本文選題：隨機森林　切入點：支持向量機　出處：《吉林大學(xué)》2017年博士論文　論文類型：學(xué)位論文

【摘要】：當(dāng)前,機器學(xué)習(xí)技術(shù)已廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、交通、環(huán)境等各個領(lǐng)域。特別在農(nóng)業(yè)生產(chǎn)領(lǐng)域,由于農(nóng)業(yè)信息化和精準(zhǔn)農(nóng)業(yè)的推廣和實施,農(nóng)業(yè)生產(chǎn)數(shù)據(jù)不斷迅速增長并大量積累,這大大增加了對信息技術(shù)的需求,尤其對機器學(xué)習(xí)技術(shù)的需求更加顯著。然而,由于農(nóng)業(yè)生產(chǎn)問題的復(fù)雜性,對決策問題直接采用傳統(tǒng)的機器學(xué)習(xí)方法往往達不到理想的效果,因此如何構(gòu)造最優(yōu)的基于機器學(xué)習(xí)的農(nóng)業(yè)智能決策方法是當(dāng)前亟待解決的問題。本文重點研究利用群智能優(yōu)化技術(shù)對現(xiàn)有若干機器學(xué)習(xí)技術(shù)進行改進,構(gòu)建基于機器學(xué)習(xí)技術(shù)的農(nóng)業(yè)智能決策新方法,進而將這些新方法用于解決實際農(nóng)業(yè)生產(chǎn)問題。我們首先對隨機森林、多目標(biāo)聚類、支持向量機和核極限學(xué)習(xí)機等方法在計算精度、適用性和穩(wěn)定性方面存在的問題進行了探討,提出了三維混沌果蠅優(yōu)化技術(shù)、改進粒子群優(yōu)化技術(shù)、改進灰狼優(yōu)化技術(shù)和多種群灰狼優(yōu)化技術(shù),然后分別對上述機器學(xué)習(xí)方法進行改進,進而提出三維混沌果蠅優(yōu)化的隨機森林預(yù)測模型、改進粒子群的動態(tài)多目標(biāo)優(yōu)化診斷模型、改進灰狼優(yōu)化的支持向量機診斷模型、多種群灰狼智能演化核極限學(xué)習(xí)機預(yù)測模型,分別用于水稻的蟲害預(yù)測、病害診斷、缺素診斷和產(chǎn)量預(yù)測,較好地解決了水稻生產(chǎn)決策難題。具體說明如下:(1)針對隨機森林模型預(yù)測過程受其參數(shù)影響的問題,提出一種三維混沌果蠅優(yōu)化的隨機森林預(yù)測模型。首先,將原始果蠅優(yōu)化算法從二維搜索空間擴展到三維空間,同時引入混沌理論對種群進行初始化操作,避免陷入局部最優(yōu),提出一種改進的三維混沌果蠅優(yōu)化算法。選取多個測試函數(shù)進行實驗仿真,實驗結(jié)果表明,提出的方法與原始的果蠅優(yōu)化、粒子群優(yōu)化等群智能算法進行對比,不僅解的質(zhì)量更好,在收斂速度方面也更快。然后,我們將該算法引入到隨機森林模型中,利用三維混沌果蠅優(yōu)化算法對隨機森林進行訓(xùn)練,從而建立最優(yōu)的計算模型。最后,將該方法在水稻蟲害數(shù)據(jù)集上進行測試,并與其它算法進行對比。實驗結(jié)果表明,該模型具有更好的預(yù)測精度,能更有效的實現(xiàn)水稻蟲害的預(yù)測。(2)針對機器學(xué)習(xí)方法在單目標(biāo)粒子群優(yōu)化中解的局限性問題,提出一種改進粒子群的動態(tài)多目標(biāo)優(yōu)化診斷模型。首先,對原始粒子群算法進行改進,包括環(huán)境變化因子、慣性因子和變異因子的改進。然后,將該方法與動態(tài)多目標(biāo)技術(shù)結(jié)合,選取兩個聚類方法作為目標(biāo)函數(shù),采用背景差分法設(shè)計環(huán)境變化因子及規(guī)則,建立了改進粒子群的動態(tài)多目標(biāo)優(yōu)化診斷模型,從而實現(xiàn)圖像識別算法的優(yōu)化。最后,對預(yù)處理的水稻病害圖片進行特征提取后,應(yīng)用該模型對病害特征集測試,并與其他方法進行了對比。實驗結(jié)果表明,該模型可獲得數(shù)量多、質(zhì)量高且分布均勻的帕累托(Pareto)解集,較之單目標(biāo)方法有更高的病害識別精度。(3)針對支持向量機的模型選擇問題,提出一種改進灰狼優(yōu)化算法的支持向量機診斷模型。首先,在灰狼優(yōu)化中引入新的種群初始化機制,為灰狼優(yōu)化生成更合適的種群位置,使之避免陷入局部最優(yōu),獲得更好的解,并提高算法的收斂速度。在多個單峰和多峰函數(shù)上對該算法進行了測試,結(jié)果表明,改進灰狼優(yōu)化算法在解的質(zhì)量及收斂速度上都優(yōu)于已有的灰狼優(yōu)化算法。然后,我們將該策略引入到支持向量機中,對該模型中的懲罰因子和核寬進行動態(tài)選擇和調(diào)整,從而得到最優(yōu)識別模型。最后,利用該模型對水稻缺素情況進行診斷。實驗結(jié)果表明,該模型識別準(zhǔn)確率超過95%,識別精度優(yōu)于基于原始灰狼優(yōu)化的支持向量機方法、基于網(wǎng)格搜索的支持向量機和神經(jīng)網(wǎng)絡(luò)方法,實現(xiàn)了水稻缺素問題的精準(zhǔn)決策。(4)針對核極限學(xué)習(xí)機在預(yù)測問題中受關(guān)鍵參數(shù)影響的問題,提出一種利用多種群灰狼智能演化核極限學(xué)習(xí)機的預(yù)測模型。首先,充分利用多種群智能演化方法的優(yōu)勢,將灰狼算法的種群和搜索空間同步多元化,并采用精英機制在多個種群中進行信息共享,從而獲得全局最優(yōu)解。然后,我們將該策略引入核極限學(xué)習(xí)機中,對該模型中的懲罰系數(shù)和高斯核寬進行動態(tài)調(diào)整,從而建立最優(yōu)的預(yù)測模型。最后,對水稻產(chǎn)量數(shù)據(jù)進行測試,實驗結(jié)果表明,與基于原始灰狼優(yōu)化的核極限學(xué)習(xí)機、支持向量機以及神經(jīng)網(wǎng)絡(luò)等方法對比,該模型不僅提高了水稻產(chǎn)量的預(yù)測準(zhǔn)確率,還獲得了更穩(wěn)定的預(yù)測結(jié)果。這意味著本文提出的水稻產(chǎn)量預(yù)測模型能夠較好的對糧食產(chǎn)量進行預(yù)測,可作為農(nóng)業(yè)生產(chǎn)中一種重要的輔助決策工具。
[Abstract]:At present, machine learning techniques have been widely used in industry, agriculture, transportation, environment and other fields. Especially in the field of agricultural production, the promotion and implementation of agricultural informatization and agriculture, agricultural production data continues to grow rapidly and accumulated, which greatly increased the demand for information technology, especially the technology of machine learning needs more significant. However, due to the complexity of agricultural production problems, learning methods often fail to achieve the desired result directly using the traditional machine of decision problem, so how to construct the optimal agricultural intelligent decision method of machine learning based on the current problems to be solved. This paper focuses on the use of existing swarm optimization several machine learning techniques the improved intelligent technology, a new method for construction of machine learning technique for agricultural intelligent decision based on, and then the new method is used to solve the actual agricultural production. The problem. We first of random forest, multi-objective clustering, SVM and kernel extreme learning machine and other methods in calculation accuracy, discussed the applicability and stability of the existing problems, puts forward a three-dimensional chaotic Drosophila optimization technology, improved particle swarm optimization technology, improved optimization technology and multi group wolf wolf optimization technology. Then the machine learning method is improved, and then puts forward the three-dimensional chaotic random forest fruit fly optimization prediction model, improved particle swarm optimization for dynamic multi-objective optimization diagnosis model, improved gray wolf optimized support vector machine multi swarm intelligent diagnosis model, the gray wolf evolution kernel extreme learning machine model, respectively for rice pest forecast, disease the diagnosis, diagnosis and prediction of lack of hormone production, solved the rice