人民珠江
人民珠江
인민주강
Pearl River
2015年
5期
101-105
,共5页
湖库营养状态%随机森林%支持向量机%决策树%识别
湖庫營養狀態%隨機森林%支持嚮量機%決策樹%識彆
호고영양상태%수궤삼림%지지향량궤%결책수%식별
分析了人工神经网络(ANN)应用于湖库营养状态识别中存在的问题,提出随机森林分类(RFC)湖库营养状态识别模型,以全国24个湖库营养状态识别为例进行实例研究.首先,基于我国湖库富营养化评价标准,采用随机生成和随机选取的方法在湖库营养状态等级标准阈值问生成训练样本和检验样本,构建基于随机森林分类(RFC)原理的湖库营养状态识别模型,并构建支持向量机(SVM)与决策树(DT)识别模型作为对比模型,利用正确识别率对模型性能进行评价;最后,利用RFC模型对实例进行评价,并与相关文献识别结果进行比较.结果表明:RFC模型对于检验样本随机连续5次运行的正确识别率均为100％,识别精度优于SVM和DT模型,表明RFC模型具有识别精度高、泛化能力强、稳健性能好以及调节参数少等优点,可用于湖库营养状态识别;RFC模型对于实例营养状态识别结果与相关文献基本相同.
分析瞭人工神經網絡(ANN)應用于湖庫營養狀態識彆中存在的問題,提齣隨機森林分類(RFC)湖庫營養狀態識彆模型,以全國24箇湖庫營養狀態識彆為例進行實例研究.首先,基于我國湖庫富營養化評價標準,採用隨機生成和隨機選取的方法在湖庫營養狀態等級標準閾值問生成訓練樣本和檢驗樣本,構建基于隨機森林分類(RFC)原理的湖庫營養狀態識彆模型,併構建支持嚮量機(SVM)與決策樹(DT)識彆模型作為對比模型,利用正確識彆率對模型性能進行評價;最後,利用RFC模型對實例進行評價,併與相關文獻識彆結果進行比較.結果錶明:RFC模型對于檢驗樣本隨機連續5次運行的正確識彆率均為100％,識彆精度優于SVM和DT模型,錶明RFC模型具有識彆精度高、汎化能力彊、穩健性能好以及調節參數少等優點,可用于湖庫營養狀態識彆;RFC模型對于實例營養狀態識彆結果與相關文獻基本相同.
분석료인공신경망락(ANN)응용우호고영양상태식별중존재적문제,제출수궤삼림분류(RFC)호고영양상태식별모형,이전국24개호고영양상태식별위례진행실례연구.수선,기우아국호고부영양화평개표준,채용수궤생성화수궤선취적방법재호고영양상태등급표준역치문생성훈련양본화검험양본,구건기우수궤삼림분류(RFC)원리적호고영양상태식별모형,병구건지지향량궤(SVM)여결책수(DT)식별모형작위대비모형,이용정학식별솔대모형성능진행평개;최후,이용RFC모형대실례진행평개,병여상관문헌식별결과진행비교.결과표명:RFC모형대우검험양본수궤련속5차운행적정학식별솔균위100％,식별정도우우SVM화DT모형,표명RFC모형구유식별정도고、범화능력강、은건성능호이급조절삼수소등우점,가용우호고영양상태식별;RFC모형대우실례영양상태식별결과여상관문헌기본상동.
