CN112232595B - 基于ipso-svm模型的储藏小麦品质预测方法 - Google Patents
基于ipso-svm模型的储藏小麦品质预测方法 Download PDFInfo
- Publication number
- CN112232595B CN112232595B CN202011231865.0A CN202011231865A CN112232595B CN 112232595 B CN112232595 B CN 112232595B CN 202011231865 A CN202011231865 A CN 202011231865A CN 112232595 B CN112232595 B CN 112232595B
- Authority
- CN
- China
- Prior art keywords
- kernel function
- wheat
- model
- prediction
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 123
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 231
- 238000012706 support-vector machine Methods 0.000 claims abstract description 49
- 239000002131 composite material Substances 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims description 86
- 235000014113 dietary fatty acids Nutrition 0.000 claims description 27
- 239000000194 fatty acid Substances 0.000 claims description 27
- 229930195729 fatty acid Natural products 0.000 claims description 27
- 150000004665 fatty acids Chemical class 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 230000035784 germination Effects 0.000 claims description 7
- 102000016938 Catalase Human genes 0.000 claims description 6
- 108010053835 Catalase Proteins 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004062 sedimentation Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- DNIAPMSPPWPWGF-UHFFFAOYSA-N Propylene glycol Chemical compound CC(O)CO DNIAPMSPPWPWGF-UHFFFAOYSA-N 0.000 claims 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 35
- 238000005457 optimization Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- WSMYVTOQOOLQHP-UHFFFAOYSA-N Malondialdehyde Chemical compound O=CCC=O WSMYVTOQOOLQHP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 229940118019 malondialdehyde Drugs 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 125000005313 fatty acid group Chemical group 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 231100000086 high toxicity Toxicity 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明涉及基于IPSO‑SVM模型的储藏小麦品质预测方法,属于农产品品质预测领域。该采用了改进的支持向量机模型,实现小麦品质的精确预测,支持向量机模型中的混合核函数兼顾了局部性核函数泛化能力强和全局性核函数学习能力强的优点,并且混合核函数中的复合核函数占据一半权重,从而使新型混合核函数在能够具有复合核函数优势的同时,还能兼顾单独核函数的优势,有效的提高了模型的预测精度。本发明的方法能够有效解决现有方法测试复杂、困难的问题,对于一些能反映小麦品质、但比较不容易测试或测试不准的指标值,就可以通过采用本发明的方法,利用易测得的指标值,代入训练好的模型,就能快速得到该指标值的预测结果,预测精度比人工测试的精度高。
Description
技术领域
本发明属于农产品品质预测技术领域,具体涉及基于IPSO-SVM模型的储藏小麦品质预测方法。
背景技术
小麦是我国重要的储备粮品种之一,在储藏过程中其品质会随着时间的增长和环境的改变产生一定的变化,因此通过及时了解并掌握小麦储藏期间的品质变化情况,可以减少小麦因发霉、变质等造成的不必要损失。由于传统的小麦品质判别方法如色泽鉴别、外观鉴别、气味鉴别等缺少一个完善的评判标准,很难有效的判别储藏小麦当前的品质状况,所以需要一种更为科学有效的方法对其品质进行及时和准确的评价。
