本文關鍵詞：糧倉儲糧狀態(tài)檢測方法與系統(tǒng)設計，由筆耕文化傳播整理發(fā)布。

【摘要】：目前我國每年均需大規(guī)模的開展清倉查庫工作,耗費大量的人力與物力資源,以保障糧倉儲糧數(shù)量安全。為了減少傳統(tǒng)的糧倉儲糧狀態(tài)檢測方法對資源的大量浪費,現(xiàn)代化的糧倉儲糧狀態(tài)檢測技術開發(fā)與應用將具有重要意義。本文著重研究基于SVM和決策樹的糧倉儲糧狀態(tài)檢測方法,通過建模、數(shù)據(jù)分析,準確檢測糧倉的儲糧狀態(tài),實現(xiàn)對糧食儲藏狀態(tài)的有效監(jiān)督管理,以最大程度保障糧食安全。本文提出了基于SVM和決策樹的糧倉儲糧狀態(tài)檢測技術,在研究了SVM與決策樹的融合技術基礎上,著重研究了決策樹學習中的屬性重要性的有效度量方法,提出了一種決策樹構造的改進算法。論文主要研究工作如下:(1)首先提出了基于SVM的糧倉儲糧狀態(tài)檢測模型,將糧倉儲糧狀態(tài)檢測的三類別問題轉化為二類別問題的基礎上,分別構造了進糧、出糧兩種支持向量分類器;根據(jù)所選擇的特征向量的特點和支持向量機輸出值的特性,構造了糧倉儲糧狀態(tài)分類規(guī)則。實驗結果證明,所提出的進、出糧兩種支持向量分類器和糧倉儲糧狀態(tài)分類規(guī)則是可行有效的。(2)針對支持向量機存在分類模型復雜、計算量大等問題,基于支持向量機與決策樹的優(yōu)勢,提出了SVM與決策樹的融合技術。該技術主要通過對決策樹學習中的屬性重要性的有效度量,以提高決策樹分類效果。實驗結果表明,與C4.5算法相比,所提出的新算法有效提高了糧倉儲糧狀態(tài)的檢測精度。(3)基于Visual Studio 2010 C++開發(fā)環(huán)境和My SQL 5.6數(shù)據(jù)庫管理系統(tǒng),實現(xiàn)了基于SVM和決策樹的糧倉儲糧狀態(tài)檢測系統(tǒng),通過對獲取到的壓力傳感器數(shù)據(jù)進行計算分析,最終實現(xiàn)糧倉儲糧狀態(tài)的正確分類。
【關鍵詞】：儲糧狀態(tài) 支持向量機 決策樹 屬性重要性
【學位授予單位】：河南工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：S379;TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 引言10-11
• 1.2 課題的研究背景和研究意義11-12
• 1.2.1 課題的研究背景11
• 1.2.2 課題的研究意義11-12
• 1.3 相關技術研究現(xiàn)狀12-14
• 1.3.1 支持向量機國內外研究現(xiàn)狀12-13
• 1.3.2 決策樹國內外研究現(xiàn)狀13-14
• 1.4 論文研究內容和章節(jié)組織14-15
• 1.4.1 論文研究內容14-15
• 1.4.2 論文章節(jié)組織15
• 1.5 本章小結15-16
• 第二章 關鍵技術介紹16-26
• 2.1 支持向量機理論16-23
• 2.1.1 支持向量機原理16-20
• 2.1.2 支持向量機的改進算法20-23
• 2.2 決策樹理論23-25
• 2.2.1 決策樹分類技術23-24
• 2.2.2 決策樹經典算法24-25
• 2.3 本章小結25-26
• 第三章 基于支持向量機的糧倉儲糧狀態(tài)檢測26-32
• 3.1 模型檢測26-28
• 3.2 建模方法28-29
• 3.3 檢測實例與結果分析29-31
• 3.4 本章小結31-32
• 第四章 基于支持向量機的決策樹算法改進32-49
• 4.1SVM的最優(yōu)決策面模型32-33
• 4.2 屬性分類能力與決策面關系33-34
• 4.3 決策面點選擇34-37
• 4.4 屬性重要性度量37-41
• 4.4.1 決策樹面點選擇37-38
• 4.4.2 決策面點的屬性重要性度量38-39
• 4.4.3 離散屬性重要性度量39-40
• 4.4.4 連續(xù)屬性重要性度量40-41
• 4.5 新算法與C4.5 算法在糧倉儲糧狀態(tài)檢測中的實驗對比41-48
• 4.5.1 新算法實驗結果及分析41-44
• 4.5.2C4.5 算法實驗結果及分析44-47
• 4.5.3 新算法與C4.5 算法實驗結果對比分析47-48
• 4.6 本章小結48-49
• 第五章 糧倉儲糧狀態(tài)檢測系統(tǒng)的設計與實現(xiàn)49-54
• 5.1 系統(tǒng)整體設計49-50
• 5.2 系統(tǒng)的模塊設計50-52
• 5.2.1 設置模塊50-51
• 5.2.2 數(shù)據(jù)處理模塊51
• 5.2.3 顯示模塊51-52
• 5.3 系統(tǒng)功能實現(xiàn)52-53
• 5.4 本章小結53-54
• 第六章 總結與展望54-55
• 6.1 工作總結54
• 6.2 工作展望54-55
• 參考文獻55-59
• 致謝59-60
• 個人簡歷60

