基于支持向量机的小麦赤霉病预测研究及应用

发布时间：2021-12-24 05:16

　　小麦赤霉病是一种典型的气象型灾害,具有爆发性强,毁灭性大等特性,严重影响小麦的产量和品质。小麦赤霉病可防不可治,科研人员对小麦赤霉病的防治研究从未间断。然而,对小麦赤霉病预测模型的研究往往需要大量的参数作支撑。结合实际数据样本规模、业务需求和预测结果对比,本文利用支持向量机优秀的小样本寻优能力和泛化能力,对小麦赤霉病的预测方法展开了研究,并设计了小麦赤霉病预测系统。本文完成的主要工作有如下几个方面:1、完成了小麦赤霉病诱发因子的提取与预处理。首先,分析小麦赤霉病的特性以及发病原因。收集小麦赤霉病发病期间有可能致病的气象因子,使用数据挖掘技术获取其中对小麦赤霉病贡献量最大的因变量,并经过计算得以证实。提取旬平均气温、旬平均湿度以及旬连续降雨日数构成特征值矩阵。2、构建了基于支持向量机的小麦赤霉病受灾程度的预测模型。使用支持向量机模型对上述气象样本和病穗率构成的特征值矩阵进行训练,采用网格搜索法和交叉验证,确定支持向量机中核函数类型、惩罚因子等参数,并完成小麦赤霉病受灾程度预测的实验。测试结果证明,基于支持向量机的小麦赤霉病预测模型准确度较高,可以用于小麦赤霉病的预测。3、开发了基于支持向... 

【文章来源】：安徽农业大学安徽省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

017年小麦赤霉病发生趋势图

注：1.病穗；2.麦穗处的霉层；3.小穗合缝处霉层；4.赤霉病麦籽图 1- 2 小麦赤霉病症状Figure 1- 2 Symptoms of wheat head blight1.3.2 小麦赤霉病发生与流行的因素

图 2- 2 最优分类超平面示意图Figure 2- 2 The optimal classification hyper plane diagram设一个二分类的样本集为（ ）， ， ， h。其中 n是训练样本数量，d 是数据的维数， 表示样本的输入特征， 表示类别的标记，一般计作做 1 或者-1。为了把两类完全分开，并且达到软间隔(margin)最大的最优效果， b 0 (2.1)

【参考文献】：
期刊论文
[1]汉中市小麦条锈病流行的影响因子及预测模型[J]. 张吉昌,王清文,黎钊,李乐,张勇,王保通,王晖,杨建军.  麦类作物学报. 2017(12)
[2]“互联网+”助力国家粮食安全[J]. 李想,李干琼,卢德成.  农业网络信息. 2017(07)
[3]小麦赤霉病神经网络和偏最小二乘预测模型[J]. 赵超越,张友华.  吉首大学学报(自然科学版). 2017(04)
[4]Coupling Induction of Wheat Scab,Gibberella zeae[J]. Yao Shuping,Li Hanyi,Wu Afeng.  Plant Diseases and Pests. 2017(03)
[5]江苏省小麦赤霉病气象条件适宜度判别指标[J]. 徐云,高苹,缪燕,顾天真.  江苏农业科学. 2016(08)
[6]小麦赤霉病发生原因及防控建议[J]. 张志祥,谢晶,水亚萍,朱琼琼.  安徽农学通报. 2016(13)
[7]基于相空间重构和支持向量机的小麦条锈病预测方法[J]. 刘诚,熊万丹,付蜀智.  四川大学学报(自然科学版). 2016(02)
[8]大数据预测[J]. 何强.  中国统计. 2016(03)
[9]基于大数据的小麦蚜虫发生程度决策树预测分类模型[J]. 张晴晴,刘勇,牟少敏,温孚江.  大数据. 2016(01)
[10]整体改进的基于支持向量机的故障诊断方法[J]. 焦卫东,林树森.  仪器仪表学报. 2015(08)

硕士论文
[1]中国中部基于气象因子的小麦赤霉病预测模型[D]. 吴亚琴.西南大学 2017
[2]基于可视化技术的安徽省小麦赤霉病大数据分析与研究[D]. 吴瑶.安徽农业大学 2016
[3]基于支持向量机的小麦病害识别研究[D]. 昌腾腾.山东农业大学 2015
[4]在线社会网络下的垃圾信息过滤技术的研究[D]. 黄兴凤.上海师范大学 2015
[5]赤霉病小麦中脱氧雪腐镰刀菌烯醇降解技术研究[D]. 李萌萌.河南工业大学 2013
[6]小麦响应赤霉病菌的表达谱分析与禾谷镰刀菌胞外蛋白的研究[D]. 闫美.山东农业大学 2011
[7]小麦赤霉病预测模型研究[D]. 马志荣.安徽农业大学 2010
[8]基于.NET的环保项目管理信息系统的设计与实现[D]. 李媛.云南大学 2010



本文编号：3549886