为此,一些学者做了大量探索并通过研究发现:随着小麦储藏时间的增加,其品质会随之发生一些变化,并通过自身生理生化指标的变化表现出来;如Ma S等人通过试验分析表明小麦的过氧化氢酶活性会随着随储藏时间的增长而逐渐下降;张玉荣等人认为脂肪酸值是评价小麦品质优劣的一个重要指标,脂肪酸值越高,小麦品质就会越差。然而小麦的一些生理生化指标测试非常复杂,时间和人工成本较高,给测试造成很大困难。
例如,脂肪酸值的国标测试方法是使用苯做提取液,但苯具有易燃、易爆、挥发性大、毒性大的缺点,同时受小麦本身的色泽和醇溶性蛋白等因素影响,标定时滴定终点的颜色变化判断比较困难,这些都给脂肪酸值的测试带来一定的难度。
发明内容
本发明的目的是提供一种基于IPSO-SVM模型的储藏小麦品质预测方法,用于解决现有小麦品质预测方法的测试复杂、测试困难的问题。
基于上述目的,基于IPSO-SVM模型的储藏小麦品质预测方法的技术方案如下:
获取与小麦品质相关的各指标数据,将这些数据作为输入数据,输入至已经训练好的小麦品质预测模型,从而输出小麦的预测结果;其中,所述预测结果为对小麦品质有影响的某一指标值;
所述小麦品质预测模型采用改进的支持向量机模型,该模型中采用混合核函数,该混合核函数由复合核函数、全局性核函数和局部性核函数叠加而成,混合核函数的表达式如下:
式中,K(xi,xj)为混合核函数,Kf为复合核函数,为全局性核函数和局部性核函数的乘积;Kp为全局性核函数,Kr为局部性核函数,α1为局部性核函数的权值,α2为全局性核函数的权值,α1+α2=1。
上述技术方案的有益效果是:
本发明的储藏小麦品质预测方法,采用了改进的支持向量机模型,实现小麦品质的精确预测,支持向量机模型中的混合核函数兼顾了局部性核函数泛化能力强和全局性核函数学习能力强的优点,并且混合核函数中的复合核函数占据一半权重,从而使新型混合核函数在能够具有复合核函数优势的同时,还能兼顾单独核函数的优势,有效的提高了模型的预测精度,从而能更好的适用于储藏小麦的品质预测。
本发明的方法能够有效解决现有方法测试复杂、测试困难的问题,对于一些能反映小麦品质、但比较不容易测试或测试不准的指标值,就可以通过采用本发明提出的预测方法,不需去测试,采用其他比较易测得的指标值,代入训练好的支持向量机模型,就能快速得到该指标值的预测结果,且预测精度比人工测试的精度要高。
进一步的,所述复合核函数的表达式如下:
Kf=(-g||xi-xj||2)·xi·xj
式中,(-g||xi-xj||2)为径向基核函数,属于局部性核函数,g为核参数;xi·xj为线性核函数,属于全局性核函数。
此复合核函数同时具备良好的学习能力和泛化能力,相较单一的核函数在性能上有所提高,提供小麦品质预测精度。
进一步的,全局性核函数Kp的表达式如下:
Kp=(xi·xj+r)d·exp(m·xi·xj)
式中,(xi·xj+r)d为多项式核函数,r为设定的固定值,d为核参数;exp(m·xi·xj)为改进的线性核函数,m为设定的固定值。
将线性核函数进一步改进并赋予较小权值m,整体作为增强多项式核函数性能的一个因子,从而提高多项式核函数的拟合效率和对整体数据的影响能力。
进一步的,局部性核函数Kr的表达式如下:
Kr=exp(λ-g||xi-xj||2)
式中,exp(λ-g||xi-xj||2)为改进后的径向基核函数,λ为设定的修正量,g为核参数;
或者局部性核函数Kr采用如下表达式:
Kr=P·exp(λ-g||xi-xj||2)
式中,P为设定的幅值微调参数。
引入修正量λ对径向基核函数的幅值微做调整,为增强径向基核函数的聚类性能;增加一个幅度调节参数P来控制核函数的幅度变化,提升了在测试点附近的衰减速度,而且能够在较远位置有一定的衰减,有效的增强了径向基核函数的性能,用于进一步提高小麦品质的预测精度。
进一步的,为了提高小麦品质预测的精度,还包括采用改进的粒子群算法优化所述支持向量机模型中的参数,所述改进的粒子群算法采用非线性函数动态调整惯性权重,进行粒子速度和位置的更新,所述惯性权重的非线性函数如下:
式中,ω(t)为惯性权重,t为当前的迭代次数,ωmax为惯性权重的最大值,ωmin为惯性权重的最小值,tmax为最大迭代次数,e是自然对数的底数;
和/或结合动态调整的学习因子,进行粒子速度和位置的更新,所述学习因子的表达式如下:
式中,c1、c2为学习因子,c1max和c1min分别为c1的最大值和最小值;c2max和c2min分别为c2的最大值和最小值;t为当前的迭代次数,tmax为最大迭代次数。
当采用动态调整的惯性权重和学习因子更新粒子的速度和位置时,粒子速度和位置的更新公式如下:
式中,为t+1时刻粒子i在第d维的速度分量,为t+1时刻粒子i在第d维的位置分量,为t时刻粒子i在第d维的速度分量,为t时刻粒子i在第d维的位置分量,r1、r2为(0,1)之间的随机数,Pi t为粒子i到目前为止搜索到的最优位置,为粒子群目前搜索到的最优位置。
进一步的,所述对小麦品质有影响的某一指标值为脂肪酸值,所述与小麦品质相关的各指标数据中的指标确定方法为:利用小麦各生理生化指标间的相关性,在所述生理化指标中,选出至少两个与脂肪酸值存在相关性的指标。
进一步的,为了减小误差,在利用与小麦品质相关的各指标数据对小麦品质预测模型进行训练之前,还包括对各指标数据进行归一化的步骤。
附图说明
图1是本发明实施例中的IPSO-SVM模型的原理图;
图2是本发明验证例中的脂肪酸值与各生理生化指标相关性示意图;
图3-1是本发明验证例1中采用PSO-SVM模型的迭代次数示意图;
图3-2是本发明验证例1中采用IPSO-SVM模型的迭代次数示意图;
图4是本发明验证例2中的各预测模型脂肪酸值预测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
实施例:
本实施例提出一种基于IPSO-SVM模型的储藏小麦品质预测方法,该方法的实现思路是:通过研究还发现储藏期间小麦的多生理生化指标间存在着一定的关联性,因此可通过小麦各生理生化指标间的相关性,用多个指标(数量为两个以上)联合反映出对小麦品质有显著影响的某一指标值(如脂肪酸值),进而可判断小麦的品质演变情况。
