湖库营养状态的识别，就是通过与湖库营养状态有关的一系列指标及指标间的相互关系，对湖库的营养状态做出准确的判断［1-2］，识别过程具有高维、非线性特征，适宜借助诸如人工智能、模糊识别、知识工程等方法建立模型，以处理多指标系统的综合识别问题［3-4］。模拟智能方法目前已成为建立和识别这类复杂系统最为有效的途径之一，而人工神经网络( artifical neural network，ANN) 则是这类智能算法中运用最为广泛的算法之一。ANN 具有较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等许多特性，适宜解决高维、非线性系统问题，BP 模型( back-propagation network，BP) 无疑是ANN 最为常用的神经网络模型之一，广泛应用于湖库营养状态研究中［5-11］。支持向量机( support vectormachine，SVM) 是20 世纪90 年代中后期发展起来的基于统计学习理论构建的典型神经网络［12］，它由Vapnik 首先提出，是一种通用的前馈神经网络，用于解决模式分类和非线性映射问题。SVM 具有严谨的数学基础，通过统计学习中的VC 维( vapnikchervonenkisdimension) 理论和寻求结构风险最小化原理来提高泛化能力，有效解决了传统BP 神经网络模型存在着学习收敛速度慢、易陷入局部极值以及网络结构难以确定等缺点，在湖库营养状态识别中得到了应用［13］。 |
