本文關(guān)鍵詞：基于PSO-KSVM的湘中農(nóng)業(yè)災(zāi)害面積預(yù)測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：在全世界范圍內(nèi),我國屬于自然災(zāi)害最為嚴重的國家之一,具有災(zāi)害地域分布廣,災(zāi)情種類多,災(zāi)害發(fā)生頻率高等特點,并且災(zāi)害所造成的損失慘重。通過對我國以往自然災(zāi)害進行分析發(fā)現(xiàn),70%的自然災(zāi)害屬于氣象災(zāi)害,由于我國農(nóng)業(yè)基礎(chǔ)設(shè)施較弱,抗災(zāi)害能力不強,農(nóng)業(yè)生產(chǎn)對氣候的依賴度非常高,從而導(dǎo)致每年農(nóng)作物受災(zāi)面積超過0.5億公頃,經(jīng)濟損失超過2000億元。當前全球氣候變化異常,農(nóng)業(yè)災(zāi)害發(fā)生也有了新的變化,農(nóng)業(yè)防災(zāi)減災(zāi)依然任重道遠。為此,本文依據(jù)湘中農(nóng)業(yè)災(zāi)害的特點,結(jié)合支持向量機預(yù)測模型、核函數(shù)理論、粒子群優(yōu)化算法等技術(shù),從而研究和應(yīng)用災(zāi)害面積預(yù)測方法,具體工作包括:(1)收集受災(zāi)數(shù)據(jù),采用離群點分析技術(shù),去除異常數(shù)據(jù)并進行規(guī)范化處理。因婁底市成立時間不長,歷史數(shù)據(jù)有限,本文收集的數(shù)據(jù)來源于1975年至2015年《湖南農(nóng)村統(tǒng)計年鑒》和《婁底市農(nóng)業(yè)局農(nóng)業(yè)統(tǒng)計年報》。通過離群分析發(fā)現(xiàn)其中有三年因為天氣的特殊異常而造成重大損失作為特殊處理,分別是1998年、2008年、2012年,我們將其作為異常數(shù)據(jù)去除,最后對剩下的數(shù)據(jù)做]1,0[歸一化處理。(2)提出了一種基于KSVM的農(nóng)業(yè)受災(zāi)面積預(yù)測方法。核函數(shù)選取主要的三種分別是多項式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)。根據(jù)以往經(jīng)驗本文采用的是徑向基核函數(shù),又因為參數(shù)少,若該參數(shù)選擇合適,那么將更加適合本文的預(yù)測模型,所以采用徑向基函數(shù)為核函數(shù)的支持向量機模型,最后通過與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比得出:徑向基函數(shù)為核函數(shù)的支持向量機模型更加適合小樣本環(huán)境。(3)提出了一種基于PSO-KSVM的農(nóng)業(yè)受災(zāi)面積預(yù)測方法。針對徑向基核函數(shù)的支持向量機對參數(shù)選擇并非最優(yōu)問題,引入粒子群優(yōu)化算法,對其參數(shù)進行優(yōu)化,建立PSO-KSVM湘中農(nóng)業(yè)受災(zāi)面積預(yù)測模型,從而通過同一樣本環(huán)境下,對支持向量機預(yù)測模型和神經(jīng)網(wǎng)絡(luò)預(yù)測模型的效果進行對比分析得出:在小樣本環(huán)境下支持向量機與粒子群優(yōu)化算法的結(jié)合效果更為明顯,預(yù)測效果更好。
【關(guān)鍵詞】：受災(zāi)面積預(yù)測 支持向量機 核函數(shù) 粒子群
【學(xué)位授予單位】：湖南人文科技學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;S42
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 課題研究意義與背景9-10
• 1.2 災(zāi)害預(yù)測基本方法和步驟10-11
• 1.3 國內(nèi)外研究現(xiàn)狀11-16
• 1.3.1 粒子群算法的理論應(yīng)用與研究現(xiàn)狀14-15
• 1.3.2 神經(jīng)網(wǎng)絡(luò)的理論應(yīng)用與研究現(xiàn)狀15
• 1.3.3 支持向量機的理論應(yīng)用與研究現(xiàn)狀15-16
• 1.4 本文的內(nèi)容安排16-17
• 第二章 用于災(zāi)害預(yù)測的理論基礎(chǔ)17-33
• 2.1 統(tǒng)計學(xué)習(xí)理論17-22
• 2.1.1 機器機器學(xué)習(xí)問題17-19
• 2.1.2 經(jīng)驗風(fēng)險最小化原則19
• 2.1.3 VC維19-20
• 2.1.4 推廣性的界20-21
• 2.1.5 結(jié)構(gòu)風(fēng)險最小化原則21-22
• 2.2 支持向量機簡介22-23
• 2.3 核函數(shù)簡介23-24
• 2.4 構(gòu)造標準支持向量機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 神經(jīng)網(wǎng)絡(luò)30-32
• 2.6.1 神經(jīng)網(wǎng)絡(luò)算法描述30
• 2.6.2 神經(jīng)網(wǎng)絡(luò)算法原理與優(yōu)點30-32
• 2.7 本章小結(jié)32-33
• 第三章 KSVM預(yù)測模型及參數(shù)優(yōu)化33-46
• 3.1 ksvm預(yù)測模型的建立33-36
• 3.1.1 最優(yōu)超平面33-35
• 3.1.2 最優(yōu)超平面35-36
• 3.2 核函數(shù)36
• 3.3 非線性支持向量回歸機36-37
• 3.4 核函數(shù)的選取與參數(shù)優(yōu)化37-38
• 3.5 仿真實驗38-44
• 3.5.1 樣本數(shù)據(jù)的來源與預(yù)處理39
• 3.5.2 農(nóng)業(yè)受災(zāi)數(shù)據(jù)選取及預(yù)處理39-41
• 3.5.3 SVM模型預(yù)測實驗與核心代碼41-42
• 3.5.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測實驗與核心代碼42-44
• 3.6 結(jié)果與對比分析44-45
• 3.7 存在的問題分析45
• 3.8 本章小結(jié)45-46
• 第四章 基于PSO-KSVM的湘中農(nóng)業(yè)災(zāi)情預(yù)測方法46-54
• 4.1 湘中農(nóng)業(yè)受災(zāi)情況分析46-47
• 4.2 PSO-KSVM預(yù)測模型的建立47-49
• 4.2.1 樣本數(shù)據(jù)的來源與預(yù)處理47
• 4.2.2 核函數(shù)的選取與粒子群優(yōu)化支持向量機參數(shù)47-49
• 4.3 PSO的編碼與適應(yīng)度的選擇49
• 4.4 仿真實驗49-51
• 4.4.1 實驗環(huán)境49
• 4.4.2 PSO-KSVM的關(guān)鍵代碼49-51
• 4.5 實驗結(jié)果51-52
• 4.6 結(jié)果與對比分析52-53
• 4.7 本章小結(jié)53-54
• 第五章 總結(jié)與展望54-55
• 5.1 本文總結(jié)54
• 5.2 展望54-55
• 參考文獻55-61
• 致謝61-62
• 作者簡介62-63
• 在讀期間科研成果目錄63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李楊;王琴;王丹陽;;湖南省農(nóng)業(yè)水災(zāi)演變特征及預(yù)測分析[J];農(nóng)業(yè)現(xiàn)代化研究;2014年06期