在确定出这些指标后,获取与小麦品质相关的各指标数据,将这些数据作为输入数据,输入至已经训练好的小麦品质预测模型,也称IPSO-SVM模型,从而输出小麦的预测结果,即预测的脂肪酸值。其中,IPSO-SVM模型为构建的小麦品质预测模型,通过将筛选出与小麦品质相关性较高的指标数据作为样本数据,并输入至该预测模型进行训练,最终生成最优的小麦品质预测模型,以实现小麦中脂肪酸值的精确预测。
本实施例中,将小麦的脂肪酸值作为储藏小麦品质评价的一项指标,因为脂肪酸值在不同品质小麦间分布差异较大且区分明显,最能体现小麦品质变化情况。因此选用脂肪酸值作为储藏小麦品质评估指标因子,其它易测指标作为影响指标因子,依据测试样本中小麦脂肪酸预测值的大小来判别当前储藏小麦的品质状况。
下面,对IPSO-SVM模型的构建过程进行如下具体阐述:
一、构建新的支持向量机模型(即SVM模型)
首先,介绍支持向量机(SVM),支持向量机是一种性能良好的有监督学***面,进行线性回归或线性分类。储藏小麦的品质预测问题可采用SVM的线性回归算法实现,原理如下:
给定一组训练样本X={(xi,yi)|i=1,2,...,n},n为样本数,xi∈Rn为n维输入向量,yi为目标值,yi∈Rn为一维输出向量,则由此可构造如下回归函数:
式中表示非线性函数,它可以把训练样本映射到高维线性特征空间;ω为权重向量,b为偏置项。根据结构化风险最小原理,可以引入一个不敏感函数ε,实现对可靠泛化界进行优化和求取全局最小解。可得到优化目标函数为:
为了处理函数在ε精度下不能估计的数据,引入两个松弛变量ζi、ζi *和惩罚参数C,则回归函数可转化成如下有约束的凸二次规划问题:
为求解约束最优化问题,可引入Lagrange乘子α和α*,利用对偶原理将原问题转化为求其最优化对偶问题:
在解决非线性回归问题时,可以通过引入核函数K(x,x')将低维空间中的输入向量映射到高维特征空间并实现线性回归,则最优的非线性回归函数可以表示为:
通过上述原理可知,实现该模型的构建,最重要的是设置合适的核函数,由于不同的核函数对算法结果产生的影响差异性较大,为保障支持向量机具备良好的回归性能,核函数类型的选取至为关键。典型支持向量机核函数类型及特点如表1所示:
表1典型核函数特点比较
由于小麦多生理生化指标数据间存在着不确定性和数据差异性,现有核函数在储藏小麦的品质预测中难以有效的对多指标数据进行训练和拟合,不能保证预测的高效性和准确性,因此需要一种性能更为高效的核函数。
由核函数的正定性,推理得出以下结论:若K1,K2,K3,…,Kn是满足Mercer条件的核函数,则将不同核函数通过一定方式结合在一起所得到的混合核函数同样符合Mercer条件,如公式(6)、(7)所示的线性组合和乘积组合方式,所得到的混合核函数同时具有多种核函数的优势,有利于增强支持向量机的性能。
K(xi,xj)=K1×K2 (7)
式(6)中α1,α2,...,αn为权值系数且均大于0,权值系数和为1。
因此,本实施例的SVM模型中采用新型混合核函数,新型混合核函数由三部分核函数各自乘以一个设定权重后叠加而成。
三部分核函数分别如下:
(1)复合核函数,即全局性核函数与局部性核函数的乘积。
根据核函数的映射特性,将核函数分为全局性核函数和局部性核函数,全局核函数具有较好的学习性能,但泛化性能弱;局部性核函数则具有较好的泛化性能,然而学习性能差。例如表1中,径向基核函数属于局部性核函数,其它几种核函数属于全局性核函数。
本实施例中,选取具有局部特性的径向基核函数和全局特性的线性核函数,并以二者乘积的方式组合起来,使组合后的核函数同时兼备两者的优势,得到的复合核函数如式(8)所示。
Kf=(-g||xi-xj||2)·xi·xj (8)
此时的复合核函数同时具备良好的学习能力和泛化能力,相较单一的核函数在性能上有所提高。
(2)改进的全局性核函数。
在全局性核函数中,多项式核函数具有良好的泛化性能,而且适用性强,但它的运算效率会随着幂数的增大不断下降;线性核函数具有简单、运算速度快的优势,然而适用性窄。
为得到一种性能更好的全局性核函数,本实施例将线性核函数进一步改进并赋予较小权值m,整体作为增强多项式核函数性能的一个因子,从而提高多项式核函数的拟合效率和对整体数据的影响能力。
根据核函数性质,构造的改进线性核函数如式(9)所示,同样能够满足Mercer条件。
K(xi,xj)=exp(m·xi·xj) (9)
优化后的线性核函数不仅保留了原来优势,同时有效的增强了适用性能。将其整体作为一个修正因子,与多项式核函数通过乘积的方式结合在一起,改进后的多项式核函数如式(10)所示。
Kp=(xi·xj+r)d·exp(m·xi·xj) (10)
(3)改进的局部性核函数。
径向基核函数属于典型的局部性核函数,只对与测试点相距很近的数据点产生影响,在无限远的位置衰减速度几乎为0。为增强径向基核函数的聚类性能,本实施例引入修正量λ对径向基核函数的幅值微做调整,可得到改进后的径向基核函数如式(11)所示。
Kr=exp(λ-g||xi-xj||2) (11)
为了更加灵活的应用核函数,增加一个幅度调节参数P来控制核函数的幅度变化,最终得到的修正径向基核函数表达式如式(12)所示。
Kr=P·exp(λ-g||xi-xj||2) (12)
改进后的径向基核函数不仅提升了在测试点附近的衰减速度,而且能够在较远位置有一定的衰减,有效的增强了径向基核函数的性能。
为取得更好的储藏小麦品质预测结果,本实施例选取公式(8)、(10)、(12)所示的复合核函数Kf、改进多项式核函数Kp与改进径向基核函数Kr进行线性组合从而构造一种新型混合核函数,其中复合核函数占据一半权重,从而使新型混合核函数在能够具有复合核函数优势的同时还能兼顾单独核函数的优势,新型混合核函数如式(13)所示:
式中,α1+α2=1。通过调节α1和α2的值,可以改变混合核函数对全局及局部影响的大小。
