基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于改进PSO算法优化GRNN的煤与瓦斯突出预测

为提高区域性煤与瓦斯突出预测模型的预测准确度并减小预测均方误差,提出了一种基于改进的粒子群优化(PSO)算法优化的广义回归神经网络(GRNN)。以网络的光滑因子为自变量、网络误差为目标函数,通过改进PSO算法搜索出误差的全局最小值,找出网络的最优光滑因子,用优化后的GRNN进行煤与瓦斯突出预测,并以淮南矿区的实测数据训练和检验该模型。试验结果表明,基于改进粒子群优化算法优化的GRNN模型预测准确率为95%,实际突出数据的预测准确率为100%,实际不突出数据的预测准确率为93.3%。相较于PSO算法和果蝇优化算法(FOA)优化的GRNN预测结果,该模型的预测准确率最高,均方误差最小,具有更好的泛化能力,为煤与瓦斯突出智能预测提供了新的方案。     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM模型的惩罚因子C和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO算法能更快、更准确找到全局最优值.经过参数优化SVM模型有效提高了预测精度并利用新的混合模型对宁夏地区小麦条锈病流行级别进行预测.结果表明,相对于传统SVM模型、组合PSO-SVM模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据.     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP 神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM 模型的惩罚因子C 和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO 算法能更快、更准确找到全局最优值。经过参数优化SVM 模型有效提高了预测精度并利用新的混合模 型对宁夏地区小麦条锈病流行级别进行预测。结果表明,相对于传统SVM 模型、组合PSO-SVM 模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3 种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据。     

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.     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于灰色粒子群算法的温室环境多目标优化控制

引入人工控制因素,以扩展的自回归模型(ARX)为基础,构建茶树育苗的温度、相对湿度及耗电量多目标模型函数,采用灰色关联理论和粒子群优化算法(PSO),面向茶树育苗温室环境模型进行多目标优化控制。仿真结果表明,运用多目标灰色PSO算法将育苗温室内温度值从31.5℃降为24.51℃,相对湿度从47.2%提升为59.35%,耗电量降低17.6%。与线性加权和法、单目标PSO算法相比,选取多目标灰色PSO算法对温室进行优化,得到在开启遮阳与喷淋组合调控的情况下,经过20 min温室内温度和相对湿度调控,即可达到茶苗生长的要求。     

基于信息粒化和PSO-SVR 模型的棉花价格波动区间和变化趋势预测

农产品价格的准确预测对农民规避市场风险、提高农业收入和国家农业宏观调控具有重大意义.以国家棉花价格A指数的预测为例,提出了一种基于模糊信息粒化和粒子群优化支持向量回归机(PSO-SVR)的农产品价格预测时序回归模型.该模型首先使用模糊信息粒化方法,将原始国家棉花价格A指数时间序列数据映射为包含最小值Low、中值R、最大值Up3个参数的模糊信息粒,然后使用粒子群优化算法PSO寻找支持向量回归机(SVM)模型的最佳参数c和g,最后,再使用优化后的支持向量回归机(SVM)模型预测国棉价格A指数未来波动区间和变化趋势.实证结果表明,基于模糊信息粒化和PSO-SVR时序回归模型对国棉价格A指数的预测准确有效.     

PXGM(1,1)模型在参考作物腾发量预测中的应用

为了提高参考作物腾发量预测模型的预测精度,将灰色新陈代谢预测模型与粒子群优化算法(PSO)相结合,提出PXGM(1,1)模型,并用该模型来预测阜新市参考作物腾发量.结果表明:优化后的新陈代谢GM(1,1)模型(简称PXGM(1,1)模型)的预测精度较原有的灰色新陈代谢预测模型的预测精度有了很大的提高.该模型建模过程简单、适用性强,为参考作物腾发量的预测提供了新的方法.     

