基于灰色关联和PSO–SVM的葡萄霜霉病的短期预测

发布时间：2021-11-11 12:23

　　运用灰色关联分析法（GRA）筛选出北京市房山地区的主要气象因子,作为支持向量机（SVM）模型的输入特征向量,通过粒子群算法（PSO）优化SVM的惩罚因子C和核函数参数δ,建立了基于灰色关联和PSO–SVM的葡萄霜霉病短期预测模型,应用该模型对该地区未来1 d的葡萄霜霉病发病等级进行短期预测。与改进网格搜索法优化的SVM模型、经验选择参数的标准SVM、不同训练函数和粒子群算法优化的BP网络模型进行比较,结果基于灰色关联分析的PSO–SVM模型预测效果最好,对葡萄霜霉病发病等级的预测正确率为95.24%,与基于全部气象因子的PSO–SVM模型相比,预测正确率提高了1.19%,运行速度快1.81 s。 

【文章来源】：湖南农业大学学报(自然科学版). 2020,46(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于GRA–PSO–SV

搜索和小步距的精细搜索，粗略选择的参数C和δ的搜索范围为[2–10，210]，步距为1；精细选择的参数C和δ的搜索范围为[2–4，24]，步距为0.5。粗略选取SVM参数的过程见图4–左，2次搜寻得到的最优参数为C=11.314，δ=2.828。图4–右显示的是基于GRA和改进网格搜索法的SVM模型的预测结果，预测正确率达到90.48%，略低于PSO算法的预测结果(95.24%)，由此可见，PSO–SVM模型相比于改进GS–SVM模型的预测效果更好。图4基于GRA–GS–SVM的葡萄霜霉病预测等级Fig.4PredictionlevelofthegrapedownymildewbasedonGRA-GS-SVM3.3.2预测模型与其他机器学习模型比较对PSO–SVM模型有效性和优越性的验证，在确保灰色关联分析得到的试验数据不变的前提下，分别采用经验选择参数的标准SVM、改进网格搜索法优化的SVM、不同训练函数和粒子群算法优化的BP网络进行葡萄霜霉病病害等级预测，并将其与PSO–SVM模型进行比较，预测对比结果如表2所示。分别使用不同核函数的标准SVM进行预测，结果所用的径向基核函数具有较好的预测效果。同时使用径向基核函数时，C和δ的取值不同，模型的预测结果也不同。采取PSO方法和改进网格搜索法优化支持向量机减少了参数选取的随机性，模型预测正确率更高，其中粒子群算法的优化效果最好。

【参考文献】：
期刊论文
[1]欧李品种主要经济性状的灰色关联分析[J]. 温静,周兰英,蒲光兰.  湖南农业大学学报(自然科学版). 2019(04)
[2]基于图像融合特征的番茄叶部病害的识别[J]. 郭小清,范涛杰,舒欣.  湖南农业大学学报(自然科学版). 2019(02)
[3]SVM一对一多分类的图像反馈检索优化[J]. 王冲,马晓楠,宋冬慧.  计算机工程与设计. 2019(01)
[4]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海.  农业工程学报. 2018(14)
[5]基于SVM的葡萄霜霉病病害发生预测研究[J]. 宋旺.  中小企业管理与科技(下旬刊). 2018(05)
[6]北京市延庆区葡萄霜霉病流行规律及预测模型的检验[J]. 徐丹丹,韩亭宇,梁燕燕,金萌,王琦,高灵旺.  中国农学通报. 2017(13)
[7]昌黎地区酿酒葡萄霜霉病发生前期气象条件分析[J]. 李瑞盈,孙丽华,张晨宇,郑浩.  中国农学通报. 2016(26)
[8]沈阳地区葡萄霜霉病流行时间动态及其气象影响因子分析[J]. 于舒怡,傅俊范,刘长远,关天舒,王辉,刘丽.  植物病理学报. 2016(04)
[9]基于改进网格搜索法的支持向量机在气体定量分析中的应用[J]. 曲健,陈红岩,刘文贞,李志彬,张兵,应亚宏.  传感技术学报. 2015(05)
[10]葡萄霜霉菌孢子囊扩散动态及与田间病情的相关性[J]. 吉丽丽,李海强,任毓忠,祁立敏,赵宝龙,李国英,李春.  果树学报. 2012(01)

硕士论文
[1]沈阳地区葡萄霜霉病流行预警及药剂防治研究[D]. 梁跃.沈阳农业大学 2016
[2]葡萄霜霉病预测模型的研究[D]. 魏开来.西北农林科技大学 2008



本文编号：3488850