水环境质量的评价与预测是水环境研究的重要内容,其目的是准确反映水环境的质量和污染状况,预测未来的发展趋势,是水环境管理、保护和治理的一项重要基础性工作。目前不确定性的水质评价方法和非机理性的水质预测方法成为研究热点,例如基于模糊理论、灰色理论的方法、人工神经网络方法都各有特点,但也存在一定的缺陷。支持向量机是近年来兴起的一种机器学习方法,由于其突出的分类与回归性能,在许多研究领域展开了广泛的应用与研究。本文的研究目的是改进支持向量机在水质评价及预测中的应用,以期提高评价客观性和预测精度,减少人为因素的影响。本文的主要工作和成果如下:1.针对传统支持向量机参数选择过程中计算量大、参数多时难以获得最优参数的问题,提出了一种基于混沌粒子群算法的支持向量机参数优选算法,采用UCI机器学习知识库中的Iris和Wine数据集验证了该算法的有效性,相比网格搜索法缩短了搜索时间,相比遗传算法和粒子群算法提高了分类精度。2.针对传统水质评价方法受人为因素影响较大,采用混沌粒子群算法优选参数和3-a-3多类分类方法,在太湖流域7个自动监测站监测数据的基础上,建立支持向量机水质评价模型,评价了7个监测断面09年第20-23周的水质状况,评价结果比较客观,符合实际情况,相比单因子指数法避免了过于悲观的评价,能综合考虑所有参评项目对水质的影响,相比BP神经网络评价法避免了网络结构变化造成不同评价结果等缺陷。3.鉴于BP神经网络结合小波在单因子水质时间序列预测中有较好的应用,本文采用回归型支持向量机结合小波分析的方法建立水质预测模型,以嘉兴王江泾自动监测站测得的溶解氧和氨氮监测数据为例,分别做了1步预测和2步预测,实验结果表明该模型的预测效果优于BP神经网络结合小波的方法,一方面说明该模型作为一种非机理性水质预测方法可以大大提高水质预测精度,另一方面说明支持向量机相比BP神经网络在水质预测方面有更好的应用效果。