基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

赣南脐橙可溶性固形物近红外光谱在线无损检测

通过应用近红外漫透射光谱技术结合最小二乘支持向量机等算法,探索脐橙可溶性固形物含量在线无损检测的可行性。139个样本被分成建模集和预测集(103∶36),分别用于建立检测模型和验证检测模型的预测能力。漫透射近红外光谱,经过一阶微分、多元散射校正和移动窗口平滑组合预处理后,分别建立了偏最小二乘、偏最小二乘支持向量机模型,经比较发现,偏最小二乘支持向量机模型的预测能力更强,模型预测的均方根误差和相关系数分别为0.6423%、0.9059。通过对比发现,主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。结果表明:采用近红外漫透射光谱技术结合最小二乘支持向量机算法能够很好地实现脐橙可溶性固形物含量的在线无损检测。     

基于PSO-OSVM的江苏省耕地变化预测

以江苏省1996-2009年耕地变化为例,利用粒子群算法(PSO)的全局搜索能力优化标准支持向量机(SVM),并结合增量式最小二乘支持向量机(LSSVR)和逆学习算法的特征,构建粒子群算法-在线学习SVM(PSO-OSVM)耕地变化预测模型,采用该模型对江苏省耕地变化进行预测,以期为土地资源可持续发展提供重要参考依据.结果表明,PSO可以有效收敛SVM内部参数γ和σ达到全局最优解;PSO-OSVM模型的内外精度和总精度均高于GM(1,1)、BP神经网络模型,且优于PSO-SVM模型.说明PSO-OSVM是一种有效的耕地变化预测模型.     

粒子群支持向量机结合NIR测定桉木木质素

在支持向量机(SVM)回归分析过程中,参数(C,γ)取值范围较大,且需要人工进行调整,目前已知的参数选择方法复杂且不够精确.针对上述问题,提出了一种应用于木材近红外光谱分析的PSO-SVM回归模型;使用粒子群算法(PSO)确定SVM的最优参数(C,γ),用40个桉木近红外光谱样品作训练集,8个样品作测试集建立模型,得到预测模型的回归系数0.970 956,均方根误差0.002 154 5,并与传统支持向量机回归模型和偏最小二乘回归模型进行分析比较.结果表明,PSO-SVM回归模型在桉木近红外光谱的木质素含量预测中具有较高的准确性和很好的稳定性.     

基于灰狼优化算法的最小二乘支持向量机红枣产量预测研究

最小二乘支持向量机预测时,其参数的选取大部分只依赖于人工经验,无法实现自适应寻优,阻碍了其学习与泛化能力。针对该问题,采用灰狼优化算法对最小二乘支持向量机参数寻优,以1978—2016全国红枣产量数据为研究对象,利用最小二乘支持向量机的最优参数对红枣产量数据进行拟合与预测。为避免过拟合现象,将1978—2007和2013—2016年数据分别作为模型的训练与预测数据,2008-2012年数据用于交叉验证,同时为检验该模型的预测性能,将其与ARIMA模型的预测效果进行对比分析。实证分析表明,基于灰狼优化算法的最小二乘支持向量机模型预测的平均相对误差小于ARIMA模型预测的平均相对误差,其可适用于红枣产量的预测,也进一步表明灰狼优化算法对最小二乘支持向量机参数优化的有效性。     

基于GA-LSSVM的苹果糖度近红外光谱检测

【目的】结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性。【方法】在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数。【结果】相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix。【结论】GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的。     

农业灌溉用水量的LS-SVM预测模型研究

农业灌溉用水量预报是灌区制定水资源调度计划、合理高效分配水量的科学依据。针对灌溉用水量影响因素复杂非线性的特点,鉴于支持向量机算法的诸多优势,建立了基于最小二乘支持向量机的灌溉用水量预测模型,将该模型用于塔河流域T灌区灌溉用水量预测,并与人工神经网络方法预报结果比较,表明该方法具有泛化能力强、误差小等特点。     

木材干燥过程中含水率空间分布融合方法的研究

选取杨木作为试材,有效避免了以往木材干燥过程中出现的木材含水率检测点数量有限,不能连续全面地描述木材含水率分布状态的问题,使用选择离散点数据的方法,再应用粒子群算法优化支持向量机算法、支持向量机预测算法、最小二乘法非线性拟合方法以及进行空间数据预测来比较算法预测能力,然后把木材干燥过程中的材堆模型模拟成长方体并建立空间模型,应用PSO优化的SVM算法对X坐标轴建立函数模型进行验证。通过数据分析比较可得:基于PSO优化SVM算法在针对同一试材上空间离散木材含水率采集数据进行空间数据预测仿真出的连续含水率曲线误差最小,仿真曲线逼近真实含水率分布曲线。     