production decision problem. Details are as follows: (1) the prediction process for random forest model The influence of parameters, this paper proposes a random forest 3D chaotic Drosophila optimization prediction model. Firstly, the original fruit fly optimization algorithm from two-dimensional search space is extended to three-dimensional space, while the introduction of chaos theory for initialization of population, avoid the local optimum, this paper proposes an improved chaotic optimization algorithm. Selection of Drosophila melanogaster a plurality of test function simulation, the experimental results show that the proposed method with the original fruit fly optimization, particle swarm optimization and swarm intelligence algorithm are compared, not only better quality solutions, in terms of the rate of convergence is also faster. Then, we apply the algorithm to the random forest model, using three-dimensional chaotic optimization algorithm of Drosophila the training of random forest, so as to establish the optimal model. Finally, the method is tested in the data set on the rice pests, and compared with other algorithms. The experimental results show that the prediction accuracy of the model is better, can realize the prediction of rice pests effectively. (2) aiming at the limitations of machine learning method in single objective particle swarm optimization solutions, this paper proposes an improved model for dynamic multi objective particle swarm optimization diagnosis. First, the original particle swarm optimization algorithm improved, including environmental factors, improvement of inertia factor and variation factors. Then, combining the method of multi-objective and dynamic technology, selects two clustering method as the objective function, the background difference change factor and rule design environment, established the modified particle swarm dynamic multi-objective optimization model of diagnosis, in order to achieve optimization of image recognition algorithm. Finally, the feature extraction of image pretreatment of rice diseases, to test the characteristics of the disease in the application of the model, and other methods were compared. The experimental results table Ming, the model can be obtained in quantity, high quality and uniform distribution of Pareto (Pareto) solution set, the single target method compared with disease identification more precise. (3) for the problem of selecting support vector machine model, put forward a kind of improved support vector machine algorithm fault diagnosis gray model. First of all, the introduction of the new mechanism in the gray wolf population initialization optimization, more suitable for the generation of population location wolf optimization, so as to avoid falling into a local optimum, get a better solution, and improve the convergence speed. In a number of unimodal and multimodal functions of the algorithm were tested, the results show that the improved gray optimization algorithm a optimization algorithm is superior in both quality and convergence of the solution existing. Then, we will the strategy into support vector machine, dynamic adjustment and the choice of the model of the penalty factor and kernel width, from the optimal recognition mode Type. Finally, using the model of rice nutrient deficiency for diagnosis. The experimental results show that the model recognition accuracy rate is more than 95%, the recognition accuracy is better than the original method of support vector machine optimization based on gray grid search, neural network and support vector machine method based on rice nutrient deficiency problems to achieve accurate decision-making. (4) according to the kernel extreme learning machine by the key parameter in the prediction of the problem, put forward a prediction model of evolution kernel extreme learning machine using a variety of swarm intelligent wolves. First, make full use of the advantages of swarm intelligence evolution method, gray wolf population algorithm and search space synchronization and diversification, information sharing mechanism with the elite in multiple populations, so as to obtain the global optimal solution. Then, we will introduce the strategy of kernel extreme learning machine, the model of penalty coefficient and width of Gauss kernel in dynamic adjustment Thus, the optimal prediction model is established. Finally, test the rice yield data, the experimental results show that machine learning and Optimization Based on the original wolf nuclear limit, compared to support vector machine and neural network method, this model not only improves the prediction accuracy rate of rice yield, but also prediction results more stable. This means that the proposed rice yield prediction model can better predict the grain yield, agricultural production can be used as an important auxiliary decision-making tool.

