潘秀昌

(云南省水利水电勘测设计研究院， 昆明　650021)



SCA-SVM模型在年径流丰枯识别中的应用

潘秀昌

(云南省水利水电勘测设计研究院， 昆明650021)

通过4个典型测试函数对一种新型全局优化算法——正弦余弦算法(SCA)进行仿真验证，仿真结果与粒子群优化(PSO)算法、模拟退火算法(SA)、布谷鸟搜索(CS)算法和人工蜂群算法(ABC)进行对比．利用SCA搜寻SVM最佳学习参数，提出SCA-SVM年径流丰枯识别模型．以龙潭寨水文站为例进行实例研究，利用月径流序列均值及标准差构建月径流分类标准，并基于该分类标准构造样本对SCA-SVM模型进行训练及检验，利用训练好的SLC-SVM模型对实例年径流丰枯进行识别．结果表明：SCA算法寻优精度远优于SA、CS、PSO和ABC算法，具有调节参数少、收敛速度快、寻优精度高和全局寻优能力强等特点；SCA-SVM模型对训练及检验样本的识别率均为100%，具有较好的识别效果和精度．

年径流识别；正弦余弦算法；支持向量机；参数优化

科学合理的年径流丰枯识别对于水文分析计算、年度用水计划、水量分配及防洪抗旱具有重要意义．常用的丰枯识别方法有模糊聚类法[1]、投影寻踪法[2]、集对分析法[3]、模糊-集对分析法[4]以及神经网络法[5]等．支持向量机(Support Vector Machines，SVM)由于具有“结构简单”、“克服维数灾”及“小样本优势”等优点，能较好地克服传统神经网络过学习和泛化能力差等不足，在各行业领域具有广泛应用[6-7]．实践表明，基于径向基核函数的SVM在解决识别问题时，惩罚因子C和核函数参数g对SVM模型的识别精度具有关键性影响．当惩罚因子C较小时，训练及检验样本识别率均较低，SVM处于欠学习状态；……