基于PSO参数辨识SVM的中长期径流预测研究.pdf

第5 1 卷 第1 期 2 0 1 1年 1月 大 连 理工大 学学 报 J o u r n a l o f Da l i a n Uni v e r s i t y o f Te c h n o l o g y Vo 1 5 1，No 1 J a n 2 0 1 1 文 章 编 号：1 0 0 0 8 6 0 8(2 0 1 1)01 0 1 1 5 0 6 基于 P S O 参数辨识 S VM 的中长期径流预测研究 叶 碎高，彭 勇 ，周惠 成(1 大连理工大学 水利工程学院，辽宁 大连1 1 6 0 2 4；2 浙 江 省 水 利 河 口研 究 院，浙 江 杭 州 3 1 0 0 2 0)摘 要：以径向基函数作为核函数，利用微粒群(P S O)算法的全局寻优特性进行支持向量机 (S VM)的参数辨识 在微粒群搜 索参数前，先对参数进 行指数变换，使 O，1 和 1，c x。有着相 同的搜 索概 率 微粒群算法的适应值 函数是 以支持 向量机模 型的推广 能力为标 准的，讨论 了 测试样 本的最小误差和 留一法对支持 向量机学 习方法推广 能力 的两种估计 最后 以长江 宜昌 站 的月径流 资料为例，分 别采 用 AR MA模 型、季节性 AR I MA模 型、B P神经 网络模型 以及所 建 立的支持 向量机模型进行模拟预测，结果 显示了该模 型的有效 性 关键 词：径 流 中长期预 报；参 数辨识；微 粒群 算法；支持 向量机 中图分类 号：T V1 2 4 文 献标志 码：A O 引 言 中长期水 文 预报 具 有 较 长 的预 见 期，能够 使 人们 在解决 防洪 与抗 旱、蓄水 与 弃水 及 各 部 门 用 水 之 间矛盾 时及 早采 取 措 施进 行 统 筹 安排，以获 取最 大的效益 中长 期水 文预报 模 型很 多，已在水 文 水资 源研究 中得 到 了广 泛 的应 用，对 水 文水 资 源科学 问题 的解 决起 到 了非常重 要 的作 用 其 中，机 器学 习是水 文预 报 的 一个 重 要 方 向，其 实 现 方 法大 致 可以分为 3种：(1)经典 的统计 估 计方 法，如 AR MA模 型 这 类方法有一定 的局 限性：需要 已知样本 的分 布函 数，这样花费 的代 价 很大；传 统 的统 计方法 是 样 本 趋于无穷时 的渐近理论，而实际的样本有 限 (2)经验 非线性 方法，如 ANN 1 这种 方法 是 利 用 已知 样本 建立 多 维 非 线性 模 型，克 服 了传 统 参 数估计 的瓶颈 但 这种模 型是 黑箱子 模型，缺乏 统 一的数学 理论 (3)支 持 向量 机 方 法 卜 统 计 学 习 理 论(S L T)是 一种专 门研究 小样 本情况 下机 器学 习 规 律的理论，其统计推理规则不仅考虑了渐近性的 要求，而且力求在有 限信息中得到最优结果 支持 向量机 是 建 立在 S L T 的 VC维 理论 和结 构 风 险 最小原理基础上的，根据有限的样本在模型的复 杂性和学习能力之间寻求最佳折中，来获得最佳 的推 广 能力 由于 S L T理论 和 支持 向量 机(S VM)方 法还 处于发展阶段，很多方面还很不完善，比如：许 多理 论 目前 还 不 能在 实 际算 法 中实现；VC维 的分 析 尚没 有通用 的方 法；S VM 方法 中如何 选 择 适 当 的核 函数 没有 理 论 基础；参数 C、e 和 核 函数相 关参 数难 于辨识 本文 主要 针对 问题，通 过 一 定 的 指 数 变 换 将 微 粒 群(P S O)算 法 用 于 S VM 的参 数 辨识 问题，并将 优 化后 的模型用 于 径 流 中长期 预报 中 1 基 于微 粒 群 的 支 持 向量 机 参 数辨 识 1 1 回归支持向量机原理 已知一 个训 练集 X一 (X 1，1)，(2，2)，(f，Y z)R”R (1)用非线性映射 把数据 映射到高维特 征空 间，并在 高维 特征空 间 中进 行线 性 回归：厂()一(，()+b；W，X R”，b R(2)收稿 日期：2 0 0 8 1 2 1 5；修 回日期：2 0 1 0 1 1 一 O 1 基金项 目：国家 自然科学基金资助项 目(5 0 9 0 9 0 1 2)；水文水资源与水利工程科学 国家重点实验室开放基金资助项 目(2 0 0 9 4 9 0 2 1 1)作者简介：叶碎高(1 9 6 3 一)，男，博士，教授级高工；彭勇(1 9 7 9 一)，男，博士，E ma il：p y o n g c u i d i 1 6 3 c o m 大连理工大学学报 第5 1 卷 最优 的回归 函数 是通 