【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 夏潤海,王開顏;機器學(xué)習(xí)與智能決策支持系統(tǒng)[J];濰坊學(xué)院學(xué)報;2003年02期

2 張明玉,倪志偉;基于機器學(xué)習(xí)的智能決策支持系統(tǒng)[J];淮南師范學(xué)院學(xué)報;2005年03期

3 楊凌霄;武建平;;機器學(xué)習(xí)方法在人臉檢測中的應(yīng)用[J];計算機與數(shù)字工程;2008年03期

4 ;第十一屆中國機器學(xué)習(xí)會議[J];智能系統(tǒng)學(xué)報;2008年02期

5 ;第14屆中國機器學(xué)習(xí)會議[J];智能系統(tǒng)學(xué)報;2012年06期

6 費宗銘;呂建;王志堅;陳道蓄;徐家福;;機器學(xué)習(xí)[J];計算機科學(xué);1991年01期

7 趙沁平;魏華;王軍玲;;機器學(xué)習(xí)技術(shù)與機器學(xué)習(xí)系統(tǒng)[J];計算機科學(xué);1993年05期

8 姚敏;機器學(xué)習(xí)及其發(fā)展方向[J];計算機時代;1994年04期

9 ;第31屆機器學(xué)習(xí)國際會議(英文)[J];智能系統(tǒng)學(xué)報;2014年01期

10 黃海濱;機器學(xué)習(xí)及其主要策略[J];河池師范高等專科學(xué)校學(xué)報(自然科學(xué)版);2000年04期

相關(guān)會議論文 前10條

1 王玨;;歸納機器學(xué)習(xí)[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王昊;李銀波;紀(jì)志梁;;利用機器學(xué)習(xí)方法預(yù)測嚴(yán)重藥物不良反應(yīng)-呼吸困難[A];中國化學(xué)會第28屆學(xué)術(shù)年會第13分會場摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機器學(xué)習(xí)的新領(lǐng)域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機器學(xué)習(xí)串級結(jié)構(gòu)的初步探討[A];1998年中國控制會議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學(xué)習(xí)在中醫(yī)計算機診斷識別系統(tǒng)中的應(yīng)用思考[A];第一屆全國中西醫(yī)結(jié)合診斷學(xué)術(shù)會議論文選集[C];2006年

