基于LS-SVM的小水电站年发电量智能预测模型

针对小水电站年发电量序列的特点,将最小二乘支持向量机(least squares support vector machine,LS-SVM)回归模型引入年发电量预测领域,并给出了相应的过程和算法。与常规基于人工神经网络(artificial neural net-works,ANN)的智能预测方法比较,该模型优点是明显的:①将神经网络迭代学习问题转化为直接求解多元线性方程;②整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性。最后,一个实际的预测例子表明:该模型实现容易、预测准确,适用于小水电站预测。     

基于可见/近红外光谱技术的毛脚茧的光谱快速鉴别方法研究

基于可见/近红外光谱技术,研究了鲜茧毛脚茧快速鉴别的方法。采用主成分分析法对毛脚茧和成熟茧进行定性分析,再对光谱数据采用最小二乘支持向量机方法建模鉴别,通过连续投影算法从400-1000 nm波段的鲜茧光谱数据中选取了12个特征波长。采用最小二乘支持向量机法基于400 nm,430 nm,487 nm,512 nm,604 nm,616 nm,732 nm,759 nm,784 nm,852 nm,985 nm,999 nm这12个特征波长建模,结果对毛脚茧的判别准确率达到100%。表明可见/近红外光谱可以用于毛脚茧的鉴别检测。     

基于支持向量机的教学质量评估研究

给出了基于LS-SVM的教学质量评估模型,先采用主成分分析对其影响因素作评价和预处理,然后构建LS-SVM模型,为了便于比较,同时利用单一的LS-SVM模型对教师教学质量进行模拟与预测,并在Matlab中实现。结果表明,基于主成分与LS-SVM的教学质量评估模型较单一的LS-SVM模型具有更加理想的精度,得到了满意的评估结果,具有广泛的适用性。     

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。     

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。     

基于图像处理的烘烤过程中烟叶含水量检测

【目的】量化烘烤过程中烟叶形态变化的数值特征指标,实现烘烤过程烟叶水分含量的无损检测。【方法】以密集烤房中不同烘烤阶段的烟叶为研究对象,先利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征（红分量（R）、绿分量（G）、蓝分量(B)）及纹理特征(纹理能量、纹理熵、纹理惯性、相关度),以其为输入指标,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型。用建立的2个模型对烘烤过程中烟叶含水量进行预测,并比较其预测精度。【结果】烟叶图像颜色特征R、G、B分量表现出变黄期剧烈上升,定色前期缓慢上升并达到最大值,定色后期至烘烤结束逐渐下降的变化趋势;纹理能量和相关度呈现出变黄前期减小,变黄后期增大,定色及干筋期逐渐减小的趋势;纹理熵、纹理惯性表现出变黄前期增大,变黄后期减小,定色及干筋期逐渐增大的趋势。以烟叶颜色和纹理特征值作为输入变量,建立了烘烤过程中烟叶含水量的BP神经网络预测模型和基于遗传算法的最小二乘支持向量机预测模型,其预测平均绝对误差分别为0.037 4和0.017 0,预测误差标准差分别为0.048 5和0.020 0,前者预测精度略低于后者,但2个模型均可以满足烘烤过程中烟叶水分含量实时检测的需要。【结论】图像处理技术可以精确量化烘烤过程中烟叶的形态特征变化;利用建立的BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现对烟叶含水量的精确估测。     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。     

联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数

利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。     

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。     

数据误差处理方法在洪水预报中的应用

洪水灾害会对我国的正常农业生产造成非常严重的影响,因此提出一种基于数据误差处理的洪水预报方法有重要意义。结合四川省自贡市某水文站实测的流量数据,应用LS-SVM智能算法建立了单输入单输出(流量—流量)洪水预报模型,并应用数据误差处理方法中改进的拉依达准则法(3σ)和肖维勒准则法(Chauvenet)来处理样本数据里存在的一些误差数据。实验结果表明,应用以上2种数据误差处理方法处理过后的LS-SVM预测模型可以满足洪水预报精度的要求。