过在一定 的约束 条 件下 最 小化规 则化风 险泛 函 1 一l 专 十 C 丁 1 L (，f(x )一；1 其 中第 1项称为 规则 化 项；第 2项则 为经 验 风 险 泛 函，可 由不 同的损失 函数确定，常数 C 0控制 对 超 出误 差 e 的样 本 的惩 罚程 度 采 用 F 不敏 感 损 失 函数 L (，f(x )一 ma x 0，f(x )l e)(3)对于 L (，f(x i)，如果估计输 出 f(x )与 期望输出 Y 的偏差的绝对值小于 e，则等于 0；否 则，它等于偏差的绝对值减去 e，通过引入非负松 弛变量、8，最小 化规则 化风 险泛 函可重新 描述 为 1 ra i n 1 Il lI。+c E(+毫)i 1 f Y 一(，(置)一b e+8 s t +bY f +(4)【8，0 这 是一个 二次优化 问题，其对 偶 问题 为 W(oli Cg=一 号 l l 一 a，)置，x i)一 e(a +a )十 Y (a a，)s t (口 一 口，)一0，0 口 C (5)解 这个二 次优化，可 以得到 a的值，w的表 达 式为 f 一(口 a )(置)(6)f l f 厂()：(口 一口 )+b(7)i 一 1 支持 向量机 理论 只考 虑高 维特征 空 间的点积 运算 K(x ，)，即，称 K(x ，)为核 函数 常用 核 函数 有 线 性 核 函数(，；多 项 式 核 函 数(+c)本文选 用径 向基核 函数 1 2 微粒群算法原理 微粒群算法在搜索过程 中，每个微粒在解空 间中 同时 向 2 个 点逼 近，第 1 个 点 是所 有 微 粒在 历代 搜索 过程 中所 达 到 的最 优解 g ；另 一个 点 是每个微粒在历代搜索过程中自身所达到的最优 解 P 每个 微粒 表示 为在 n 维 空 间中的一个 点，用 x 一(X )表示 第 i 个 微粒(搜 索 S VM 参数时 鼍 一(C e )，第 i 个微粒的个 体 最优 解 表 示 为 p 一(p P P )，全 局最 优解 表示 为 g 一(g。g g )，而 鼍 的第k次修正量表示为 ，一(硝 吨)，其计 算公 式为=+C 1 r a n dl (一z )+C 2r a n d 2(g 一 z )(8)z 一 z +(9)式 中：i 一 1，2，m，d一 1，2，n，m 为微粒 群 微粒 个数，n为解 向量 维数；c 和 c。是 学 习 因子，Ke n n e d y等 建议 取 C 1 一 C 2 2；r a n dl 和 r a n d 2 为两个独立的介 于 O，1 的随机数；为动量项 系数，随 算法 迭代 而 线性 减小；一，“，“决定微粒在解空间第d维的搜索精度 1 3 参数辨识步骤 径 向基 函数 S VM 有 3个参 数需 要 确定：C、和 寻求 S VM 模型的最佳参数是一个参数辨识 问题 本文利用微粒群全局快速优化 的特点对参 数进 行搜索，可 以减少试 算 的盲 目性 和复杂性，来 提高模型预测精度 由于参数 C、和 在 0，1 内 的可能性比较大，如果直接进行搜索，0，1 被选 中的概率将较低，所 以本文在搜索前对参数进行 了指数变换，使 O，1 和 1，。有着相同的搜索概 率(如图 1所示)基 于 P S O辨 识 S VM 参数 的 步骤 如下：微粒群 搜索空间 s 参嗷 空间 图 1 S VM 参 数辨识 P S O 算法 Fi g1 SVM p a r a me t e r i de nt i f i c a t i on b y PSO a l go r i t h m(1)对 S VM 进 行初 始化 设 置，包 括 设置 迭代 次数、微粒最大允许速度“、群体规模、随机生 成初始微粒 z?和微粒初始速度 7 其 中微粒向 量的元 素对应 相应 的 S VM 参 数 C、e 和 口 第1 期 叶碎 高 等：基于 P S O 参数 辨识 S VM 的中长 期径 流预测研 究 1 1 7 (2)一 个 微 粒 向 量 代 表 一 个 支 持 向 量 机 模 型，计算 每个微粒 的适 应 值，以反 映 S VM 模 型 的 推广能力 适应值 函数 有如 下 3 种 形 式：以训 练样 本 的实 际 值 与 预 报 值 误 差 最小 为 目标 函数，这种 形式 不好 因为 Ke e r t h i 等 7 的 研 究表 明对一足 够大 的 C，当 一。时径 向基 函 数 S V M 能 以非 常高 的精 度模 拟训 练样 本，但 对测 试 样本不 具有任 何泛 化能 力；当 一 0 时径 向基 函 数 S VM 会把所 有训 练样本 都模 拟 为一个 数 以预测 样 本 的 实 际 值 与 预 报 值 误 差 最 小 为 目标 函数。