王旭生，王 昕，孙晓川+

(1.华北理工大学 理学院，河北 唐山 063210；2.华北理工大学 人工智能学院，河北 唐山 063210)

0 引 言

近年来，我国海洋污染日益严重，海洋灾害逐年增加，海洋生态环境逐渐恶化[1]。海洋水质参数的变化直接影响海水水质的好坏，利用海洋监测网络对海洋环境进行持续的动态监测，精确预测未来海水水质的变化，如何准确预测海水水质成为国内外学者研究的热点。

海水水质受多种物理、化学和生物因素影响，且不同影响因素之间有一定的关联性，要想迅速、准确实现海水水质预测，必须要先降低不同因素间的关联关系，提取影响水质的主要因子。主成分分析(principal component analysis，PCA)被用来解决这一问题[2,3]，对给定的相关变量实现基于变换矩阵的降维，从而为回归提供更友好的输入，避免了人为选择的主观性问题。

在过去的几十年里，出现了各种各样的水质预测模型，现代较为流行的方法包括支持向量机模型、神经网络模型、模糊法、小波分析法等。文献[4-6]建立了基于支持向量机的水质预测模型，文献[7-10]采用神经网络进行水质预测。但神经网络存在收敛速度慢、在训练过程中容易过拟合、需要调整的参数过多、泛化性能较差等缺点，支持向量机相较于神经网络参数较少，但其随着训练样本的增加训练时间也相应延长，惩罚因子不可估量，核函数要受到Mercer条件限制。相关向量机基于贝叶斯理论，可以实现概率输出，且核函数不受条件制约，很好克服了支持向量机的缺陷[11-13]。……