基于最小二乘支持向量机模型预测田面糙率

田面糙率是影响地面灌溉质量的重要参数。基于最小二乘支持向量机建立了两类4个田面糙率预测模型,并进行了验证。结果表明第一类模型预测值(即作物地采用LSSVM-N-I3、裸地采用LSSVM-N-I1,翻耕地采用LSSVM-N-I2)相对误差最大值为9.7%;第二类模型预测值(即LSSVM-N-II模型)相对误差最大值为10.5%,由此可见两类模型都具有较高的预测精度,可以用于田面糙率的预测。     

基于最小二乘支持向量机的参考作物潜在蒸散量估计

建立了以气象因子为输入变量,以Penman-Monteith公式计算所得的参考作物潜在蒸散量（ET0）为输出变量的最小二乘支持向量机（LSSVM）ET0预报模型。与以同样资料为基础的人工神经网络模型（ANN）进行对比研究表明,LSSVM模型比ANN模型精度高,且效率高、泛化能力强,是ET0预报方法的有益补充。     

土壤速效磷含量近红外光谱田间快速测定方法

为实现对土壤速效磷含量的快速测定,以关中塿土为材料,研究基于光谱分析的土壤速效磷含量测定方法。首先用便携式近红外频谱仪在不同采样高度下,采集土壤样本900~1 700 nm波长范围的漫反射光谱,采用3倍标准差准则和主成分分析得分图对异常样本进行判别和剔除,然后对比分析4种波长选择方法对建模效果的影响,发现基于稳定的竞争性自适应加权抽样法的结果最佳,最后通过分析不同非线性建模方法对预测结果影响实验,探明最小二乘支持向量机方法的预测结果最好。实验结果表明,采样高度为10 cm时本文建立模型的土壤速效磷含量预测决定系数为0.858 1,均方根误差为10.880 1,具有较高的精度,可对土壤速效磷含量进行快速预测。     

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。     

基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别

为克服板栗近红外光谱变量多、共线性强等缺点,该文对标准正态变量变换预处理后的板栗近红外光谱进行傅里叶变换,并用不同方法建模,提高识别精度。采用试探法提取近红外光谱傅里叶系数,建立了基于最小二乘支持向量机分类器的霉变板栗识别模型。当提取前35点傅里叶系数时,板栗的平均识别正确率为93.56%;构造GA-LSSVM算法,建立的霉变板栗识别模型所用傅里叶系数减少为13点,对测试集中合格板栗、表面霉变板栗和内部霉变板栗的平均识别正确率分别为95.89%、100%和98.25%,板栗的总体平均识别正确率提高到97.54%。为霉变板栗的识别提供了快速鉴别分析方法。     

基于改进的粒子群算法优化LSSVM股价预测研究

为了提高股票价格的预测精度,针对股票价格数据的非平稳非线性的特性,本文运用改进的PSO实现LSSVM的核参数和惩罚系数自适应选择,提出一种SAPSO优化LSSVM股价预测模型,并以此进行实证分析。通过基于SAPSO-LSSVM算法的1步、3步、5步和7步预测结果和不同模型的预测时间和预测均方误差的对比结果可知, SAPSO-LSSVM股价预测模型具有预测精度高,预测时间短的优点,同时能够实现预测参数的自适应选择。     

特征波长筛选结合PCA-LSSVM 对甜瓜叶片SPAD值的预测

【目的】利用光谱技术对定量估测大田甜瓜冠层叶片叶绿素含量,为田间的水肥调控以及田间管理提供理论依据。【方法】采用一阶求导对400～1 100 nm的叶绿素可见近红外反射光谱数据进行预处理,对于冗余的光谱数据,先分别使用特征筛选中的竞争性自适应重加权采样法(CARS)、遗传算法(GA)、蒙特卡罗无信息变量消除法(MC-UVE),再分别与主成分分析(PCA)特征提取算法融合;分别建立极限学习机(ELM)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)对甜瓜叶片SPAD定量预测模型。【结果】单一的特征筛选下,最优预测模型为CARS+SVM,校正集相关系数为0.903 5,预测集相关系数为0.893 1;特征筛选和特征提取融合下,最优的预测模型为GA+PCA+LSSVM,校正集相关系数0.955 8,预测集相关系数为0.939 7。【结论】优化后的模型可用于定量分析的使用,精准测定甜瓜叶片叶绿素含量。     

基于PSO-LSSVM的甘蔗破头率预测

甘蔗收割机收割后的甘蔗宿根破头率是评价甘蔗收割质量的重要指标,破头率过高会严重影响下一年甘蔗产量及甘蔗收割机的广泛推广与应用,但甘蔗破头率的采集方式复杂、费时费力,是研究降低甘蔗破头率的控制策略中的一项难题。为此,提出了一种基于PSO-LSSVM的甘蔗破头率预测方法,通过在田间采集甘蔗收割机刀盘与行走子系统的工作压力、速度等信号,以此为输入数据,以甘蔗破头率为输出,建立了基于PSO-LSSVM的甘蔗破头率预测模型。结果表明:基于PSO-LSSVM的甘蔗破头率预测平均绝对误差为0.145,均方误差为0.0214,与LSSVM预测模型相比分别降低了60.7%、80.9%,与真实破头率的拟合程度高。预测模型为探究降低甘蔗破头率的控制策略提供理论基础。