，这种 形 式下，只保 证 了预 测 样 本 有较 高的推 广能力，但不 能 保 证 模 型 有较 高 的推 广能力 表达 式为 1 F(x。)一 ：l E y f(z )y。I(1 0)，三 式 中：m 为 预测样本 个 数，z 为 支 持 向 量机 的第 i 个 输人 值，Y 为第 i 个 预测 样 本 实测 值，f(z )为 第 i 个 预测样 本预测 值 以模 型的推 广能力 最 大 为 目标 函数 采 用 留一法对 支 持 向量 机 学 习 方 法 推 广 能 力 进 行 估 计 1 进 行 留一 法 估 计 时，首 先 从 训 练 集 中 留 出 一个待 检验样 本，然 后用 其 他 训 练样 本 训 练 预 报 模 型，最后对 训练集 中的待检验 样本 进行 预测 令 广表示 留出第 i 个样本后从剩余训练样本 上得 到的预测 模型，厂 (z )表 示使 用该 模型对 第 i 个 样本进 行预 测，Y f i(z )表 示 留一 法 的预 报 误 差 则 留一法对 该学 习方法 推广 能力 的估计 为 1 F(x。)一 l 一厂(z )I(1 1)K 1 式 中：k为训练 样 本 个 数 为 支 持 向量 机 的 第 i 个输 入值，Y 为第 i 个 训练 样本 实测 值，广(z )为 第 i 个训 练样本 预测值 (3)按 照式(1 0)或(1 1)计 算 的适 应 函数 值 F(x )与 自身 的最 优 值 F(p )进 行 比较，如 果 F(x )F(p )，贝 0 F(p )=F(x )，p =(4)将每 个 微 粒 的最好 适 应值 F(p )与 所 有微 粒 的最好适 应值 F(g 。)进行 比较如 果 F(p )F(g 。)，贝 0 F(g b e )：F(p b )，g k 一 p e S (5)判 断是 否达到最 大 迭代 次 数，如 果 否，再 进 行新一 轮 的计 算，按 式(8)、(9)将 微 粒进 行 移 动，从 而产生新 的微 粒，返 回步骤(2)如 果是，计 算 结束 2 实 际 应 用 2 1工程 概况 收集 了 长 江 宜 昌 水 文 站 5 2 a(1 8 9 0 0 1 1 9 4 1 1 2)的月 平 均 径 流 资料 由前 4 9 a(1 8 9 0 0 1 1 9 3 8 1 2)数 据作 为 训练 数据，后 3 a(1 9 3 9 0 1 1 9 4 1-1 2)资料进行预测检验，见图 2 为检验支持 向量机 模 型的预 测效果，本 文还分 别 采用 AR MA 模 型、季 节性 A R I MA 模 型 以及 B P神经 网络 模 型 对原始 月径流序列 进行 了模拟预测，并 选择各 自相 对误差 绝对值 的平 均值作为评价指标 对于季 节性 A R I MA模型，首 先按周期 一1 2作差 分得 到平 稳 序列，然后再 对所 得 到 的平稳 序列 建立 A R MA模 型 对 于 B P神 经 网络模 型，输 入节点 数为 1 2；取 一 个隐层，采用“试错 法”确定隐层节点数 图 2 宜 昌站(1 8 9 0 0 1 1 9 4 1 1 2)月 径流资 料 Fi g 2 M o n t h l y d i s c h a r g e o f t h e Yi c h a n g S t a t i o n (1 8 9 0 0 1 t o 1 9 4 1-1 2)2 2 参 数范 围确 定 月 平 均 径 流 过 程 构 成 了非 线 性 时 间 序 列 X 一 -，z，)，对 这 个 非线 性 径 流 序 列 进行 预 测，就 是要 寻 找在+P 时 刻 的流 量值 和前 P(由 于月 平均 流量 过程 的 自相 关 系数 在 滞 时 为 1 2个 月时 最大，所 以取 P一 1 2)个时 刻 的流量 值 斗。，汁 2，z 升 P 一 1的关 系，即 z 叶 p f(x 升 1，斗 2，汁 )，f为 一个 非 线性 函数，表示 径 流时 间序 列 之 间 的非线 性关 系，可 以通 过支 持 向量 机 对 N P组 流 量 序 列 样 本 进 行 学 习，模 型 用 厂(z)一(a 一a )K(，)+b表示，其 中的参数 a 、l=1 a 、b 用 微粒 群搜 索到 的 C、e求得 支 持 向量机 训练算 法采 用序 列极 小化 训练算 法 C、t7、e 区间 的确定 基 于以下 的考虑 g ：首 先 确 定 的 取 值 范 围 从 核 函 数 e x p(一 I l 一。)可 以看 出 的 大 小 完 全 是 针对 l l X一置 f I 而言的 因此在实际应用 中，只 大连理工大学学报 第5 1 卷 要 19 的取值 比训 练 样 本 之 间 的最 小 距离 小 得 多，就 能达到 一 0的效果；同样，当 比训练 样本 之 间的最大 间 隔大 得 多 时 就可 以达 到 一。