7 蔡健平;林世平;;基于機器學(xué)習(xí)的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對高爐爐況評價模型參數(shù)的機器學(xué)習(xí)——一個三類線性模式分類器的實現(xiàn)[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

9 程國建;蔡磊;潘華賢;;核向量機在大規(guī)模機器學(xué)習(xí)中的應(yīng)用[A];第十一屆中國青年信息與管理學(xué)者大會論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計學(xué)習(xí)理論及其應(yīng)用[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

相關(guān)重要報紙文章 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機器學(xué)習(xí)與智能化社會[N];中國郵政報;2003年

2 IBM大數(shù)據(jù)專家 James Kobielus　范范 編譯;機器學(xué)習(xí)已成為大數(shù)據(jù)基石[N];網(wǎng)絡(luò)世界;2014年

3 本報記者 房琳琳;合久必分：分布式“機器學(xué)習(xí)”應(yīng)運而生[N];科技日報;2014年

4 雨辰;機器學(xué)習(xí)類圖書為什么火爆[N];中華讀書報;2014年

5 百度公司技術(shù)副總監(jiān) 多媒體部負責(zé)人 余凱;深度學(xué)習(xí)與多媒體搜索技術(shù)演進[N];中國信息化周報;2013年

6 本報記者 余建斌;機器學(xué)習(xí)與互聯(lián)網(wǎng)搜索[N];人民日報;2011年

7 本報記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日報;2008年

8 記者　 彭德倩;機器學(xué)習(xí)精度提升近6個百分點[N];解放日報;2006年

9 本報記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國電子報;2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學(xué)家[N];計算機世界;2013年

相關(guān)博士學(xué)位論文 前10條

1 董春茹;機器學(xué)習(xí)中的權(quán)重學(xué)習(xí)與差分演化[D];華南理工大學(xué);2015年

2 姚明臣;機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的若干問題研究[D];大連理工大學(xué);2016年

3 Maxim Pecionchin;[D];對外經(jīng)濟貿(mào)易大學(xué);2016年

4 杜宇;基于深度機器學(xué)習(xí)的體態(tài)與手勢感知計算關(guān)鍵技術(shù)研究[D];浙江大學(xué);2017年

5 鐘錦紅;群智學(xué)習(xí)若干問題研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 趙東;基于群智能優(yōu)化的機器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

7 趙玉鵬;機器學(xué)習(xí)的哲學(xué)探索[D];大連理工大學(xué);2010年

8 胡巍;面向格結(jié)構(gòu)的機器學(xué)習(xí)[D];上海交通大學(xué);2009年

9 張義榮;基于機器學(xué)習(xí)的入侵檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2005年

10 錢線;快速精確的結(jié)構(gòu)化機器學(xué)習(xí)方法研究[D];復(fù)旦大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 毛海斌;基于半監(jiān)督機器學(xué)習(xí)的情感分類領(lǐng)域適應(yīng)問題研究[D];南京理工大學(xué);2015年

2 安軍輝;基于微博數(shù)據(jù)的微博用戶性別判斷研究[D];華中師范大學(xué);2015年

3 陳召陽;基于機器學(xué)習(xí)的改性麥槽吸附重金屬構(gòu)效關(guān)系模型研究[D];江西理工大學(xué);2014年

4 王成;基于半監(jiān)督機器學(xué)習(xí)的文本情感分析技術(shù)[D];南京理工大學(xué);2015年

5 孫科;基于Spark的機器學(xué)習(xí)應(yīng)用框架研究與實現(xiàn)[D];上海交通大學(xué);2015年

6 劉江龍;基于機器學(xué)習(xí)的射頻指紋定位方法研究[D];電子科技大學(xué);2015年

7 張蕾;基于機器學(xué)習(xí)的網(wǎng)絡(luò)輿情采集技術(shù)研究與設(shè)計[D];電子科技大學(xué);2014年

8 施宇;基于數(shù)據(jù)挖掘和機器學(xué)習(xí)的木馬檢測系統(tǒng)設(shè)計與實現(xiàn)[D];電子科技大學(xué);2014年

9 施應(yīng)敏;基于機器學(xué)習(xí)的Femtocell信道頻譜與功率資源分配算法的研究[D];南京郵電大學(xué);2015年

10 裴松年;基于機器學(xué)習(xí)的分類算法研究[D];中北大學(xué);2016年

，

本文編號：1571416