基于GNIPSO-SVR的水质预测模型研究（五）

3.2特征变量对溶解氧的影响

在减少信息丢失的基础上降低预测模型的输入维度，首先利用PCA计算水质溶解氧主成分因子的累计方差贡献率，选择90%的累计方差贡献率为阈值，把方差贡献率的累加值超过90%的因子数作为特征变量的选取个数，如图2所示。从图2中可以看出，当第8个特征因子出现的时候，其总体的累计方差贡献率超过了90%，因此选取8个特征因子代替原变量作为预测模型的输入。再利用互信息分别求出14个影响因子与溶解氧之间的互信息值，可以得出溶解氧与各个水质指标的依赖程度较高，与空气中的污染物因素依赖程度较低。其重要影响因子依次为电导率、总磷、浊度、高锰酸钾指数、PH、氨氮、水温、总氮、PM2.5、NO2、PM10、O3、CO、SO2，如表1所示。

在选取的样本信息中，水质指标浊度与水温之间的相关系数为0.58>0.5，氨氮与电导率之间的相关系数为0.547>0.5，在99%的置信区间下，具有显著相关性。而互信息值0.7759(浊度)>0.6800(水温)，0.7854(电导率)>0.7598(氨氮)，因此选取电导率、总磷、浊度、高锰酸钾指数、PH、总氮等作为水质指标中影响溶解氧含量的特征变量。

由相关性分析得到污染物各因子间的相关系数如表2。由表2可以看出，污染物各指标因子之间具有强相关性甚至多重相关性，因环境系统是一个复杂的化学系统，指标间相互制约会引起一些冗余信息，最终会影响预测模型的精度，增大误差。

综上，本文最终选择了电导率、总磷、浊度、高锰酸钾指数、PH、总氮、PM2.5、O3等8个影响因子作为溶解氧的关键指标，此方法是通过筛选出合适的特征子集进行组合，对已有数据进行描述、建模，以达到优化目标函数的目的，有效解决变量间的冗余性在系统建模中的不良作用，避免预测模型出现过拟合现象。

3.3仿真环境及结果分析

3.3.1仿真环境及模型选择

基于GNIPSO-SVR的溶解氧预测模型是在Intel(R) Core(TM) i7-10510U(8核)，内存12GB，Win10 64位操作系统，编程语言为MATLAB R2018a的开发环境中进行仿真实验。在GNIPSO算法中：wmax=0.9，wmin=0.4，种群规模大小为30，个体学习因子c1=1.7，社会学习因子c2=1.5，最大迭代次数为100。通过GNIPSO算法获得SVR模型的最优参数(cbest,gbest)=(39.0125,0.5013)，将最优参数(cbest,gbest)代入预测模型中。

式(22)的均方误差(MSE)作为算法的适应度函数fitness，求得适应度曲线如图3所示，可以看出惯性权重非线性递减的PSO-SVR的适应度值始终小于标准的PSO-SVR，而且惯性权重非线性递减的PSO-SVR算法能较快的完成迭代且误差较小，该算法在全局寻优上具有较高的性能。

声明：本文所用图片、文字来源《信息与控制》，版权归原作者所有。如涉及作品内容、版权等问题，请与本网联系删除。

相关链接：高锰酸钾，样本，环境