由于经过简单组合后的核函数(例如上面的复合核函数)显然不能充分发挥出单一核函数的优势,鉴于这一缺陷,本发明通过结合复合核函数、较强的局部性核函数和全局性核函数的各自优势,构造一种将上面三种核函数叠加而成的新型混合核函数,以充分发挥各自性能,从而提高支持向量机的回归能力,增强支持向量机储藏小麦品质预测中的性能,以满足储藏小麦品质预测中的实际需要。
作为其他实施方式,复合核函数中还可以选择其他种全局性核函数和局部性核函数,进行乘积运算后与其他两部分核函数叠加;同理,除了选择如公式(10)所示的多项式核函数,还可以选择其他全局性核函数参与新型混合核函数的叠加运算,例如选择如公式(9)所示的改进线性核函数;类似的,除了选择如公式(12)所示的修正径向基核函数,还可以选择其他局部性核函数参与新型混合核函数的叠加运算,例如选择如公式(11)所示的径向基核函数。
二、采用改进的粒子群算法(即IPSO)优化SVM模型中的参数
首先,介绍粒子群算法,该算法是由Kennedy和Eberhart等人提出的一种群体智能优化算法,该算法起源于对鸟类觅食行为的研究。粒子群算法具有收敛速度快、参数少的优点,在神经网络训练、函数优化问题中已经得到了广泛的应用。在PSO算法中,每一个粒子均代表着一个可能解,其值由适应度函数确定,并以此来判断每个粒子的优劣程度。在寻优过程中,粒子采用不断向种群中最优粒子学习和自我学习的方法实现对求解空间的搜索,而且粒子不断修正个体所处的位置,直到找到全局最优解所处的位置。算法的理论如下:
假设在一个d维空间中存在n个粒子,粒子种群可以表示为X=(x1,x2,x3,...,xn),其中第i个粒子的位置为xi=(xi1,xi2,...,xid),第i个粒子的飞行速度为Vi=(vi1,vi2,...,vid),根据公式(14)和(15)粒子对自身的速度和位置不断进行更新。
其中xid、vid为粒子i在第d维的分量;ω为惯性权重;c1和c2为学习因子;r1和r2为(0,1)之间的随机数;Pi=(pi1,pi2,...,pid)为粒子i到目前为止搜索到的最优位置;Pg=(pg1,pg2,...,pgd)为粒子群目前搜索到的最优位置。
通常,粒子群算法中的一些参数如惯性权重ω、学习因子c1、c2等通常根据经验来确定,这种方式不仅导致粒子群容易陷入局部最优,而且在后期的迭代效率较低。因此,为避免采用此法使SVM模型中的参数陷入局部最优,本实施例对基本粒子群算法存在的局限性,从惯性权重和学习因子两方面对原算法进行改进。
(1)惯性权重非线性调整
惯性权重ω表示历史速度对当前速度的影响程度,它可以平衡PSO算法的全局搜索能力和局部搜索能力,是决定算法性能的一个重要参数。当ω值较大时,算法具有很强的全局搜索能力,但局部搜索能力较差;当ω值较小时,算法的局部搜索能力较强,然而全局搜索能力较弱,因此在算法中对两者的平衡至关重要。
传统的PSO算法常采用线性递减策略动态调整惯性权重,如式(16)所示:
ω(t)=ωmax-(ωmax-ωmin)t/tmax (16)
其中ωmax为惯性权重的最大值;ωmin为惯性权重的最小值;t为当前的迭代次数;tmax为最大迭代次数。
虽然这种惯性权重调节方式在迭代初期易找到较优解,但在粒子群不断的迭代过程中逐渐凸显出两点不足:一是惯性权重的线性减缓的速率较慢,从而导致算法的收敛速度变慢;二是在迭代末期,粒子全局搜索能力下降从而易陷入局部最优。因此,本实施例提出一种新的非线性函数动态调整惯性权重,如式(17)所示:
其中,e是自然对数的底数。
与式(16)相比,改进后的惯性权重变化曲线改变了原有的走势,迭代前期ω能够取得相对较大的值并有效的提高了全局搜索能力;迭代后期由于减小速率加快,ω的值相对改进之前较小,从而很好的提高局部搜索能力。
(2)优化学习因子
学习因子c1和c2与粒子的认知情况密切相关,粒子群在搜索最优解的过程中一方面与粒子自身对比寻优,另一方面也不断的与其它粒子个体协作寻优。当c1=0时,粒子失去自身辨别能力,此时粒子只能依靠粒子间信息分享寻优,对于复杂的问题,由于局部搜索能力的缺乏此时更易陷入局部最优。当c2=0时,粒子失去了群体认知能力,只能依靠自身和上一代的信息进行寻优,由于粒子间缺少信息交流导致群体中的粒子个体盲目的进行随机搜索,收敛速度减慢,很难得到全局最优解。
学习因子c1和c2取值范围均为[0,4]之间的常数,通常取值为2,但固定的学习因子容易导致群体多样性的丧失。迭代早期希望粒子群有良好的自我认知能力,以增加粒子的位置多样性;迭代后期则希望粒子群整体认知能力占据主导地位,从而有利于全局最优解的收敛并加强算法的收敛精度。因此需要合理调节c1和c2的大小进而来调整粒子自我认知能力和群体认知能力在速度更新中所占的比重,从而实现粒子对自身和全局认知能力的动态分配。本实施例结合正弦函数提出了一种新的学习因子调节方式,如式(18)、(19)所示:
其中,c1max和c1min分别为c1的最大值和最小值;c2max和c2min分别为c2的最大值和最小值。
改进后的学习因子在迭代初期具有较大的c1和较小的c2,有利于提高算法初期粒子的个体学习能力;随着c1的不断减小和c2的不断增大,在后期则可以加快算法的收敛速度并避免陷入局部最优。
基于上面两方面改进,改进后的PSO算法的速度和位置更新公式如式(20)、(21)所示。
本实施例的IPSO-SVM模型,主要改进分别两个方面:一是根据构建了新的支持向量机模型(即SVM模型),模型中采用新型混合核函数;二是采用改进的粒子群算法(即IPSO)优化了SVM模型中的参数;因此,用改进的粒子群算法结合新的支持向量机模型,构成了本发明提出的IPSO-SVM模型。
本实施例中,储藏小麦品质预测方法涉及到的原理模型由3个主要模块构成,分别为数据分析预处理模块、SVM模型改进模块、模型训练输出模块,如图1所示。其中,数据分析预处理模块实现原始数据的输入及数据归一化、实验样本划分、多指标数据相关性分析的功能;SVM模型改进模块通过构造新型混合核函数和改进PSO算法对SVM模型进一步优化,并构建出IPSO-SVM预测模型;模型训练输出模块中使用IPSO-SVM预测模型,对小麦多指标数据进行训练分析,并输出不同储藏时间段的预测结果。