的效 果 基于这一考虑，实验 中确 定 的搜索空 间为 mi n(I j 一 f I J。)2 0，ma x(I】II)2 0 对于宜昌站训练数据，rai n(I I 一 lI)=5 8 9 5 1 0，ma x(1 l 一 置 l l。)=3 9 3 4，所 以 2 9 4 71 0 _“，7 8 6 8 0 3，最后取 1 o 一，1 0 。然后确 定 C的取 值 范 围 在 构 造分类 面 方 程 时惩 罚 因子 C的作用 是对拉 格 朗 日因子 a的取 值 加以限制，见式(5)当 C超过一定值时就丧失了 其对 a取值 的约束作用，此时经验风险和推广能 力几乎 不再 发生 变 化 为 此采 取 了如下 的启 发式 思维确定 c取值的上限：首先给定一个小的 C值，取名为 G，用其训练 S VM 求解出一组 a ，i=1，2，k，其 中 k为 训 练 样 本 总 数，令 C 一 ma x(a )如 果 C C ，则 以 C 作 为 C 的取 值上 限；否则 换一个 更 大 的 C 训 练 S VM，直至 得 到 的 C 远小于 C 这样 就可得到 C的搜 索空间 O，C 对于宜昌站训练数据求得 C =1 0 0 0 0，所以 c 0，1 o 由于在搜索前对参数进行 了指数 变换，而 0的指数变换为 c x。，根据经验选取 C E l O 一，1 0 最后 确定 e的取 值 范 围 因为 在训 练模 型 之 前，对 S VM 的 输 入 进 行 了 规 格 化处 理 使 其 处 于 O，1 ，所 以 e的取值范 围也在 0，1 ，即 E E o，1 支持 向量机模型参数取值范围为 C E E l O 一，1 0 、E E l 0，1 0 和E E 0，1 3；相应的微粒群 搜索范围为 c 一5，4 3、一4，2 和 E 0，1 微粒群训练支持 向量机模型时，初始参数参 考文献 1 2 进行设置：学习因子C-=C 2=2，最大 速度“=“=0 1，最大迭代次数 T一 5 0，微粒个数为 2 O，动量项系数 W IW；一 W5 0 9 t 0 5 T，式 中 t 为 当前迭 代次数 2 3 计算 结果 及分 析 模拟预报结果见表 1、图 3，其 中 S VM 表示 以预测样本的推广能力最大为 目标的支持向量机 模型，其训练 集样本数 为 5 7 6，测试 集样本 数为 3 6；S VM。表示 以采用 留一法估计的模型推广能 力最大为 目标的支持 向量机模型，其训练集本身 就 是测试 集，样 本 数 为 5 7 6 由表 1可 以看 出：两 个 支 持 向量 机模 型 对训 练数 据 的模拟 精度 比 ARMA、ARI MA和 ANN 都有 不 同程度 的提 高；预 测 精 度 和 A RI MA、ANN 不 相 上 下，高 于 ARMA的预 测精 度 表 1 Ta b 1 宜 昌站 预测模 型 的模 拟预 测精度 比较 P e r f o r m a n c e i n d i c e s o f ARM A，ARI M A，ANN a nd S VM i n Yi c h a ng St a t i on g 邑 0 图 3 宜 昌站(1 9 3 9-0 1 1 9 4 1-1 2)ARMA、AR I MA、ANN 和 S VM 模 型 检验 段预 报和实 际结果 比较 Fi g 3 ARM A，ARI M A，ANN a nd SVM f or e c a s t e d a n d o b s e r v e d f l o w d u r i n g v a l i d a t i o n p e r i o d i n Yi c h a n g S t a t i o n(1 9 3 9 一 O 1 1 9 4 1 1 2)图 4显示 了惩 罚 因 子 C的 变 化对 预 测 误 差(相对误差绝对值的平均值)的影响情 况，可以 看 出随 着 C 的增 大，模 拟 精 度 逐 渐减 小，最后 趋 于稳 定；检 验精 度 先 减小 后增 大，最 后趋 于 稳定 即当 C-q C X D 时 会 发 生严 重 的“过 学 习”现 象，此 时 径向基函数 S VM 能以非常高 的精度模拟训练样 本，但对测试样本泛化能力较低；当 C 一0时会发 生严重的“欠学习”现象，模拟预测精度都不高 从 图中可以看出预测误差最小值在 CE E o 1，1 ，表 1中的 C一0 2 4 7是合 理 的 第1 期 叶碎 高等：基 于 P S O 参数 辨识 S V M 的 中长期 径流 预测研 究 1 1 9 0 9 0 6 0 3 0 1 图 4 不 同惩 罚 因子 C的模 拟预测 误差 Fi g 4 S i mul a t e d a nd f or c a s t e d e r r o r of di f f e r e n t C 图 5显 示 了核参数 的变化对 预测 误差 的影 响情况，从 图 中可以看 出 具有 和 C相 同的性质，并且预测误差最小值在 E l 0 一，1 o 。