基于六种进化优化算法与 ANFIS、SVM 和 ANN 混合的地下水位建模与不确定性分析
信号处理
2020-07-01 v1 机器学习
神经与进化计算
机器学习
摘要
在本研究中，将六种元启发式方案与人工神经网络（ANN）、自适应神经模糊推理系统（ANFIS）和支持向量机（SVM）相混合，以预测月地下水位（GWL）、评估预测的不确定性分析并进行空间变异分析。这六种方案包括蚱蜢优化算法（GOA）、猫群优化（CSO）、杂草算法（WA）、遗传算法（GA）、磷虾算法（KA）和粒子群优化（PSO），用于混合以提升 ANN、SVM 和 ANFIS 模型的性能。选取伊朗 Ardebil 平原 144 个月的地下水位（GWL）数据来评估混合模型。采用主成分分析（PCA）预处理技术，从月时间序列中减少输入组合至最多 12 个月的预测区间。结果表明，在测试阶段，ANFIS-GOA 在第一个和第三个测压管中预测 GWL 优于其他混合模型。带优化算法的混合模型性能远优于未混合的经典 ANN、ANFIS 和 SVM 模型。在训练阶段，测压管 10 中 ANFIS-GOA 相比独立 ANFIS 的 RMSE、MAE、NSE 和 PBIAS 改进百分比分别为 14.4%、3%、17.8% 和 181%，测试阶段分别为 40.7%、55%、25% 和 132%。测压管 6 在训练步骤中的改进为 15%、4%、13% 和 208%，测试步骤中分别为 33%、44.6%、16.3% 和 173%，这明确证实了所开发混合方案在 GWL 建模中的优越性。不确定性分析表明，ANFIS-GOA 和 SVM 分别在各类模型中表现最好和最差。总体而言，GOA 提升了 ANFIS、ANN 和 SVM 模型的精度。
引用
@article{arxiv.2006.16848,
title = {Modeling and Uncertainty Analysis of Groundwater Level Using Six Evolutionary Optimization Algorithms Hybridized with ANFIS, SVM, and ANN},
author = {Akram Seifi and Mohammad Ehteram and Vijay P. Singh and Amir Mosavi},
journal= {arXiv preprint arXiv:2006.16848},
year = {2020}
}
备注
42 pages, 11 figures