(18.206.238.77) 您好!臺灣時間:2021/05/17 17:00
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

: 
twitterline
研究生:孫嘉偉
論文名稱:應用支持向量機預測泥砂濃度
指導教授:江介倫江介倫引用關係
學位類別:碩士
校院名稱:國立屏東科技大學
系所名稱:水土保持系所
學門:農業科學學門
學類:水土保持學類
論文種類:學術論文
論文出版年:2012
畢業學年度:101
語文別:中文
中文關鍵詞:支持向量機、 支持向量機、 支持向量機、 倒傳遞類神經網路、 倒傳遞類神經網路、 倒傳遞類神經網路、 倒傳遞類神經網路、 流量、泥 流量、泥 砂濃度
相關次數:
  • 被引用被引用:2
  • 點閱點閱:188
  • 評分評分:
  • 下載下載:47
  • 收藏至我的研究室書目清單書目收藏:0
流域內預測泥沙生產是設計和管理的一個重要的課題,而含砂量的變化與氣候和水文的因素有關。流量和產砂量在估計泥砂濃度的方法局限於參數與邊界條件。在這種情況下,應用理論來進行推估已被證明是一個有效的方法。本研究介紹支持向量機(Support Vector Machine,SVM)和人工神經網絡(Artificial Neural Network, ANN)的特點。建立了估算產砂量之模型。河道演變主要發生在響應變化的自然因素,如氣候,表面材料,沉積物供應等。希望能夠有效推估河川中產砂量,來預防產砂量結果低估或者高估會導致在水庫容量不足或是生產力過剩,也可幫助水利單位修建引水設施、輸水渠道及引水渠道建造沉砂池等,以降低懸浮載輸送至下游用水單位水源中之泥砂,進而有效降低或減少下游地區的衝擊及災害。
本研究利用三種預測理論:支持向量機(SVM)、類神經網路(ANN)、多元迴歸,將含砂濃度資料分成訓練與驗證兩部分,建立預測含砂濃度模型,評比各模式在不同判別條件之預測表現。其結果顯示支持向量機模式在預測方面的誤差百分比都比類神經網路模式與迴歸模式來的好,其優劣順序為: 支持向量機模式>類神經網路
模式>迴歸模式。
使用單一站的資料進行預測,輸入特徵僅使用流量,以模型二的預測精度較為良好,而模型二只能預測到90分鐘之後平均絕對值誤差率(Mean Absolute Percentage Error,MAPE)會超過20%,屬於合理的預測範圍,。
輸入特徵包含本站流量與上游含砂濃度,以模型六的預測精度較為良好,可以預測到120分鐘MAPE指標未超過20%,還在優良預測的範圍。

摘要.............................................. I
Abstract ........................................ III
目錄 ............................................. V
表目錄 ........................................... VII
圖目錄 ........................................... XI
壹、 前言 ........................................ 1
貳、 文獻回顧 ..................................... 3
一、 多元迴歸相關文獻 ................................................. 3
二、 支持向量機 ................................................. 5
三、 類神經網路 ................................................. 7
參、 研究方法 ................................................. 8
一、 支持向量機(Support Vector Machine) ................................................. 8
二、 類神經網路 ................................... 14
三、 複迴歸 ....................................... 16
四、 研究模型 ..................................... 17
五、 研究區域 ..................................... 28
六、 誤差評估 ..................................... 30
肆、 結果與討論 .................................... 32
一、 模型一 ....................................... 32
二、 模型二 ....................................... 36
三、 模型三 ....................................... 39
四、 模型四 ....................................... 43
五、 模型五 ....................................... 45
六、 模型六 ....................................... 47
七、 模型七 ....................................... 49
八、 模型八 ....................................... 51
伍、 結論 ......................................... 56
參考文獻 .......................................... 58
附錄 ............................................. 61
作者簡介 .......................................... 80

1. 王如意、易任,1982,應用水文學(上、下),國立編譯館,臺北。
2. 王春燕、夏樂天,2010,「基於不同核函數的SVM用於逕流預報的比較」,人民黃河,第9期,第32卷,pp.35-39。
3. 白建光、許強,2008,「三峽水庫塌岸預測評價系統開發內蒙古」,農業大學學報,第1期。
4. 李祚泳,侯宇光,1999 「流域年均含沙量的PP回歸預測」,泥沙研究,第1期。
5. 李國正,2004,支持向量機導論,電子工業出版社,北京。
6. 林孟龍,2002,「颱風對於蘭陽溪上游集水區懸移質生產特性的影響」,碩士論文,國立臺灣大學,地理環境資源研究所。
7. 洪本善,2008,「迴歸模型及類神經網路應用於地下水位資料補遺之研究」,碩士論文,逢甲大學,土地管理系研究所。
8. 苑振海,2010,「流域輸模數線性迴歸模型研究」,南水北調與水利科技,第2期,第8卷。
9. 孫建平,1997,「類神經網路及其應用於降雨及逕流過程之研究,碩士論文」,國立臺灣大學,農業工程學系。
10. 晉香蘭、張泓,2006,「基於多元迴歸分析的煤儲層高滲區預測―以沁水盆地為例」,煤田地質與勘探,第2期,第34卷,pp.22-25。
11. 馬細霞、穆浩澤,2008,「基於小波分析的支持向量機逕流預測模型及應用」,灌溉排水學報,第3期,第27卷,pp.79-81。
12. 張文春、陳劍平,2010,「基於支持向量機的三峽工程豐都縣水庫庫岸穩定性評價在豐都縣三峽工程庫岸穩定性評價」,遼寧工程技術大學學報,第1期,第29卷,pp.112-115。
13. 張郁麟,2007,「倒傳遞類神經網路應用於台灣北部水庫懸浮固體濃度即時分析與預測之研究」,碩士論文,國立臺灣大學,生物環境系統工程學系暨研究所。
14. 張逸凡,2005,「支持向量機在即時河川水位預報之應用」,國立成功大學水利及海洋工程研究所碩士論文,pp.25-36。
15. 陳昶憲、楊朝仲,1998,「時序類神經集水區洪水預測模式」,臺灣水利,第46期,第1卷,pp.84-98。
16. 陳昶憲、蔡國慶、黃尹龍,2001,「模糊類神經應用於集水區出流量之預測」,中國土木水利工程學刊,第13期,第2卷,pp.395-403。
17. 葉怡成,2000,類神經網路模式應用與實作,儒林圖書有限公司,台北。
18. 葉家勳,2009,「應用類神經網路推估河川懸浮載含量」,碩士論文,國立屏東科技大學,水土保持系研究所。
19. 熊建秋,李祚泳,2005,「基於支持向量機的水流挟砂能力預測研究」,水利學報,第10期,第36捲,pp.1171-1175
20. 趙紅標、吳義斌,2009,「基於支持向量機的中長期入庫逕流預報」,紅河水,第5期,第28卷,pp.55-59。
21. 蔡豫學,2011,「應用支持向量機預測水庫乾旱」,碩士論文,國立屏東科技大學,水土保持系研究所。
22. 賴建信、陳彥璋,2003,「以類神經網路預測玉峰橋站高水位時期之流量」,中華水土保持學報,第34期,第3卷,pp.261-269。
23. Agarwal, A., Mishra, S. K., Ram S., Singh J. K., 2006. Simulation of runoff and sediment yield using artificial neural networks.Biosystems Engineering, 94(4): 597–613.
24. Ardiclioglu, M. and Kisi, O., 2007. Suspended sediment prediction by using two different feed-forward backpropagation algorithms. Canadian Journal of Civil Engineering, 34(1): 120–125.
25. Asaad, Y. S., Kieran, M. C. and Liang, G. C., 1997. Methods for combining the outputs of different rainfall-runoff models. Journal of Hydrology. (19)7: 203-229.
26. Behzad, M., Asghari, K., Eazi, M., Palhang, M., 2009. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Sys, 36:7624-7629
27. Chang, C. C. and Lin, C. J., 2001. LIBSVM: a library for support vector machines. Software available at http://www.csie.ntu.edu.tw/~cjlin/.
28. Cheng, L., 2008. Sediment load reduction in Chinese rivers. International Journal of Sediment Research. 23 (1): 44-55
29. Cigizoglu, H. K., 2002, Suspended sediment estimation and forecasting using artificial neural networks, Turkish Journal of Engineering &; Environmental Sciences. 26: 15-25.
30. Cimen, M., 2008. Estimation of daily suspended sediments using support vector.
31. Dadson, S. J., Hovius, N., Chen, H., Dade, W. B., Hsieh, M. L., Willett, S. D., Ching, H. J., Horng, M. J., Chen, M. C., Stark, C. P., Lague, D., and Lin, J. C., 2003, “Links between erosion, runoff variability and seismicity in the Taiwan orogen,” Nature. 42(6): 648-651.
32. Debasmita Misra, 2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering.103(4): 527-535
33. Field, A., 2000. Discovering Statistics Using SPSS for Windows. London, Thousand Oaks. 116-131.
34. Gurmessa, T. K. and Bardossy, A., 2009. A principal component regression approach to simulate the bed-evolution of reservoirs. Journal of Hydrology. 36(8): 30-41.
35. Mauro D. L., 2005. Effect of GIS data quality on small watershed stream flow and sediment simulations Hydrol. Process. 19: 629- 650
36. Mohsen B., Keyvan A., Morteza E. and Maziar P., 2009. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with Applications 36(4):7624-7629.
37. Qnet V2.1 – Neural Network Modeling for Windows95/98/NT, 1996 ,Vesta Services, Winnetka, Inc., USA.
38. Vapnik, V. N., 1998. Statistical learning theory. New York: John Wiley.

連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top