糧食產(chǎn)后儲藏損耗是困擾糧食儲藏企業(yè)的一大難題,也是影響企業(yè)經(jīng)濟效益的重要因素,因此對糧食儲藏環(huán)節(jié)中損耗的評估,對于糧食產(chǎn)后減損具有重要的意義。本文通過調(diào)查問卷,對糧食儲藏中影響損耗的因素進行調(diào)查,將獲得的數(shù)據(jù)通過支持向量機（Support Vector Machine,SVM）模型進行建模,對儲藏環(huán)節(jié)中的糧食損耗進行智能評估。同時,為了提高模型的精度,采用隨機漂移粒子群優(yōu)化（Random Drift Particle Swarm Optimization,RDPSO）算法對SVM的參數(shù)進行訓練,充分利用RDPSO算法的全局搜索能力找到模型參數(shù)的最優(yōu)解。實驗結果表明運用RDPSO算法優(yōu)化的SVM模型,能夠得到比基本的SVM模型和線性回歸模型更準確的糧食損耗預測。 

【文章來源】：計算機與現(xiàn)代化. 2020,(03)

【文章頁數(shù)】：5 頁

【部分圖文】：

RDPSO優(yōu)化SVM參數(shù)流程

本文實驗中采用了線性回歸、基本SVM算法以及本文提出的RDPSO-SVM方法進行比較測試。圖2為應用了訓練樣本中的180條數(shù)據(jù)進行訓練得到的有效模型。圖中顯示了樣本和各個模型的誤差，黑色線條表示真實值，*表示應用RDPSO優(yōu)化SVM參數(shù)的模型，○表示基本SVM模型，×表示線性回歸模型。在圖2中可以明顯地看出RDPSO-SVM的預測值更接近真實值，基本SVM模型其次，然而線性回歸模型和真實值相差得很遠，其模型的擬合效果最差。因此，運用SVM模型建模，并采用RDPSO算法進行模型參數(shù)優(yōu)化可以達到很好的擬合效果。圖3 模型預測效果比較

圖2 模型訓練效果在圖2中可以容易看出線性回歸模型和真實值之間有很大的差距，遠離折線，所以在測試數(shù)據(jù)集上進行測試時，只是比較了RDPSO-SVM和基本SVM的效果，如圖3所示。從圖3可以看到，應用RDPSO算法優(yōu)化SVM模型后，模型的預測值更接近真實值，而基本SVM的預測值與實際值相差較大。具體的預測誤差如表1所示。其中，RDPSO-SVM模型的總的預測誤差為0.0063，而基本SVM的預測誤差為0.9649。

【參考文獻】：
期刊論文
[1]基于自適應動態(tài)改變的粒子群優(yōu)化算法[J]. 仝秋娟,趙豈,李萌.  微電子學與計算機. 2019(02)
[2]遼寧省農(nóng)戶口糧稻谷儲藏現(xiàn)狀分析及對策建議[J]. 趙旭,高樹成,趙學工.  糧食加工. 2018(01)
[3]隨機漂移粒子群算法的RZWQM替代模型參數(shù)優(yōu)化[J]. 奚茂龍,盧丹,齊志明,孫俊.  計算機工程與應用. 2016(23)
[4]糧食產(chǎn)后損失浪費評價指標體系研究[J]. 趙霞,曹寶明,趙蓮蓮.  糧食科技與經(jīng)濟. 2015(03)
[5]基于小波分析和PSO-SVM的控制圖混合模式識別[J]. 蘭秀菊,張麗霞,魯建廈,陳呈頻.  浙江工業(yè)大學學報. 2012(05)

碩士論文
[1]湖南省農(nóng)業(yè)綜合自然災害對糧食產(chǎn)量影響的實證分析[D]. 劉慕華.湖南科技大學 2015



本文編號：2982568