，表 1 中 的 一 1 7 3 6是合理 的 1 4 1-2 1 0 0 8 0 6 0 4 0-2 0 1 图 5 不 同核 参数 的模 拟预 测误差 Fi g 5 S i mu l a t e d a nd f or e a s t e d e r r or of d i f f er e n t 图 6显示 了精度 e 的 变化对 预测 误差 的影 响 情 况，可 以看 出随着 e的增大，模拟 误 差开 始 比较 稳定，后来 逐 渐增 大；检 验 误差 开 始 比较 稳定，后 来逐 渐减 小，最后 逐渐 增大 从 图中可 以看 出预测 误差最小值在 e E l 0 一，1 O ，表 1中的 e一 9 2 2 0 1 0 是合 理 的 0 4 5 0 4 0 O 3 5 0 3 0 0 2 5 0 _ 2 0 O 1 5 0 1 0 1 图 6 不 同精度 的模 拟预测 误差 Fi g 6 Si mul a t e d a nd f or c a s t e d e r r or o f di f f e r e nt e 拟精度 也达 到 了满 意 的结 果，所 以 以预 测样 本 的 推广能力最大为目标的支持向量机模型是满足实 际需求的 从 该实 例 的计 算结 果 可 以看 出：两 种 支 持 向量 机 模 型 都 达 到 了 较 好 的 模 拟 预 测 效 果 S VM 的预测 精度 都 高 于 S VM。的 预 测精 度，这 是 因 为 S VM 是 以检 验 样 本 的预 测 误 差 最 小 为 目标 优选 得 到 的，即 S VM 所 得 到 的预 测 误 差是 最小 的，所 以 S VM。的预测 精度 高 于 S VM 的预 测精 度 是 合 理 的 S VM 模 型 和 A NN 模 型 的 模拟 预测 精度 不相 上 下，但 ANN 模 型 的建 立 过 程存 在很 多 困难，比如 隐层 节点数 不好 确定、迭代 次数不 好 确 定 和 推 广 能力 不 好 估 计 等；而 S V M 模 型 只需 以推广能 力最 大为 目标优选 参 数 C、s 和 核 参 数 就 能 得 到 较 好 的 模 拟 预 测 精 度 A RI MA模 型 的模 拟 预 测 精度 也 达 到 了较好 的 效果，这是 因为差分后 的时间序 列变得 相对平 稳，比较 符 合 AR MA 模 型 的适 用 条 件 S VM 模 型、A R I MA 模 型 和 ANN 模 型 的模 拟 预测 精 度 都好 于AR MA模 型，这 是 因 为 ARMA 模 型 主 要 适 用 于平 稳 时 间序 列，而 月径 流 时 间序 列 是 非平 稳 的，计 算效果 差也 是合 理的 3 结 语 通 过本 文工作 得 到如下 几点认 识：(1)支 持 向 量机方 法通 过对样 本 的学 习就可获 得 因变量 和 自 变量之 间复 杂 的非 线性 关 系，而 且 采用 结 构 风 险 最 小化原 则，具有 良好 的外推 能力(2)支持 向量 机 的模 型 参数 C、e比较敏 感，对 预测 效 果影 响 较大，采用 优化 算 法进 行 优 化 可减 少 试 算 的盲 目 性，提高了预测推广能力(3)P S O优化算法编程 简单、收敛 快，优 化得 到的模 型参数 可 以获得 良好 的预测 效果 采用 留一 法对 支持 向量机学 习方 法推 广能力 进行估 计，可 以只 在原 有 资 料 的基 础 上 建立 预 测 精度 比较高的模型 但该算法的估计效率却很低，对 1 个 样本 需要 进 行 1次学 习和 预测 随着 样 本 数 的增 加，运算 量 也 急剧 增加 所 以寻 找速 度快、精度高、推广能力好 的估计方法是进一步的工作 参 考 文 献：从 图 4 6可 以看 出，当预 测 精度 较 高 时，模 1 H U A N G W，X U B，C H A N H I L T O N A l 2 O 大连理工大学学报 第5 1 卷 F o r e c a s t i n g f l o ws i n Ap a l a c h i c o l a Ri v e r u s i n g n e u r a l n e t w o r k s J 3 