基于支持向量回归机的粮食产量预测研究

支持向量机(Support Vector Machines,SVM)是一种具有坚实理论基础的新颖小样本学习方法。采用支持向量机回归(Support Vector Machine Regression,SVR)算法,用libsvm-2.89软件包对我国近年来的粮食产量进行回归预测,选择交叉验证法进行参数寻优,建立粮食产量和其影响因素的支持向量机回归模型。粮食产量预测平均相对百分误差为1.209%,均方根误差为581.191,相关系数为0.962 24。将预测结果与指数平滑模型、生产函数模型及多元线性回归模型进行了比较,用平均绝对百分误差、希尔不等系数及均方根误差对4种模型预测结果进行评价。结果表明,基于支持向量机的径向基核函数(RBF)模型预测粮食产量的精度优于其他预测方法。     

基于机器视觉和近红外光谱的壶瓶枣无损检测

以壶瓶枣为对象探讨用机器视觉和近红外光谱技术检测壶瓶枣内外品质。通过图像处理技术获取壶瓶枣投影面的边缘提取图像,然后使用最小外接矩形法求得图像的像素点个数,以此求得壶瓶枣投影面的面积。采用MSC对壶瓶枣近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、主成分回归(PCR)和偏最小二成支持向量机(LS-SVM)3种建模方式对壶瓶枣可溶性固形物的含量进行预测。结果表明,使用LS-SVM模型获得了最优的预测结果,其预测集的相关系数和均方根误差分别为0.9901和0.328。研究表明,机器视觉结合近红外光谱技术能对壶瓶枣内外品质进行综合检测。     

基于高光谱成像技术的油菜SPAD值空间分布预测及最佳测量叶位

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。     

基于人工神经网络的辽宁省粮食产量模型预测研究

利用辽宁省1983～2008年粮食产量数据,建立了粮食产量预测的3层BP网络模型,网络拓扑结构为6-6-1。用此模型对作物产量进行预测,并与多元线性回归预测结果进行比较。结果表明,人工神经网络预测的最大误差为1.57%,平均误差为0.79%,网络预测精度为0.97,说明人工神经网络模型具有较高的预测精度和较强的泛化能力,为粮食产量预测提供了一条新途径。     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

粮食生产潜力中长期预测的验证

应用全国、31个省、6个典型地区和16个典型县的数据对粮食生产潜力中长期预测的"综合预测模型"进行了系统性的验证和讨论。研究结果如下:(1)预测误差大小反映中长期生产潜力的预测精度,预测误差大的主要原因是经济发达地区高产农田被大量占用或蔬菜、水果面积大幅度增加而短期内使粮食单产下降;(2)就"综合预测模型"中长期生产潜力预测精度而言:国家级大于省级和地区级、省级和地区级大于县级;不同省、不同地区、不同县之间预测精度差别比较大,这与境内气候的互补性和农田抗御自然灾害的能力有关;(3)粮食生产潜力中长期预测"综合预测模型"是科学的、准确的和实用的,可作为今后粮食生产潜力预测的理论和方法基础。     

基于LS-SVM的番茄产量在线预测

番茄酱生产企业为了更好地规划生产,合理地利用资源,降低成本,需要详细掌握不同品种番茄的产量。采用最小二乘法支持向量机(LS-SVM)引入不同品种产量预测加权系数及番茄产量预测过程中番茄生长及环境数据完整性在线处理,合理解决了番茄产量在线预测问题,预测效果理想,为企业安排生产和统筹规划提供参考依据。     

基于GM(1,1)模型的四川粮食产量预测研究

中国人口众多,粮食安全关系到国计民生,加强粮食产量预测有利于确保粮食安全。根据2001—2015 年四川粮食产量的历史数据,运用灰色系统理论,建立基于弱化缓冲算子的GM(1,1)预测模型,通过残差、级比偏差、关联度、后验差检测、模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3 年的粮食产量。研究结果表明,灰色系统理论GM(1,1)适用于粮食产量预测且具有较高的精度。预测了2016、2017、2018 年的粮食产量同比增长分别为-2.11%、-0.39%和1.21%,由此得出未来粮食产量将在波动中增长。     

基于小波滤噪和iPLS的草莓近红外光谱糖度检测模型

[目的]获得精度高、鲁棒性强的草莓近红外光谱糖度检测模型。[方法]利用K-S（Kennard-Stone）方法划分样本集,并用小波滤噪法对草莓1000～2500nm近红外光谱进行预处理,最后用偏最小二乘法（PLS）和区间偏最小二乘法（iPLS）分别建立预测模型。[结果]采用区间偏最小二乘法将光谱划分为20个子区间,利用其中的第16个子区间建立的糖度模型效果最佳,其校正时的相关系数Rc和校正均方根误差RMSEC分别为0．9355和0．259,预测时的相关系数邱和预测均方根误差RMSEP分别为0．9202和0．305。[结论]用小波滤噪和联合区间偏最小二乘法所建立的草莓糖度模型不仅能有效地减少建模所用的变量数,缩短运算时间,而且预测能力和精度均得到提高。