基于PSO-KSVM的湘中农业灾害面积预测方法研究

发布时间：2017-04-08 04:14

  本文关键词：基于PSO-KSVM的湘中农业灾害面积预测方法研究，，由笔耕文化传播整理发布。

【摘要】：在全世界范围内,我国属于自然灾害最为严重的国家之一,具有灾害地域分布广,灾情种类多,灾害发生频率高等特点,并且灾害所造成的损失惨重。通过对我国以往自然灾害进行分析发现,70%的自然灾害属于气象灾害,由于我国农业基础设施较弱,抗灾害能力不强,农业生产对气候的依赖度非常高,从而导致每年农作物受灾面积超过0.5亿公顷,经济损失超过2000亿元。当前全球气候变化异常,农业灾害发生也有了新的变化,农业防灾减灾依然任重道远。为此,本文依据湘中农业灾害的特点,结合支持向量机预测模型、核函数理论、粒子群优化算法等技术,从而研究和应用灾害面积预测方法,具体工作包括:(1)收集受灾数据,采用离群点分析技术,去除异常数据并进行规范化处理。因娄底市成立时间不长,历史数据有限,本文收集的数据来源于1975年至2015年《湖南农村统计年鉴》和《娄底市农业局农业统计年报》。通过离群分析发现其中有三年因为天气的特殊异常而造成重大损失作为特殊处理,分别是1998年、2008年、2012年,我们将其作为异常数据去除,最后对剩下的数据做]1,0[归一化处理。(2)提出了一种基于KSVM的农业受灾面积预测方法。核函数选取主要的三种分别是多项式核函数、径向基核函数和Sigmoid核函数。根据以往经验本文采用的是径向基核函数,又因为参数少,若该参数选择合适,那么将更加适合本文的预测模型,所以采用径向基函数为核函数的支持向量机模型,最后通过与BP神经网络预测模型对比得出:径向基函数为核函数的支持向量机模型更加适合小样本环境。(3)提出了一种基于PSO-KSVM的农业受灾面积预测方法。针对径向基核函数的支持向量机对参数选择并非最优问题,引入粒子群优化算法,对其参数进行优化,建立PSO-KSVM湘中农业受灾面积预测模型,从而通过同一样本环境下,对支持向量机预测模型和神经网络预测模型的效果进行对比分析得出:在小样本环境下支持向量机与粒子群优化算法的结合效果更为明显,预测效果更好。
【关键词】：受灾面积预测 支持向量机 核函数 粒子群
【学位授予单位】：湖南人文科技学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;S42
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-17
• 1.1 课题研究意义与背景9-10
• 1.2 灾害预测基本方法和步骤10-11
• 1.3 国内外研究现状11-16
• 1.3.1 粒子群算法的理论应用与研究现状14-15
• 1.3.2 神经网络的理论应用与研究现状15
• 1.3.3 支持向量机的理论应用与研究现状15-16
• 1.4 本文的内容安排16-17
• 第二章 用于灾害预测的理论基础17-33
• 2.1 统计学习理论17-22
• 2.1.1 机器机器学习问题17-19
• 2.1.2 经验风险最小化原则19
• 2.1.3 VC维19-20
• 2.1.4 推广性的界20-21
• 2.1.5 结构风险最小化原则21-22
• 2.2 支持向量机简介22-23
• 2.3 核函数简介23-24
• 2.4 构造标准支持向量机24-28
• 2.5 粒子群算法28-30
• 2.5.1 PSO算法描述28
• 2.5.2 PSO算法原理28-30
• 2.6 神经网络30-32
• 2.6.1 神经网络算法描述30
• 2.6.2 神经网络算法原理与优点30-32
• 2.7 本章小结32-33
• 第三章 KSVM预测模型及参数优化33-46
• 3.1 ksvm预测模型的建立33-36
• 3.1.1 最优超平面33-35
• 3.1.2 最优超平面35-36
• 3.2 核函数36
• 3.3 非线性支持向量回归机36-37
• 3.4 核函数的选取与参数优化37-38
• 3.5 仿真实验38-44
• 3.5.1 样本数据的来源与预处理39
• 3.5.2 农业受灾数据选取及预处理39-41
• 3.5.3 SVM模型预测实验与核心代码41-42
• 3.5.4 BP神经网络预测实验与核心代码42-44
• 3.6 结果与对比分析44-45
• 3.7 存在的问题分析45
• 3.8 本章小结45-46
• 第四章 基于PSO-KSVM的湘中农业灾情预测方法46-54
• 4.1 湘中农业受灾情况分析46-47
• 4.2 PSO-KSVM预测模型的建立47-49
• 4.2.1 样本数据的来源与预处理47
• 4.2.2 核函数的选取与粒子群优化支持向量机参数47-49
• 4.3 PSO的编码与适应度的选择49
• 4.4 仿真实验49-51
• 4.4.1 实验环境49
• 4.4.2 PSO-KSVM的关键代码49-51
• 4.5 实验结果51-52
• 4.6 结果与对比分析52-53
• 4.7 本章小结53-54
• 第五章 总结与展望54-55
• 5.1 本文总结54
• 5.2 展望54-55
• 参考文献55-61
• 致谢61-62
• 作者简介62-63
• 在读期间科研成果目录63

【参考文献】

中国期刊全文数据库 前10条

1 李杨;王琴;王丹阳;;湖南省农业水灾演变特征及预测分析[J];农业现代化研究;2014年06期

2 柯福阳;李亚云;;基于BP神经网络的滑坡地质灾害预测方法[J];工程勘察;2014年08期

3 高朝祥;王充;;基于粒子群算法的曲柄滑块机构优化设计[J];食品与机械;2011年04期

4 魏代俊;曾艳敏;邹迎春;;基于无偏灰色马尔科夫链的稻瘟病预测研究[J];安徽农业科学;2010年34期

5 李祥;王心源;李玉龙;张广胜;章敏;;基于灰色-马尔科夫预测模型的巢湖流域洪涝灾害预测研究[J];水文;2006年04期

6 薛明志;左秀会;钟伟才;刘静;;正交微粒群算法[J];系统仿真学报;2005年12期

7 罗公亮;从神经网络到支撑矢量机(中)[J];冶金自动化;2001年06期

8 罗公亮;从神经网络到支撑矢量机(上)[J];冶金自动化;2001年05期

9 冯平,崔广涛,钟昀;城市洪涝灾害直接经济损失的评估与预测[J];水利学报;2001年08期

10 孙用明,陈付贵,姚树文;人工神经网络在预报棉花烂铃病中的应用[J];河南农业大学学报;2000年02期

  本文关键词：基于PSO-KSVM的湘中农业灾害面积预测方法研究，由笔耕文化传播整理发布。

本文编号：292048