结合上面构建的IPSO-SVM模型,实现的具体预测步骤如下:
Step1:数据分析及预处理。包括:输入小麦多指标数据,对小麦多生理生化指标之间的相关性进行分析并筛选出合适的实验指标,将实验数据划分为学习样本和测试样本并归一化。
Step2:将复合核函数、改进的多项式核函数和改进的径向基核函数组合而成的新型混合核函数作为支持向量机的核函数,并初始化模型参数。
Step3:初始化粒子种群和速度,根据公式(22)对每个粒子的适应度进行评估。其中适应度值用均方误差MSE来表示,值越小代表粒子的速度和位置越优。
其中n为样本数量,Ytrue为实际值,Ypredict为SVM的预测值。
Step4:计算每个粒子的个体最优位置和全局最优位置,若优于历史值,则进行更新。
Step5:根据改进后的速度更新公式(20)和位置更新公式(21)更新粒子的速度和位置。
Step6:若满足迭代终止条件,则输出最优适应度值所对应的相关参数取值,即为SVM最优参数;若不满足,则返回Step3,直到满足迭代终止条件。
Step7:用优化得到的参数代入构建的IPSO-SVM模型中,对测试样本进行预测分析,并输出预测结果。
本发明对常规多项式核函数、径向基核函数进行改进,并基于改进后的两种核函数和复合核函数各自优势,构造出一种新型混合核函数,同时对粒子群算法的惯性权重和学习因子做了改进,并用改进的粒子群算法对混合核函数支持向量机模型中使用的参数进行优化,由此构建出改进的粒子群算法优化支持向量机预测模型,即IPSO-SVM模型。将该模型应用于储藏小麦的品质预测中,以实现提高储藏小麦品质预测精度的目的。
本实施例的混合核函数的构成中,优选改进的多项式核函数、径向基核函数,作为参与公式(13)中叠加运算的全局性核函数、局部性核函数,但并不限于这两种核函数,也就是参与叠加运算的全局性核函数、局部性核函数还可以选择其他类型,具体参考上面关于核函数部分的详细介绍,此处不再赘述。
本实施例中,采用改进的粒子群算法对SVM模型中使用的参数进行了寻优,作为其他实施方式,还可以不需要寻优SVM模型中使用的参数,直接采用设定的参数,对上面改进的SVM模型进行训练,训练好的SVM模型用于小麦品质预测即可。
并且,本实施例采用的粒子群算法是对惯性权重和学习因子均做了改进,作为其他实施方式,还可以仅就惯性权重或者是学习因子单独改进,实现对SVM模型中参数的寻优。
本实施例中,IPSO-SVM模型的输出除了采用脂肪酸值,还可以选择其它指标,如发芽率或过氧化氢酶等,其中,发芽率反映小麦在适宜条件下发芽的能力,能够有效反应小麦籽粒品质的优劣,可以用来检测小麦新陈度;而过氧化氢酶是评判小麦籽粒新鲜程度的重要指标,它是一种抵抗生物体衰老的保护酶,能维持细胞膜的稳定性与完整性,其含量间接反映了种子活力大小。如果选取其它指标,模型输入指标会发生相应变化,仍然可以通过本实施例中相关性分析的方法,筛选出与输出指标相关性较强的指标作为模型的输入指标(如本实施例中所叙述的当相关性大于0.7时为强相关关系,可以作为输入因子),但输出指标的选取应尽量选取对品质影响较大的指标。
验证例1:
由于小麦的生理生化指标繁多且复杂,若全部测试并进行分析验证,则困难较大且成本较高。因此,本验证例选取了与小麦品质相关联的8个代表性指标进行实验分析,这8个生理化指标依次为:脂肪酸值、降落数值、沉降值、还原糖、过氧化氢酶、电导率、丙二醛、发芽率。
实验所选用的小麦样本为某单位培育的中筋麦周麦22,将小麦样本清洗干净后装入纱布,并放置于人工气候培养箱,测试期间利用加热器、空调等,将小麦样本的环境温度控制在25℃左右,以模拟实际储藏环境。为了避免因单批次小麦数据可能产生的误差,试验将小麦样本划分为3个批次,并在5个不同的时间段(30d,60d,90d,120d,150d)分别测试,将前两个批次的小麦样本划分为学习样本,后一个批次的小麦样本划分为测试样本。
为提高训练效率,减少相关性弱的因子对测试的干扰,需要对指标之间的相关性进行分析。本验证例采用SPSS数据分析软件对脂肪酸值与其它指标间的相关性进行分析,结果如图2所示,图中相关性值大于0表示正相关,小于0表示负相关。
从图2可以看出,除了丙二醛外,脂肪酸值与其它6个指标的相关性系数的绝对值均大于0.7,说明这些指标间有很强的相关性关系。而丙二醛与脂肪酸值的相关性系数仅为0.674,属于中等程度相关,故可以舍去该指标。通过KMO(检验统计量)和Bartlett(巴特利球体检验)检验可得,选取的指标间的KMO值等于0.836,显著性水平sig<0.01,表明本验证例所选取的小麦生理生化指标适合做因子分析。
为比较和分析改进前后的预测模型在储藏小麦品质预测中的效果,将降落数值、沉降值、还原糖、过氧化氢酶、电导率、发芽率这6个生理生化指标作为预测模型的输入数据,脂肪酸值作为预测模型的输出数据。为避免小麦各生理生化指标因数值范围不同而产生的试验误差,研究使用max-min方法(为现有方法)将原始数据归一化。按照上述实施例中采用的预测模型进行模型训练和测试,模型的训练和测试通过MATLAB R2016a和libSVM-3.22工具箱完成。相关参数设置如下:
初始粒子群规模N=30,最大迭代次数T=100,惯性权重ωmax=0.9,ωmin=0.4,学习因子c1max和c2max取2.5,c1min和c2min取1.5,收敛因子amax=2,amin=0,r取默认值1,d的取值为1、2、3,m=0.2,幅值微调参数P=1.2,λ=1,惩罚参数C和核参数g的取值范围均为[0.01,100]。
经过多次训练,可得到如图3-1、图3-2所示的预测模型改进前后最佳寻优过程。从图3-1和图3-2可知,IPSO-SVM预测模型的适应度值明显优于标准的PSO-SVM预测模型,其最佳适应度值在0.06029附近收敛,而PSO-SVM预测模型的最佳适应度值为0.08356,表明了改进后的预测模型不易陷入局部最优解,能够求取得到更佳的模型参数。此时可得到改进后模型的最佳惩罚函数C=3.6791,最佳核参数g=18.6561,d=2,α1=0.8,α2=0.2;而改进前模型的最佳惩罚函数C=53.8741,最佳核参数g=0.1215。
