Python机器学习应用-基于水色图像的水质识别开题报告

1. 研究目的与意义（文献综述包含参考文献）

文献综述 . 文献综述 1，水质污染近年来 在地下水总重迅速减少，水位持续下降的同时,地下水资源还面临着另外一个不容小觑的问题:日渐严重的污染。

当前，我国工业经济发展速度很快，各项工业经济指标快速增长，但是工业生产运用大量化学原料,排出大量重金属废料，会对水环境造成严重污染，依据相关部门在调查后给出的结论,如今,在国内超过半数的地区的地下水其水体质量都处在逐步的恶化中，被多种多样的工农业生产和日常生活产生的污染物乃至放射性物质所污染的地下水，正在逐步地侵蚀当地人民的健康状况。

同时，地下水的水质恶化,特别是由放射物所引起的污染,正在进一步地向城市周边扩散污染,进而对农业用地的土壤资源造成严重的消极作用,导致农业生产受到严重的负面影响，使得我国农业产出的种植作物和农产品的安全程度受到严峻的挑战。

2. 研究的基本内容、问题解决措施及方案

本课题是通过python语言的学习，引入大量的水质污染数据，摒弃传统的水质检测方法，通过人工智能的机器学习，依据概率的理论，随便的一些变化量的各个阶层的矩的表达以及对它的描写都可归为概率的分布，因此，一张图片当中的色彩布局能用其矩表达，这也可以当作为概率，那么图像可以由其各阶矩来描述，不同的阶矩代表不同的水质图片，关注水质的颜色特征利用图像的颜色信息进行图像处理、识别和分类的研究，主要考虑采用颜色处理常用的直方图法和颜色矩方法等。

scikit-learn是目前最流行的python语言机器学习工具包，基于numpy和scipy等数值计算和基于支持向量机的方法构建sam模型使用scikit-learn进行支持向量机分类的基本过程如下:算法定义svm=svc(kernel=rbf，gamma=0. 10, c=10.0)，训练svm. fit(x_ train, y_ train)预测svm. predict(x_ _test)找到水质污染的数据，抽取80%作为训练样本，剩下20%作为测试样对数据进行预处理、分类、回归。

直接输入svm模型的话，彼此之间的分度会比较小，因此我们需要做一个放大处理，当然放大系数k不能过大者过小，经反复试验找到合适的值，效果会更好，根据模型进行评分，保结果 ：混淆矩阵。