周 妍，廖振良，周 灿

（同济大学 环境科学与工程学院，上海 200092）

0 引言

水质评价在本质上是一种多指标、多类别的属性识别的过程，对水资源开发利用、水环境质量监督与保护都有着重要作用，如何使水质评价更加科学、客观、合理是现代环境领域研究的重要课题之一。随着非线性理论、不确定性理论的出现以及计算机技术的快速发展和不断普及，从最初的生物评定法和专家评价法[1]，到现在的单因子评价法[2]、灰色理论法[3]、模糊综合评价法[4-5]等。其中，以单因子为代表的指数评价法虽然计算方法简单，但仅仅采用单一信息的水质评价方法，对于目前复杂多变的水质情况，评价结果往往不能全面的反映出实际的综合水质类别；模糊综合评价法在评价过程中确定效用函数、权重系数等步骤依赖人的主观性，以及指标权重、模糊算子、最大隶属度原则等方面的不确定性，使该方法的评价模式在水质评价领域的通用性有所限制，也对评价结果的可靠性有所影响[6]。因此，如何综合考虑多个水质指标及其浓度成为水质评价的一个难点。

基于统计学习理论的支持向量机（Support Vector Machine,SVM）是近几年迅速发展起来的一种分类模型，为水质评价研究提供了一条新的途径。SVM 是针对分类问题提出的一种机器学习方法[7-8]，不但结构简单，而且在众多数据模型中具有较好的泛化能力，尤其对于小样本的问题，可成功解决神经网络学习过程中“过学习”等问题，同时也能够避免模型陷入局部最优，保证最后得到的极值解是全局最优解[9]。……