H y d r o l o g i c a l P r o c e s s e s，2 0 0 4，1 8(1 3)：25 45 25 6 4 E 2 文 俊，刘天琪，李兴源，等在线识别同调机群的优 化支持 向量机算 法 J 中 国电机工 程 学报，2 0 0 8，2 8(2 5)：8 0-8 5 3 刘庆彪，张步涵，王 凯，等电价预测 的 自适 应支持 向量机 方 法研 究E J 电力 系统 保护 与控 制，2 0 0 8，3 6(2 2)：3 4-3 9 4 李大中，王臻基于最小二乘支持 向量机 的生物质 气化过 程模 型建 立 J 系统仿 真 学报，2 0 0 9，2 1(3)：6 2 9 6 3 3 5 S M0L A A J，S CHO E L KO P F B A t u t o r i a l o n s u p p o r t v e c t o r r e g r e s s i o n 口 S t a t i s t i c s a n d Co mp ut i n g，2 00 4，1 4：1 9 9 22 2 6 3 KE NNE D Y J，E B E R HA R T R P a r t i c l e s wa r m o p t i mi z a t i o n C P r o c e e d i n g s o f t h e I E E E I n t e r na t i o na l Co nf e r e n c e o n Ne u r Ne t wo r k s Pi s c a t a wa y：I EEE Se r vi c e Ce n t e r，19 9 5：19 42-19 4 8 7 KE E R T HI S S，L I N C J As y mp t o t i c b e h a v i o r s o f s u p p o r t v e c t o r m a c h i n e s w i t h G a u s s i a n k e r n e l J Ne ur a l Co m p ut a t i o n，20 03，1 5：1 66 7 1 6 8 9 8 林剑艺，程春 田支持 向量机 在 中长期径流预报 中的 应用 J 水 利学报，2 0 0 6，3 7(6)：6 8 1 6 8 6 I-9 杨 旭，纪玉波，田 雪基于遗传算法的 S VM 参数 选取 J 辽 宁石 油化工大 学学报，2 0 0 4，2 4(1)：5 4-5 8 1 O 董春曦，杨绍全，饶 鲜，等支持 向量机推 广能力 估计方法 比较 J 电路 与系统 学报，2 0 0 4，9(4)：8 6 9 1 1 1 F A N R o n g-e n，CHE N P a i-h s u e n，L I N C h i h-j e n W o r k i n g s e t s e l e c t i o n u s i n g s e c o n d o r d e r i n f o r m a t i o n f o r t r a i n i n g s u p p o r t v e c t o r ma c h i n e s I-J J o u r n a l o f M a c hi ne Le a r ni ng Re s e a r c h，2 00 5，6：1 8 89：1 91 8 1 2 S HI Y u-h u i，E B E R HA R T R E mp i r i c a l s t u d y o f p a r t i c l e s wa r m o p t i mi z a t i o n C P r o c e e d i n g s o f t h e 1 99 9 Co ng r e s s o n Ev ol u t i o n ar y Co mpu t at i o n Pi s c a t a wa y：I EEE Se r vi c e Ce n t e r，1 9 9 9：19 4 5-1 95 0 Re s e a r c h o n s u p po r t v e c t o r ma c hi n e pa r a me t e r i d e n t i f i c a t i o n me t h o d f o r mi d-a nd l o ng-t e r m r u n o f f f o r e c a s t ba s e d o n pa r t i c l e s wa r m o pt i mi z a t i o n a l g o r i t h m YE Su i g a o ，PENG