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張德賢;楊鐵軍;傅洪亮;樊超;張元;;糧倉儲糧數(shù)量在線檢測模型[J];自動化學報;2014年10期

2 張德賢;楊鐵軍;傅洪亮;樊超;張元;;基于壓力傳感器的糧倉儲糧數(shù)量在線檢測方法[J];中國糧油學報;2014年04期

3 陳兆榮;雷勛平;王亮;;基于支持向量機的區(qū)域糧食安全評價模型及其應用[J];吉林工商學院學報;2012年05期

4 白美清;;中國糧食儲備體系二十年的回顧與展望[J];糧食問題研究;2011年03期

5 王禾軍;鄧飛其;;基于模糊最小二乘支持向量機的區(qū)域糧食安全性預警分析[J];農業(yè)工程學報;2011年05期

6 秦瑤;陳潔;方廣有;;糧倉儲量信息無損探測技術研究[J];中國糧油學報;2010年04期

7 向昌盛;周子英;武麗娜;;糧食產量預測的支持向量機模型研究[J];湖南農業(yè)大學學報(社會科學版);2010年01期

8 宰松梅;賈艷輝;丁鐵山;溫季;郭冬冬;;基于最小二乘支持向量機的灌區(qū)糧食產量預測研究[J];安徽農業(yè)科學;2010年01期

9 王強;沈永平;陳英武;;支持向量機規(guī)則提取[J];國防科技大學學報;2006年02期

10 吳天雷,馬少平;基于重疊動態(tài)網(wǎng)格和模糊隸屬度的手寫漢字特征抽取[J];電子學報;2004年02期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 李華慶;支持向量機及其在人臉識別中的應用研究[D];上海交通大學;2006年

2 劉志剛;支撐向量機在光譜遙感影像分類中的若干問題研究[D];武漢大學;2004年

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 李凱;糧倉儲糧體積測量中激光點云數(shù)據(jù)處理技術[D];首都師范大學;2011年

2 李鵬;糧倉儲量三維激光掃描快速測量技術研究[D];清華大學;2010年

3 姚程寬;不平衡樣本集的支持向量機模型選擇[D];南京師范大學;2007年

  本文關鍵詞：糧倉儲糧狀態(tài)檢測方法與系統(tǒng)設計，，由筆耕文化傳播整理發(fā)布。

本文編號：405248