论文部分内容阅读
针对污染物浓度序列具有强非线性和显著长程相关性的特点，结合相空间重构和支撑向量机(SVM)构建了一个多步预报的递归模型。对理想混沌序列和多种污染物浓度资料的实验结果表明，模型预报的准确率和效率均显著优于人工神经网络。这种通用建模方法的优势在于对系统非线性机制的反馈十分清晰，充分发挥了SVM适用于小样本问题、映射能力强、全局最优等特点，对非线性时间序列预报适用的其他领域同样具有启发意义。