此外,IPSO-SVM预测模型能够迅速进入合理的参数区域进行选择,在第19次迭代时已接近期望误差,而PSO-SVM预测模型需要迭代较长时间才能进入合理的选择区域,在第33次迭代时才接近期望误差,表明了改进后的预测模型能够更好更快的寻找到最优参数。
为比较和分析使用混合核函数与单一核函数的SVM模型对预测结果的影响,采用改进粒子群算法优化的多项式核函数、径向基核函数和混合核函数SVM模型分别对不同储藏天数下的小麦脂肪酸值进行预测,不同核函数下的SVM模型预测结果如表2所示。
表2不同核函数下脂肪酸值预测结果对比
注:表2中预测值和实际值的单位是mgKOH/100g。
从表2可以得出,相较于采用单一核函数的预测模型,除了在储藏天数为60天的时间段外,采用混合核函数预测模型的预测值与真实值的绝对误差均较小,平均相对误差为4.71%,相比于多项式核函数和径向基核函数预测模型分别下降了3.27%和1.28%。同时可以看出,多项式核函数的预测性能较差,无法实现对小麦的品质进行有效的预测;径向基核函数的预测性能介于混合核函数和多项式核函数之间,一定程度上能实现对储藏小麦品质的预测;混合核函数兼顾了局部性核函数泛化能力强和全局性核函数学习能力强的优点,有效的提高了模型的预测精度,表明混合核函数能更好的适用于储藏小麦的品质预测。
同时从表2还可以确定:储藏时间为60天时,混合核函数SVM模型的误差相比于其它储藏时期稍大,这是由于测试样本中的某些数据偏离了正常范围而造成的,从而对模型的训练过程造成了一定的影响。储藏时间60天时学***均值为382.5s,而测试样本中降落数值为360s,相对误差为5.88%,此外发芽率值之间也存在4.84%相对误差。
由于混合核函数中局部性核函数占的比重较大,其泛化能力较弱,核函数对测试点附近的数据才会产生较大影响,因此当局部的某些训练数据误差较大时,模型在该点附近的拟合效果会受到很大影响,所以导致储藏时间60天时模型预测结果的准确性相比于其它储藏时间段有所下降。在这个时间段,典型局部性核函数径向基核函数SVM模型预测的误差也相对较大同样验证了这一点。因此,模型在训练的过程中尽管能够兼顾整体的拟合性能相对较高,但也可能出现某些局部拟合值的偏差,这表明实验数据选择的合适与否对预测结果也会产生一定影响。
验证例2:
为了进一步分析改进粒子群算法优化支持向量机预测模型(IPSO-SVM预测模型)的预测效果,本验证例采用不同模型预测结果与评价指标相结合的方法,对各模型的预测效果综合评判。选取传统网格搜索算法优化的SVM预测模型(GS-SVM)、灰狼算法优化的SVM预测模型(GWO-SVM)和基本粒子群算法优化的SVM预测模型(PSO-SVM),分别与之进行对比。同时,为综合比较四种预测模型对储藏小麦品质的预测误差与精度,本验证例引入以下3种预测评价指标从不同方面对各模型进行评价。这些评价指标对于储藏小麦品质预测精度的评价有很好的适用性,能有效的判别各预测模型的优劣程度。
平均绝对误差MAE,通过若干个预测值对预测的绝对误差进行综合评价,数值越小代表模型整体预测误差越小。
平均绝对百分误差MAPE,一般认为MAPE低于10%代表有较好的预测精度,MAPE能较为直观的反应各模型预测性能优劣程度。
希尔不等系数TIC,介于0与1之间,值越小代表模型的拟合性能越好,当值等于0时,代表100%拟合。
利用四种模型分别对小麦脂肪酸值进行预测,并通过公式(23)、(24)、(25)对评价指标进行计算,可得到各预测模型的预测结果如图4所示,评价指标统计结果如表3所示。
表3各预测模型评价指标统计结果
从图4中可以看出,GWO-SVM预测模型在小麦储藏前期预测(30-90d)效果良好,但随着储藏时间的增加,其预测效果下降明显,难以对长期储藏的小麦品质变化趋势进行描述;PSO-SVM预测模型虽然能保持与实际值的变化趋势相近,但在各个阶段的预测结果都不是最优;GS-SVM预测模型在120d和150d时出现了非常大的波动,拟合效果比较差,难以对储藏小麦品质起到有效的预测。相比于其它预测模型,IPSO-SVM预测模型的稳定性较好,在不同储藏时间段的变化趋势与真实值的变化基本保持一致,并且在90d和150d时预测值和实际值非常接近,展现出了良好的预测能力。虽然在某些时间点上其它预测模型较IPSO-SVM预测模型的预测结果与实际值更为接近,但从整体上IPSO-SVM预测模型的估计结果更接近真实值,具有更高的预测准确性。
在小麦储藏的初期,各类预测模型对小麦品质的预测精度普遍不高,这是因为从小麦收获到品质成熟的过程中,会出现“后成熟”作用,其间小麦代谢旺盛,在合成高分子有机物的同时还会通过呼吸作用消耗本身储藏的物质,产生一系列不同程度的生理和生化反应,导致各生理生化指标的测试数值会出现一定的波动,从而致使模型的预测结果出现一些偏差。随着储藏时间的增长(90天之后),相较于其它各预测模型,IPSO-SVM预测模型的预测效果均与真实值更为相近,改进后的模型能很好的适用于储藏小麦品质的长期预测工作。
从表3可以看出:GS-SVM预测模型的3类评价指标值均大于其它预测模型的指标值,表明该模型的预测性能相对较差。而PSO-SVM和GWO-SVM预测模型的各评价指标结果优于GS-SVM,但都不是最佳;IPSO-SVM预测模型的各评价指标值均优于其它预测模型,表明改进后的模型在预测精度上得到了很大的提高。各预测模型的MAPE值均在10%以内,客观上来说都能对储藏小麦的品质情况进行有效预测,其中IPSO-SVM预测模型的MAPE值相较于PSO-SVM、GWO-SVM、GS-SVM预测模型分别降低了1.52%、1.78%和4.42%,展现了更好的模型预测性能;改进后的模型的MAE和TIC值相对最小,进一步表明了该模型的预测效果更优,与实际值的拟合程度更高,能更准确的反应当前储藏小麦的品质状况。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,包括以下步骤:
