： ３２６⁃３２７． ［２］张龙江． 水质评价的模糊综合评判———加权平均复合模 型应用［Ｊ］． 环境工程， ２００１， １９（６）： ５３⁃５５． ＺＨＡＮＧ Ｌｏｎｇｊｉａｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｆｕｚｚｙ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｊｕｄｇｅｍｅｎｔ ａｎｄ ｗｅｉｇｈｔｅｄ ａｖｅｒａｇｅ ｍｏｄｅｌｓ ｔｏ ｗａｔｅｒ ｑｕａｌｉｔｙ ａｓ⁃ ｓｅｓｓｍｅｎｔ［ Ｊ］． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００１， １９ （ ６）： ５３⁃５５． ［３］钱天鸣， 余波． 内梅罗污染指数在运河水质评价中的应 用［Ｊ］． 环境污染与防治， １９９９， ２１（增刊）： ６７⁃６８， ７１． ＱＩＡＮ Ｔｉａｎｍｉｎｇ， ＹＵ Ｂｏ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｃａｎａｌ ｗａｔｅｒ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｕｓｉｎｇ Ｎｅｍｅｒｏｗ ｐｏｌｌｕｔｉｏｎ ｉｎｄｅｘ［ Ｊ］． Ｅｎｖｉ⁃ ｒｏｎｍｅｎｔａｌ Ｐｏｌｌｕｔｉｏｎ ＆ Ｃｏｎｔｒｏｌ， １９９９， ２１（Ｓ）： ６７⁃６８， ７１． ［４］张召跃， 王海燕， 朱灵峰， 等． 主成分分析法在水节霉 生长水体水质评价中的应用［ Ｊ］． 环境工程学报， ２０１１， ５（５）： １０３５⁃１０４０． ＺＨＡＮＧ Ｚｈａｏｙｕｅ， ＷＡＮＧ Ｈａｉｙａｎ， ＺＨＵ Ｌｉｎｇｆｅｎｇ， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｉｎ ｑｕａｌｉｔｙ ｅｖａｌｕ⁃ ａｔｉｏｎ ｏｆ ｗａｔｅｒ ｂｏｄｙ ｗｉｔｈ Ｌｅｐｔｏｍｉｔｕｓ ｌａｃｒｅｕｓ ｇｒｏｗｔｈ［Ｊ］． Ｃｈｉ⁃ ｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１１， ５ （ ５）： １０３５⁃１０４０． ［５］李凤超， 刘存歧， 管越强， 等． 应用多元分析方法评价 白洋淀水质现状 ［ Ｊ］． 河北大学学报： 自然科学版， ２００６， ２６（４）： ４０５⁃４１０． ＬＩ Ｆｅｎｇｃｈａｏ， ＬＩＵ Ｃｕｎｑｉ， ＧＵＡＮ Ｙｕｅｑｉａｎｇ， ｅｔ ａｌ． Ｅｖａｌｕａ⁃ ｔｉｎｇ ｃｕｒｒｅｎｔ ｗａｔｅｒ ｑｕａｌｉｔｙ ｏｆ Ｂａｉｙａｎｇｄｉａｎ Ｌａｋｅ ｂｙ ｕｓｉｎｇ ｍｕｌｔｉ⁃ｖａｒｉａｔｅ ａｎａｌｙｓｉｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｈｅｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ： Ｎａｔ⁃ ｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ， ２００６， ２６（４）： ４０５⁃４１０． ［６］ＬＩＵ Ｌ， ＺＨＯＵ Ｊ Ｚ， ＡＮ Ｘ Ｌ， ｅｔ ａｌ． Ｕｓｉｎｇ ｆｕｚｚｙ ｔｈｅｏｒｙ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｅｎｔｒｏｐｙ ｆｏｒ ｗａｔｅｒ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｉｎ Ｔｈｒｅｅ Ｇｏｒｇｅｓ ｒｅｇｉｏｎ， Ｃｈｉｎａ ［ Ｊ ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａ⁃ ｔｉｏｎｓ， ２０１０， ３７（３）： ２５１７⁃２５２１． ［７］张萌， 倪乐意， 谢平， 等． 基于聚类和多重评价法的河 流质量评价研究［ Ｊ］． 