基于ELM与SVR融合的粮仓储粮数量检测模型

发布时间：2021-07-13 04:29

　　粮食数量安全事关粮食安全,研究开发方便、快捷、准确的在线及网络化国家粮食储藏数量监测技术,对于保障我国粮食储藏数量安全,提高粮食宏观调控能力具有十分重大的意义。本文系统研究了现有粮仓储粮数量检测方法,在此基础上,针对基于压力传感器的粮仓储粮数量检测中所涉及的压强数据预处理和检测模型建模等理论与技术问题,基于机器学习理论研究了数据预处理以及粮仓储粮数量检测模型构建等理论与技术问题。本文针对粮仓底面单圈的压力传感器布置,探索了基于改进蚁群算法的数据预处理方法,研究了基于极限学习机、支持向量回归机等融合学习的粮仓储粮数量检测模型构建。主要研究包括:1.针对粮仓底面单圈的压力传感器布置,分析了压力传感器输出值数据特性,研究了数据选择相关规则,提出了一种基于改进蚁群算法的压力传感器数据预处理方法,通过找到目标矩阵的极大线性无关组降低数据的维度,实现了压力传感器输出值的选择优化。实际应用结果证明了所提出压力传感器数据预处理方法的可行性于有效性。2.引入了基于SPXY算法的检测样本集划分方法,给出了基于支持向量回归机、BP神经网络和极限学习机的粮仓储量数量检测模型构建方法,研究了建模参数的选取方式,... 

【文章来源】：河南工业大学河南省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

粮仓底面压力传感器布置模型

河南工业大学硕士学位论文13图2-2粮仓底面单圈压力传感器布置模型2.3本章小结本章主要介绍论文中涉及到的储粮数量检测理论模型，介绍了布置压力传感器的两种考虑方法，最后说明考虑系统成本等问题选择单圈压力传感器作为后续实验基础的理由。

第四章基于SVR的储粮数量检测模型22第四章基于SVR的储粮数量检测模型4.1支持向量回归原理SVR与现今流行的神经网络不同，其不需依靠大量的学习样本，仅需小样本即可构建出置信区间。基本原理是要在一定的训练误差的范围区间来进行拟合回归，有效避免了学习过量的问题，由于通过构建最佳置信区间来实现算法，全局最优的效果也能满足，假设所求回归关系如式(4-1)所示[46-47]：bxwxfTsvr)((4-1)式(3-1)中，svrw、b为待定参数，其回归示意图如图4-1所示。图4-1SVR回归示意图SVR求解如式(4-2)所示：mixfyyxftsCwminiiiiiiim1i*svr,2,1,0,0)()(..21*2）（(4-2)其中，C为惩罚因子，，*为松弛因子，iy为实际函数，引入拉格朗日因子后可得下式：miiiiiiimiiiimisvrsvrxfywwxfyCbi1**m1i*i*i11*2)))(())(()(21,,,L）（(4-3)对参数svrw、b、、*i求偏导，在偏导数为0的前提下，可得SVR的对偶问题如


本文编号：3281348