获取与小麦品质相关的各指标数据,将这些数据作为输入数据,输入至已经训练好的小麦品质预测模型,从而输出小麦的预测结果;其中,所述预测结果为对小麦品质有影响的某一指标值;
所述小麦品质预测模型采用改进的支持向量机模型,该模型中采用混合核函数,该混合核函数由复合核函数、全局性核函数和局部性核函数叠加而成,混合核函数的表达式如下:
式中,K(xi,xj)为混合核函数,Kf为复合核函数,为全局性核函数和局部性核函数的乘积;Kp为全局性核函数,Kr为局部性核函数,α1为局部性核函数的权值,α2为全局性核函数的权值,α1+α2=1;
式中,ωt为惯性权重,t为当前的迭代次数,ωmax为惯性权重的最大值,ωmin为惯性权重的最小值,tmax为最大迭代次数,e是自然对数的底数;
和/或结合动态调整的学习因子,进行粒子速度和位置的更新,所述学习因子的表达式如下:
式中,c1、c2为学习因子,c1max和c1min分别为c1的最大值和最小值;c2max和c2min分别为c2的最大值和最小值;t为当前的迭代次数,tmax为最大迭代次数。
2.根据权利要求1所述的基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,所述复合核函数的表达式如下:
Kf=(-g||xi-xj||2)·xi·xj
式中,(-g||xi-xj||2)为径向基核函数,属于局部性核函数,g为核参数;xi·xj为线性核函数,属于全局性核函数。
3.根据权利要求1所述的基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,全局性核函数Kp的表达式如下:
Kp=(xi·xj+r)d·exp(m·xi·xj)
式中,(xi·xj+r)d为多项式核函数,r为设定的固定值,d为核参数;exp(m·xi·xj)为改进的线性核函数,m为设定的固定值。
4.根据权利要求1所述的基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,局部性核函数Kr的表达式如下:
Kr=exp(λ-g||xi-xj||2)
式中,exp(λ-g||xi-xj||2)为改进后的径向基核函数,λ为设定的修正量,g为核参数;
或者局部性核函数Kr采用如下表达式:
Kr=P·exp(λ-g||xi-xj||2)
式中,P为设定的幅值微调参数。
6.根据权利要求1所述的基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,所述对小麦品质有影响的某一指标值为脂肪酸值,所述与小麦品质相关的各指标数据中的指标确定方法为:利用小麦各生理生化指标间的相关性,在生理生化指标中,选出至少两个与脂肪酸值存在相关性的指标,所述生理生化指标包括有:脂肪酸值、降落数值、沉降值、还原糖、过氧化氢酶、电导率、丙二醇、发芽率。
7.根据权利要求1或6所述的基于IPSO-SVM模型的储藏小麦品质预测方法,其特征在于,在利用与小麦品质相关的各指标数据对小麦品质预测模型进行训练之前,还包括对各指标数据进行归一化的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011231865.0A CN112232595B (zh) | 2020-11-06 | 2020-11-06 | 基于ipso-svm模型的储藏小麦品质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011231865.0A CN112232595B (zh) | 2020-11-06 | 2020-11-06 | 基于ipso-svm模型的储藏小麦品质预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232595A CN112232595A (zh) | 2021-01-15 |
CN112232595B true CN112232595B (zh) | 2023-02-14 |
Family
ID=74122117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011231865.0A Active CN112232595B (zh) | 2020-11-06 | 2020-11-06 | 基于ipso-svm模型的储藏小麦品质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232595B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313308A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于改进woa-svr的土石坝运行期沉降变形预测方法 |
CN113312845A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296434A (zh) * | 2016-08-18 | 2017-01-04 | 河南工业大学 | 一种基于pso‑lssvm算法的粮食产量预测方法 |
CN108154312A (zh) * | 2018-01-17 | 2018-06-12 | 河南工业大学 | 一种构建权重系数综合评价小麦储藏品质的方法 |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
WO2020092804A1 (en) * | 2018-11-01 | 2020-05-07 | Centaur Analytics, Inc. | Predictive post-harvest stored commodity management methods |