Yo n g，ZHOU Hu i-c h e n g (1 Sc h o o l o f H y d r a u l i c E n g in e e r i n g，Da l i a n U n i v e r s i t y o f T e c h n o lo g y，Da l i a n 1 1 6 0 2 4，Ch i n a；2 Z h e j i a n g In s t i t u t e o f H y d r a u l i c s a n d E s t u a r y，H a n g z h o u 3 1 0 0 2 0，Ch i n a)Ab s t r a c t：Th e g l o b a l s e a r c h i n g p e r f o r ma n c e o f p a r t i c l e s wa r m o p t i mi z a t i o n(P S O)a l g o r i t h m i s a p p l i e d t o t h e i d e n t i f i c a t i o n o f t h e p a r a me t e r s o f s u p p o r t v e c t o r ma c h i n e(S VM)i n wh i c h r a d i a l b a s i s f u n c t i o n(RBF)i s u s e d a s k e r n e l f u n c t i o n B e f o r e p a r t i c l e s wa r m s e a r c h e s t h e p a r a me t e r s，t h e D a r a me t e r s a r e t r a n s f o r me d i n t o e x p o n e n t，wh i c h ma k e s i n t e r v a l 0，1 3 a n d i n t e r v a l 1，o o h a v e t h e s a m e s e a r c hi n g p r ob a b i l i t y Ada pt i ve v a l u e f un c t i o n o f PS O a l go r i t h m t a k e s t h e ge ne r a l i z a t i o n c a p a bi l i t y o f SVM m o d e l a s t he c r i t e r i o n；t hus t wo ki nd s o f e s t i ma t i o n of t h e g e ne r a l i z a t i o n c a p a bi l i t y of SVM。t h e mi n i mum e r r o r o f t e s t s a mpl e s a n d l e a v e o ne o ut me t h od，a r e d i s c u s s e d Ta ki ng Yi c h an g St a t i on i n Ya n gt z e Ri v e r a s a n e x a mpl e，ARM A m o d e l a nd s e a s o n a l ARI M A mo de l，BP n e ur a l n e t wo r k mo d e 1 a n d t h e p r o p o s e d S VM mo d e l a r e u s e d t o f o r e c a s t t h e mo n t h l y d i s c h a r g e，r e s p e c t i v e l y Th e s i mu 1 a t i o n a n d f o r e c a s t i n g r e s u l t s s h o w t h e e f f e c t i v i t y o f t h e p r o p o s e d S VM mo d e 1 Ke y wo r d s：mi d a n d l on g t e r m r un o f f f or e c a s t i ng；pa r a me t e r o pt i m i z a t i o n(PSO)a l go r i t hm；s u pp o r t v e c t or ma c hi ne i d e n t i f i c a t i o n；p a r t i c l e s wa r m(S VM)