基于RBFNN混合粒子群算法的电力负荷短期预测

根据电力系统负荷预测的不同目的,提出一种基于RBFNN混合粒子群优化算法(HPSO)预报电力系统短期负荷,即首先采用改进的粒子群优化算法(MPSO)全局优化网络模型参数然后在MPSO全局搜索模型参数基础上利用梯度下降法局部优化网络模型参数,建立电力系统短期负荷的时序人工神经网络模型。仿真结果表明,该方法与传统的预测方法相比,减少了训练时间,提高了精度和适应性。     

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。     

基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测

为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA...     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于改进SVM的水肥与番茄产量品质关系预测模型研究

以不同的灌水及施肥水平作为输入,以番茄的产量为输出,建立了水肥—产量关系的支持向量机(SVM)预测模型,并通过粒子群(PSO)优化算法对SVM的关键参数进行了智能化选择,通过与回归模型比较表明:PSO-SVM模型的预测精度较高;进而对模型进行了改进,改进后的模型能同时预测水肥水平对产量及品质双指标的影响,通过实例验证表明模型预测的产量值和硝酸盐含量值与实测结果基本一致,预测效果较理想,可为设施栽培番茄的水肥精细化管理提供支持。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。     

基于近红外光谱和PSO-SVM算法的烟叶自动分级方法

为烟叶收购自动分级提供技术支撑,结合近红外光谱技术、数据分析和模式识别技术,建立基于近红外光谱和粒子群-支持向量机(PSO-SVM)算法的烟叶自动分级方法,并进行验证。结果表明:使用PSO-SVM算法进行烟叶分级,粒子群算法支持向量机的参数最优,惩罚因子(c)为3.154 9,核函数参数(δ)为1.262 4。在此条件下支持向量机的分级正确率为96.00%～97.75%,较普通SVM算法的正确率(92.00%～93.33%)更高。     

改进PSO神经网络的白水苹果树腐烂病预测

准确预测苹果树腐烂病的流行程度,可以科学合理地预防苹果树腐烂病。利用陕西白水县的气象历史数据,将其提取主成分后作为预测因子,采用粒子群(PSO)神经网络建立苹果树腐烂病预测模型。与传统BP神经网络相比,改进PSO神经网络预测结果更接近于实际值,同时避免陷入局部极小的缺点,达到了很好的预测效果。可见,该方法用于预测苹果树腐烂病远优于BP算法,可作为一种新方法预测苹果树腐烂病。     

基于改进群搜索优化算法的车辆路径问题研究

针对标准群搜索优化(GSO)算法存在的早熟、后期迭代效率低和容易陷入局部极优点等问题,提出了一种改进的群搜索优化算法用于车辆路径问题的研究。该算法先是通过交叉因子的引入来曾加粒子的多样性并增强群成员的优良性,从而减小后期搜索中算法易陷入局部极优点的概率;然后借助于模拟退火算法的优势来有效的提高算法收敛性能。实验表明,基于交叉因子和模拟退火的群搜索优化(CMGSO)算法相比于标准群搜索优化(GSO)和粒子群优化(PSO)算法来说,具有较快的收敛性能和较好的全局寻优能力,因此该算法适用于物流车辆路径寻优问题的研究和解决。     

基于IGWOPSO-SVM算法的水质监测及等级评定系统

目的 水污染监测是流域水污染防治工作的前提。为实现高精度的地表水水质监测及水体等级评定,本研究设计基于IGWOPSO-SVM(Improved grey wolf optimizer particle swarm optimization-support vector machine)模型的水质监测及等级评定系统。方法 选用传感器组、STM32F103单片机、ESP8266WIFI无线通信模块搭建水质监测系统数据处理模块,利用WIFI无线通信将数据处理模块采集到的水质数据传输至服务器,设计水质监测系统服务器交互端,同时开发水质监测小程序对水质等级进行实时监测。基于改进粒子群算法(Improved particle swarm optimization,IPSO)及灰狼算法(Grey wolf optimizer,GWO)提出了IGWOPSO算法,对SVM进行优化,据此提出了IGWOPSO-SVM水质等级评定算法。基于南京市玄武湖、金川河、江浦水源地135组水质数据对本系统水质等级评定效果进行试验验证。结果 相比于SVM,IGWOPSO-SVM水质等级评定算法的总样本分类准确率由86.67%上升至100.00%,上升了13.33个百分点;相比于粒子群算法(Particle swarm optimization,PSO),IGWOPSO算法的最佳适应度由86.80上升至99.20,提高了14.29%。结论 本研究解决了传统水体等级评定方法效率低、准确率低的问题,为地表水水质的精确监测提供了方法借鉴。