初探支持向量机算法在海洋站观测数据质量控制中的应用

作者：李飞  卢勇夺  林波  陈哲  刘思晗  徐腾

单位：国家海洋环境预报中心, 北京 100081

关键词：质量控制 SVM SVDD 海洋数据 多要素检验

分类号：P714

出版年·卷·期（页码）：2016·33·第二期（66-73）

摘要：

为了有效提高海洋观测数据的质量,初步探索引入了一种统计学习算法--支持向量域描述(SVDD)用于海洋站多要素数据质量控制,建立了一套基于SVDD的多要素数据质控方法。该方法拥有惩罚系数C、RBF核参数、质控调节因子ΔR等多个参数,利用历史样本观测数据训练构建质量控制模型,通过该模型实现海洋观测数据质量控制。本文利用真实观测数据对该方法进行了分析检验,验证了该方法能够有效分析数据质量、发现可疑数据,对提高海洋观测资料的可靠性、科学性具有一定借鉴价值。

A statistical learning algorithm, supporting vector domain description (SVDD), is introduced, and a method of multi factor data quality control based on SVDD is established. Quality control model can be constructed by historical sample observation data, and the quality control of ocean observation data can be realized by the model. In this paper, the method is analyzed by real data, and proved to effectively analyze the data quality and find suspicious data. It has some reference value for improving the reliability and scientific of the marine observation data.

参考文献：

[1] 陈上及, 马继瑞. 海洋数据处理分析方法及其应用[M]. 北京: 海 洋出版社, 1991 [2] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42. [3] Tax D M J, Duin R P W. Support vector domain description[J]. Pattern Recognition Letters, 1999, 20(11-13): 1191-1199. [4] Vapnik V N. The Nature of Statistical Learning Theory[J]. IEEE Transactions on Neural Networks, 1995, 10(5): 988-999. [5] 祁亨年. 支持向量机及其应用研究综述[J]. 计算机工程, 2004, 30 (10): 6-9, doi: 10.3969/j.issn.1000-3428.2004.10.003. [6] 杨一文, 杨朝军. 基于支持向量机的金融时间序列预测[J]. 系统 工程理论方法应用, 2005, 14(2):176-181, doi: 10.3969/j.issn. 1005-2542.2005.02.017. [7] 白鹏, 张喜斌, 张斌, 等. 支持向量机理论及工程应用实例[M]. 西 安: 西安电子科技大学出版社, 2008. [8] 李飞. 基于支持向量机的说话人识别[D]. 北京: 北京信息科技大 学, 2012. [9] Tax D M J, Duin R P W. Support Vector Data Description[J]. Machine Learning, 2004, 54(1): 45-66. [10] Pekalska E, Paclik P, Duin R P W. A Generalized Kernel Approach to Dissimilarity-based Classification[J]. Journal of Machine Learning Research, 2002, 2(2): 175-211.

服务与反馈：

【文章下载】【发表评论】【查看评论】【加入收藏】