基于RDPSO-SVM的粮食产后储藏环节损耗智能评估方法

发布时间：2021-01-17 09:00

　　粮食产后储藏损耗是困扰粮食储藏企业的一大难题,也是影响企业经济效益的重要因素,因此对粮食储藏环节中损耗的评估,对于粮食产后减损具有重要的意义。本文通过调查问卷,对粮食储藏中影响损耗的因素进行调查,将获得的数据通过支持向量机（Support Vector Machine,SVM）模型进行建模,对储藏环节中的粮食损耗进行智能评估。同时,为了提高模型的精度,采用随机漂移粒子群优化（Random Drift Particle Swarm Optimization,RDPSO）算法对SVM的参数进行训练,充分利用RDPSO算法的全局搜索能力找到模型参数的最优解。实验结果表明运用RDPSO算法优化的SVM模型,能够得到比基本的SVM模型和线性回归模型更准确的粮食损耗预测。 

【文章来源】：计算机与现代化. 2020,(03)

【文章页数】：5 页

【部分图文】：

RDPSO优化SVM参数流程

本文实验中采用了线性回归、基本SVM算法以及本文提出的RDPSO-SVM方法进行比较测试。图2为应用了训练样本中的180条数据进行训练得到的有效模型。图中显示了样本和各个模型的误差，黑色线条表示真实值，*表示应用RDPSO优化SVM参数的模型，○表示基本SVM模型，×表示线性回归模型。在图2中可以明显地看出RDPSO-SVM的预测值更接近真实值，基本SVM模型其次，然而线性回归模型和真实值相差得很远，其模型的拟合效果最差。因此，运用SVM模型建模，并采用RDPSO算法进行模型参数优化可以达到很好的拟合效果。图3 模型预测效果比较

图2 模型训练效果在图2中可以容易看出线性回归模型和真实值之间有很大的差距，远离折线，所以在测试数据集上进行测试时，只是比较了RDPSO-SVM和基本SVM的效果，如图3所示。从图3可以看到，应用RDPSO算法优化SVM模型后，模型的预测值更接近真实值，而基本SVM的预测值与实际值相差较大。具体的预测误差如表1所示。其中，RDPSO-SVM模型的总的预测误差为0.0063，而基本SVM的预测误差为0.9649。

【参考文献】：
期刊论文
[1]基于自适应动态改变的粒子群优化算法[J]. 仝秋娟,赵岂,李萌.  微电子学与计算机. 2019(02)
[2]辽宁省农户口粮稻谷储藏现状分析及对策建议[J]. 赵旭,高树成,赵学工.  粮食加工. 2018(01)
[3]随机漂移粒子群算法的RZWQM替代模型参数优化[J]. 奚茂龙,卢丹,齐志明,孙俊.  计算机工程与应用. 2016(23)
[4]粮食产后损失浪费评价指标体系研究[J]. 赵霞,曹宝明,赵莲莲.  粮食科技与经济. 2015(03)
[5]基于小波分析和PSO-SVM的控制图混合模式识别[J]. 兰秀菊,张丽霞,鲁建厦,陈呈频.  浙江工业大学学报. 2012(05)

硕士论文
[1]湖南省农业综合自然灾害对粮食产量影响的实证分析[D]. 刘慕华.湖南科技大学 2015



本文编号：2982568