环境科学与技术， ２００９， ３２（１２）： １７８⁃１８５． ＺＨＡＮＧ Ｍｅｎｇ， ＮＩ Ｌｅｙｉ， ＸＩＥ Ｐｉｎｇ， ｅｔ ａｌ． Ｗａｔｅｒ ｑｕａｌｉｔｙ ａｓ⁃ ｓｅｓｓｍｅｎｔ ｏｆ ａ ｌａｒｇｅ ｒｉｖｅｒ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｐｌｅ ａｓｓｅｓｓｍｅｎｔ ｍｅｔｈ⁃ ｏｄ ａｎｄ ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ［Ｊ］． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ ＆ Ｔｅｃｈ⁃ ｎｏｌｏｇｙ， ２００９， ３２（１２）： １７８⁃１８５． ［８］ＷＥＮ Ｃ Ｇ， ＬＥＥ Ｃ Ｓ． Ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｒｏａｃｈ ｔｏ ｍｕｌｔｉｏｂ⁃ ｊｅｃｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｗａｔｅｒ ｑｕａｌｉｔｙ ｍａｎａｇｅｍｅｎｔ ｉｎ ａ ｒｉｖｅｒ ｂａｓｉｎ［Ｊ］． Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ Ｒｅｓｅａｒｃｈ， １９９８， ３４（３）： ４２７⁃ ４３６． ［９］黄胜伟， 董曼玲． 自适应变步长 ＢＰ 神经网络在水质评 价中的应用［Ｊ］． 水利学报， ２００２， （１０）： １１９⁃１２３． ＨＵＡＮＧ Ｓｈｅｎｇｗｅｉ， ＤＯＮＧ Ｍａｎｌｉｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｄａｐｔｉｖｅ ｖａｒｉａｂｌｅ ｓｔｅｐ ｓｉｚｅ ＢＰ ｎｅｔｗｏｒｋ ｔｏ ｅｖａｌｕａｔｅ ｗａｔｅｒ ｑｕａｌｉｔｙ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｈｙｄｒａｕｌｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００２， （１０）： １１９⁃１２３． ［１０］罗定贵， 王学军， 郭青． 基于 ＭＡＴＬＡＢ 实现的 ＡＮＮ 方 法在地下水质评价中的应用［ Ｊ］． 北京大学学报： 自然 科学版， ２００４， ４０（２）： ２９６⁃３０２． ＬＵＯ Ｄｉｎｇｇｕｉ， ＷＡＮＧ Ｘｕｅｊｕｎ， ＧＵＯ Ｑｉｎｇ． Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＡＮＮ ｒｅａｌｉｚｅｄ ｂｙ ＭＡＴＬＡＢ ｔｏ ｕｎｄｅｒｇｒｏｕｎｄ ｗａｔｅｒ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ［Ｊ］． Ａｃｔａ Ｓｃｉｅｎｔｉａｒｕｍ Ｎａｔｕｒａｌｉｕｍ Ｕｎｉｖｅｒｓｉｔａｔｉｓ Ｐｅｋｉｎｅｎｓｉｓ， ２００４， ４０（２）： ２９６⁃３０２． ［１１］曹艳龙， 汪西莉， 周兆永． 基于 ＢＰ 神经网络的渭河水 质评价方法［ Ｊ］． 计算机工程与设计， ２００８， ２９（ ２２）： ５９１０⁃５９１２， ５９１６． ＣＡＯ Ｙａｎｌｏｎｇ， ＷＡＮＧ Ｘｉｌｉ， ＺＨＯＵ Ｚｈａｏｙｏｎｇ． Ｗａｔｅｒ ｑｕａｌ⁃ ｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｍｅｔｈｏｄ ｏｆ Ｗｅｉ ｒｉｖｅｒ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔ⁃ ｗｏｒｋ［ Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ， ２００８， ２９ （２２）： ５９１０⁃５９１２， ５９１６． ［１２］ＶＡＰＮＩＫ Ｖ． Ｔｈｅ ｎａｔｕｒｅ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ［Ｍ］． Ｎｅｗ Ｙｏｒｋ： Ｓｐｒｉｎｇｅｒ Ｖｅｒｌａｇ， １９９５： ２６７⁃２９０． ·６８８· 智 能 系 统 学 报 第 １０ 卷