2 柯福陽;李亞云;;基于BP神經(jīng)網(wǎng)絡(luò)的滑坡地質(zhì)災(zāi)害預(yù)測方法[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塊機構(gòu)優(yōu)化設(shè)計[J];食品與機械;2011年04期

4 魏代俊;曾艷敏;鄒迎春;;基于無偏灰色馬爾科夫鏈的稻瘟病預(yù)測研究[J];安徽農(nóng)業(yè)科學(xué);2010年34期

5 李祥;王心源;李玉龍;張廣勝;章敏;;基于灰色-馬爾科夫預(yù)測模型的巢湖流域洪澇災(zāi)害預(yù)測研究[J];水文;2006年04期

6 薛明志;左秀會;鐘偉才;劉靜;;正交微粒群算法[J];系統(tǒng)仿真學(xué)報;2005年12期

7 羅公亮;從神經(jīng)網(wǎng)絡(luò)到支撐矢量機(中)[J];冶金自動化;2001年06期

8 羅公亮;從神經(jīng)網(wǎng)絡(luò)到支撐矢量機(上)[J];冶金自動化;2001年05期

9 馮平,崔廣濤,鐘昀;城市洪澇災(zāi)害直接經(jīng)濟損失的評估與預(yù)測[J];水利學(xué)報;2001年08期

10 孫用明,陳付貴,姚樹文;人工神經(jīng)網(wǎng)絡(luò)在預(yù)報棉花爛鈴病中的應(yīng)用[J];河南農(nóng)業(yè)大學(xué)學(xué)報;2000年02期

  本文關(guān)鍵詞：基于PSO-KSVM的湘中農(nóng)業(yè)災(zāi)害面積預(yù)測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：292048