CN111144552A (zh) * | 2019-12-27 | 2020-05-12 | 河南工业大学 | 一种粮食品质多指标预测方法及装置 |
-
2020
- 2020-11-06 CN CN202011231865.0A patent/CN112232595B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296434A (zh) * | 2016-08-18 | 2017-01-04 | 河南工业大学 | 一种基于pso‑lssvm算法的粮食产量预测方法 |
CN108154312A (zh) * | 2018-01-17 | 2018-06-12 | 河南工业大学 | 一种构建权重系数综合评价小麦储藏品质的方法 |
WO2020092804A1 (en) * | 2018-11-01 | 2020-05-07 | Centaur Analytics, Inc. | Predictive post-harvest stored commodity management methods |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
CN111144552A (zh) * | 2019-12-27 | 2020-05-12 | 河南工业大学 | 一种粮食品质多指标预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Biomedical classification application and parameters optimization of mixed kernel SVM based on the information entropy particle swarm optimization;Li Mi .et;《COMPUTER ASSISTED SURGERY 》;20160101;全文 * |
改进核函数的支持向量机智能诊断方法研究;周志官等;《轻工机械》;20161020;第34卷(第5期);第23-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232595A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 | |
CN112232595B (zh) | 基于ipso-svm模型的储藏小麦品质预测方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及*** | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
Brdar et al. | Support vector machines with features contribution analysis for agricultural yield prediction | |
CN110309822B (zh) | 基于量子进化粒子群算法的高光谱图像波段选择方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN113409072A (zh) | 一种经验模态分解和分布式gru神经网络及价格预测方法 | |
CN114897451A (zh) | 考虑需求响应用户关键特征的双层聚类修正方法及装置 | |
CN109472320B (zh) | 不确定条件下作物生育期模型品种参数自动校正方法 | |
CN116796903A (zh) | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 | |
CN108363830B (zh) | 一种面向功能性晾衣架的原理方案非合作-合作博弈决策方法 | |
CN113486952B (zh) | 一种基因调控网络的多因素模型优化方法 | |
Johansen et al. | Broiler slaughter weight forecasting using dynamic neural network models | |
Liu et al. | Predictive functional linear models with diverging number of semiparametric single-index interactions | |
CN115829099A (zh) | 基于anfis及随机分形搜索算法的黄酒发酵预测方法及*** | |
CN112947635B (zh) | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 | |
Minlan et al. | PSO-LSSVM model for Hy-line Brown laying-type hens ‘egg-laying rate prediction based on PCA | |
CN114707421A (zh) | 一种基于ijs-svr模型的短期风电功率预测方法 | |
CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 | |
CN113125377A (zh) | 一种基于近红外光谱检测柴油性质的方法及装置 | |
CN111428924A (zh) | 一种植物生育期的预测方法、装置、电子设备及存储介质 | |
Delbianco et al. | Individualized conformal prediction: Using synthetic data as relevant controls |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |