روش ترکیبی رگرسیون بردار پشتیبانی با بهینه سازی الگوریتم ژنتیک برای پیش بینی کیفیت آب کشاورزی

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

روش ترکیبی رگرسیون بردار پشتیبانی با بهینه سازی الگوریتم ژنتیک برای پیش بینی کیفیت آب کشاورزی

عنوان لاتین

A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction

پیش بینی کیفیت آب نقش مهمی در مدیریت مدرن خرچنگ رودخانه ایفا می کند. بدلیل رفتار غیرخطی و ناایستای کیفیت آب، دقت روش های سنتی متداول شامل تحلیل های رگرسیونی و شبکه های عصبی با محدودیت مواجه است. در این مقاله، یک مدل پیش بینی بر اساس رگرسیون بردار پشتیبانی (SVM) برای حل مسئله پیش بینی کیفیت آب رودخانه پیشنهاد شده است. برای تشکیل یک مدل SVR کارآمد، پارامترهای SVR باید با دقت تنظیم شده باشند. این مطالعه روشی ترکیبی موسوم به رگرسیون بردار پشتیبانی با الگوریتم ژنتیک با کدگذاری عدد صحیح (RGA-SVR) را ارائه می کند که با استفاده از الگوریتم های ژنتیک با مقدار حقیقی پارامترهای بهینه SVR را جستجو کرده و مدل های SVR را با استفاده از پارامترهای بهینه ایجاد می کند. این روش برای پیش بینی داده های جمع آوری شده کیفیت آب کشاورزی از مزارع آبی یژینگ چین است. نتایج تجربی نشان می دهند که RGA-SVR نسبت به SVR سنتی و شبکه عصبی با یادگیری پس انتشار (BP) عملکرد بهتری را در معیارهای خطای مجذور میانگین ریشه (RMSE) و خطای درصد مطلق میانگین (MAPE) ارائه می دهد. در این مقاله اثبات شده است که مدل RGA-SVR روشی کارآمد برای پیش بینی کیفیت آب کشاورزی است.

Water quality prediction plays an important role in modern intensive river crab aquaculture management. Due to the nonlinearity and non-stationarity of water quality indicator series, the accuracy of the commonly used conventional methods, including regression analyses and neural networks, has been limited. A prediction model based on support vector regression (SVR) is proposed in this paper to solve the aquaculture water quality prediction problem. To build an effective SVR model, the SVR parameters must be set carefully. This study presents a hybrid approach, known as real-value genetic algorithm support vector regression (RGA–SVR), which searches for the optimal SVR parameters using real-value genetic algorithms, and then adopts the optimal parameters to construct the SVR models. The approach is applied to predict the aquaculture water quality data collected from the aquatic factories of YiXing, in China. The experimental results demonstrate that RGA–SVR outperforms the traditional SVR and back-propagation (BP) neural network models based on the root mean square error (RMSE) and mean absolute percentage error (MAPE). This RGA–SVR model is proven to be an effective approach to predict aquaculture water quality.