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。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 1ξi~2（ξi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 Nαk K（x,xk）＋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。     

基于最小二乘支持向量机的原油管道能耗预测

根据原油管道耗电量和耗油量的特点,选择径向基核函数,以管道输量为自变量建立了基于最小二乘支持向量机的耗电量和耗油量预测模型.利用该方法预测某原油管道的耗电量和耗油量,结果表明:对耗油量的预测精度较对耗电量的预测精度低,其原因在于耗油量的影响因素相对复杂;利用后验差检验法检验模型精度,结果显示:对耗电量和耗油量的预测精度等级均为“好”.实例应用证明:该方法建模过程简单,预测精度高,可以有效用于原油管道的能耗预测.     

基于最小二乘支持向量机的预测控制

最小二乘支持向量机(LS-SVM)方法克服了经典二次规划方法求解支持向量机的维数灾问题,适合于大样本的学习.提出一种新的基于LS-SVM模型的预测控制结构,对一典型非线性系统-连续搅拌槽反应器(CSTR)的仿真表明,该控制方案表现出优良的控制品质并能适应被控对象参数的变化,具有较强的鲁棒性和自适应能力.     

基于最小二乘支持向量机的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,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.最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种改进算法,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LS-SVM方法引用于参考作物腾发量预测中,并以辽宁省铁岭市为例,对比分析了 LS-SVM模型与BP模型的预测结果.结果表明:LS-SVM模型学习速度快,具有比BP模型更高的模拟性能和预测精度.LS-SVM方法克服了BP模型训练时间长,容易陷入局部极小的缺点,是适合参考作物腾发量预测的新方法.     

基于最小二乘支持向量机的土壤含水量检测的研究与分析

介绍了运用数字图像处理技术和基于最小二乘支持向量机的土壤含水量检测方法,经理论分析和土壤含水量检测试验,证明该方法有效、可行、操作简便、实时性好。     

基于最小二乘支持向量机的车用铂电阻温度传感器非线性校正

依据铂电阻温度传感器样本,提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正铂电阻温度传感器非线性误差的原理和方法.该方法不需逆模型函数形式的先验知识,能够保证找到的极值解就是局最优解,具有较好的泛化能力.实例应用表明,其检测精度可达到0.1 ℃,铂电阻温度传感器非线性校正效果好.     

基于最小二乘支持向量机的一维波动方程近似解求法

提出了一维波动方程的基于最小二乘支持向量机方法的近似解求法。该方法求得的近似解结构简单、精度高、形式固定。所得近似解由两部分组成：一部分是满足边值条件的已知函数;另一部分是两项的乘积,其中一项是边值为0的已知函数,另一项是与径向核函数相关的函数。同时证明了解的收敛性和稳定性,最后通过两个数值算例验证了该方法的有效性。     

最小二乘支持向量机方法在农用柴油机故障诊断中的应用研究

采用最小二乘支持向量机法对农用柴油机故障进行计算机仿真诊断。结果表明：该方法能够提高故障诊断的准确性,减少误诊。     

基于最小二乘支持向量机的农村土地利用空间优化配置方法

由于农村各类用地数据具有样本小、非线性等特点,导致土地利用空间配置结果的适宜性较差,提出基于最小二乘支持向量机的农村土地利用空间优化配置方法。基于最小二乘支持向量机预测农村土地利用空间格局,得到各类用地面积数据,对各类用地进行满足经济效益与生态效益最大化的多目标函数的优化配置。实例结果表明,农村土地利用空间优化配置结果中各类用地类型高度适宜区域的面积在总面积中占比均超过75%,证实了设计方法的合理性。     

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REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

基于马尔可夫模型的粮食产量丰歉状态预测

基于粮食产量序列存在不确定性、不精确性的特点,应用有序聚类的方法建立粮食产量丰歉状态的分级标准,并根据烟台市1949~1997年粮食产量对1998和1999年的粮食产量进行了预测。结果表明,根据有序聚类的原理确定粮食产量的状态,可使确定的分级标准更加合理;1998和1999年预测结果为丰年的发生概率为0.786和0.838,与实际情况相符,预测效果比较明显。     

夏谷田杂草为害损失预测模型的研究

为了综合治理谷田杂草,探索谷田杂草对谷子的危害及竞争规律。采用田间小区试验和非线性回归分析的方法,对主要的杂草竞争经验模型进行模拟和比较。结果表明,谷子产量损失率与杂草密度呈显著正相关,且随着杂草密度的增加呈减速增加的趋势。双曲线模型的决定系数R2为0.99712,最小残差平方和为16.174,是模拟谷田杂草与谷子竞争关系的优化模型。预测方程式为Y=d/(1.733+0.018d),杂草的种间竞争力为0.5770,种内竞争力为0.0103,谷子产量最大损失率为55.56%。本研究确定了谷田杂草对谷子为害的预测模型,将为谷田杂草综合治理提供有益帮助。     

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。     

果树的灌溉预报模型

本文应用土壤水分运动方程的一维数值解模拟果园的土壤水分动态,根据土壤水分的动态进行灌溉的预报。结果表明,灌溉的预报基本符合实际情况,所以该模型在生产上有实用价值。     

最小二乘支持向量机在洪水预报中的应用

由于洪水这种自然灾害严重影响着正常的农业生产,该研究提出基于最小二乘支持向量机(LS-SVM)的洪水预报方法。利用LS-SVM泛化能力强、收敛速度快、预测精度高的特性,结合四川省自贡市某水文站实测水位和流量的数据,建立了单输入单输出(水位—水位)和双输入单输出(水位和流量—水位)2种洪水预报模型。结果表明:这2种模型都可以满足洪水预报精度的要求,并且双输入单输出(水位和流量—水位)模型的预报精度比单输入单输出(水位—水位)模型的预报精度高。