本文關鍵詞：基于PSO-KSVM的湘中農業(yè)災害面積預測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：在全世界范圍內,我國屬于自然災害最為嚴重的國家之一,具有災害地域分布廣,災情種類多,災害發(fā)生頻率高等特點,并且災害所造成的損失慘重。通過對我國以往自然災害進行分析發(fā)現,70%的自然災害屬于氣象災害,由于我國農業(yè)基礎設施較弱,抗災害能力不強,農業(yè)生產對氣候的依賴度非常高,從而導致每年農作物受災面積超過0.5億公頃,經濟損失超過2000億元。當前全球氣候變化異常,農業(yè)災害發(fā)生也有了新的變化,農業(yè)防災減災依然任重道遠。為此,本文依據湘中農業(yè)災害的特點,結合支持向量機預測模型、核函數理論、粒子群優(yōu)化算法等技術,從而研究和應用災害面積預測方法,具體工作包括:(1)收集受災數據,采用離群點分析技術,去除異常數據并進行規(guī)范化處理。因婁底市成立時間不長,歷史數據有限,本文收集的數據來源于1975年至2015年《湖南農村統(tǒng)計年鑒》和《婁底市農業(yè)局農業(yè)統(tǒng)計年報》。通過離群分析發(fā)現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據去除,最后對剩下的數據做]1,0[歸一化處理。(2)提出了一種基于KSVM的農業(yè)受災面積預測方法。核函數選取主要的三種分別是多項式核函數、徑向基核函數和Sigmoid核函數。根據以往經驗本文采用的是徑向基核函數,又因為參數少,若該參數選擇合適,那么將更加適合本文的預測模型,所以采用徑向基函數為核函數的支持向量機模型,最后通過與BP神經網絡預測模型對比得出:徑向基函數為核函數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的農業(yè)受災面積預測方法。針對徑向基核函數的支持向量機對參數選擇并非最優(yōu)問題,引入粒子群優(yōu)化算法,對其參數進行優(yōu)化,建立PSO-KSVM湘中農業(yè)受災面積預測模型,從而通過同一樣本環(huán)境下,對支持向量機預測模型和神經網絡預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)化算法的結合效果更為明顯,預測效果更好。
【關鍵詞】：受災面積預測 支持向量機 核函數 粒子群
【學位授予單位】：湖南人文科技學院
【學位級別】：碩士
【學位授予年份】：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 災害預測基本方法和步驟10-11
• 1.3 國內外研究現狀11-16
• 1.3.1 粒子群算法的理論應用與研究現狀14-15
• 1.3.2 神經網絡的理論應用與研究現狀15
• 1.3.3 支持向量機的理論應用與研究現狀15-16
• 1.4 本文的內容安排16-17
• 第二章 用于災害預測的理論基礎17-33
• 2.1 統(tǒng)計學習理論17-22
• 2.1.1 機器機器學習問題17-19
• 2.1.2 經驗風險最小化原則19
• 2.1.3 VC維19-20
• 2.1.4 推廣性的界20-21
• 2.1.5 結構風險最小化原則21-22
• 2.2 支持向量機簡介22-23
• 2.3 核函數簡介23-24
• 2.4 構造標準支持向量機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 神經網絡30-32
• 2.6.1 神經網絡算法描述30
• 2.6.2 神經網絡算法原理與優(yōu)點30-32
• 2.7 本章小結32-33
• 第三章 KSVM預測模型及參數優(yōu)化33-46
• 3.1 ksvm預測模型的建立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36
• 3.3 非線性支持向量回歸機36-37
• 3.4 核函數的選取與參數優(yōu)化37-38
• 3.5 仿真實驗38-44
• 3.5.1 樣本數據的來源與預處理39
• 3.5.2 農業(yè)受災數據選取及預處理39-41
• 3.5.3 SVM模型預測實驗與核心代碼41-42
• 3.5.4 BP神經網絡預測實驗與核心代碼42-44
• 3.6 結果與對比分析44-45
• 3.7 存在的問題分析45
• 3.8 本章小結45-46
• 第四章 基于PSO-KSVM的湘中農業(yè)災情預測方法46-54
• 4.1 湘中農業(yè)受災情況分析46-47
• 4.2 PSO-KSVM預測模型的建立47-49
• 4.2.1 樣本數據的來源與預處理47
• 4.2.2 核函數的選取與粒子群優(yōu)化支持向量機參數47-49
• 4.3 PSO的編碼與適應度的選擇49
• 4.4 仿真實驗49-51
• 4.4.1 實驗環(huán)境49
• 4.4.2 PSO-KSVM的關鍵代碼49-51
• 4.5 實驗結果51-52
• 4.6 結果與對比分析52-53
• 4.7 本章小結53-54
• 第五章 總結與展望54-55
• 5.1 本文總結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】

中國期刊全文數據庫 前10條

1 李楊;王琴;王丹陽;;湖南省農業(yè)水災演變特征及預測分析[J];農業(yè)現代化研究;2014年06期

2 柯福陽;李亞云;;基于BP神經網絡的滑坡地質災害預測方法[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優(yōu)化設計[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測研究[J];安徽農業(yè)科學;2010年34期

5 李祥;王心源;李玉龍;張廣勝;章敏;;基于灰色-馬爾科夫預測模型的巢湖流域洪澇災害預測研究[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)仿真學報;2005年12期

7 羅公亮;從神經網絡到支撐矢量機(中)[J];冶金自動化;2001年06期

8 羅公亮;從神經網絡到支撐矢量機(上)[J];冶金自動化;2001年05期

9 馮平,崔廣濤,鐘昀;城市洪澇災害直接經濟損失的評估與預測[J];水利學報;2001年08期

10 孫用明,陳付貴,姚樹文;人工神經網絡在預報棉花爛鈴病中的應用[J];河南農業(yè)大學學報;2000年02期

  本文關鍵詞：基于PSO-KSVM的湘中農業(yè)災害面積預測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：292048