基于灰色關(guān)聯(lián)和PSO–SVM的葡萄霜霉病的短期預測
發(fā)布時間:2021-11-11 12:23
運用灰色關(guān)聯(lián)分析法(GRA)篩選出北京市房山地區(qū)的主要氣象因子,作為支持向量機(SVM)模型的輸入特征向量,通過粒子群算法(PSO)優(yōu)化SVM的懲罰因子C和核函數(shù)參數(shù)δ,建立了基于灰色關(guān)聯(lián)和PSO–SVM的葡萄霜霉病短期預測模型,應用該模型對該地區(qū)未來1 d的葡萄霜霉病發(fā)病等級進行短期預測。與改進網(wǎng)格搜索法優(yōu)化的SVM模型、經(jīng)驗選擇參數(shù)的標準SVM、不同訓練函數(shù)和粒子群算法優(yōu)化的BP網(wǎng)絡(luò)模型進行比較,結(jié)果基于灰色關(guān)聯(lián)分析的PSO–SVM模型預測效果最好,對葡萄霜霉病發(fā)病等級的預測正確率為95.24%,與基于全部氣象因子的PSO–SVM模型相比,預測正確率提高了1.19%,運行速度快1.81 s。
【文章來源】:湖南農(nóng)業(yè)大學學報(自然科學版). 2020,46(02)北大核心CSCD
【文章頁數(shù)】:7 頁
【部分圖文】:
基于GRA–PSO–SV
搜索和小步距的精細搜索,粗略選擇的參數(shù)C和δ的搜索范圍為[2–10,210],步距為1;精細選擇的參數(shù)C和δ的搜索范圍為[2–4,24],步距為0.5。粗略選取SVM參數(shù)的過程見圖4–左,2次搜尋得到的最優(yōu)參數(shù)為C=11.314,δ=2.828。圖4–右顯示的是基于GRA和改進網(wǎng)格搜索法的SVM模型的預測結(jié)果,預測正確率達到90.48%,略低于PSO算法的預測結(jié)果(95.24%),由此可見,PSO–SVM模型相比于改進GS–SVM模型的預測效果更好。圖4基于GRA–GS–SVM的葡萄霜霉病預測等級Fig.4PredictionlevelofthegrapedownymildewbasedonGRA-GS-SVM3.3.2預測模型與其他機器學習模型比較對PSO–SVM模型有效性和優(yōu)越性的驗證,在確;疑P(guān)聯(lián)分析得到的試驗數(shù)據(jù)不變的前提下,分別采用經(jīng)驗選擇參數(shù)的標準SVM、改進網(wǎng)格搜索法優(yōu)化的SVM、不同訓練函數(shù)和粒子群算法優(yōu)化的BP網(wǎng)絡(luò)進行葡萄霜霉病病害等級預測,并將其與PSO–SVM模型進行比較,預測對比結(jié)果如表2所示。分別使用不同核函數(shù)的標準SVM進行預測,結(jié)果所用的徑向基核函數(shù)具有較好的預測效果。同時使用徑向基核函數(shù)時,C和δ的取值不同,模型的預測結(jié)果也不同。采取PSO方法和改進網(wǎng)格搜索法優(yōu)化支持向量機減少了參數(shù)選取的隨機性,模型預測正確率更高,其中粒子群算法的優(yōu)化效果最好。
【參考文獻】:
期刊論文
[1]歐李品種主要經(jīng)濟性狀的灰色關(guān)聯(lián)分析[J]. 溫靜,周蘭英,蒲光蘭. 湖南農(nóng)業(yè)大學學報(自然科學版). 2019(04)
[2]基于圖像融合特征的番茄葉部病害的識別[J]. 郭小清,范濤杰,舒欣. 湖南農(nóng)業(yè)大學學報(自然科學版). 2019(02)
[3]SVM一對一多分類的圖像反饋檢索優(yōu)化[J]. 王沖,馬曉楠,宋冬慧. 計算機工程與設(shè)計. 2019(01)
[4]基于自適應判別深度置信網(wǎng)絡(luò)的棉花病蟲害預測[J]. 王獻鋒,張傳雷,張善文,朱義海. 農(nóng)業(yè)工程學報. 2018(14)
[5]基于SVM的葡萄霜霉病病害發(fā)生預測研究[J]. 宋旺. 中小企業(yè)管理與科技(下旬刊). 2018(05)
[6]北京市延慶區(qū)葡萄霜霉病流行規(guī)律及預測模型的檢驗[J]. 徐丹丹,韓亭宇,梁燕燕,金萌,王琦,高靈旺. 中國農(nóng)學通報. 2017(13)
[7]昌黎地區(qū)釀酒葡萄霜霉病發(fā)生前期氣象條件分析[J]. 李瑞盈,孫麗華,張晨宇,鄭浩. 中國農(nóng)學通報. 2016(26)
[8]沈陽地區(qū)葡萄霜霉病流行時間動態(tài)及其氣象影響因子分析[J]. 于舒怡,傅俊范,劉長遠,關(guān)天舒,王輝,劉麗. 植物病理學報. 2016(04)
[9]基于改進網(wǎng)格搜索法的支持向量機在氣體定量分析中的應用[J]. 曲健,陳紅巖,劉文貞,李志彬,張兵,應亞宏. 傳感技術(shù)學報. 2015(05)
[10]葡萄霜霉菌孢子囊擴散動態(tài)及與田間病情的相關(guān)性[J]. 吉麗麗,李海強,任毓忠,祁立敏,趙寶龍,李國英,李春. 果樹學報. 2012(01)
碩士論文
[1]沈陽地區(qū)葡萄霜霉病流行預警及藥劑防治研究[D]. 梁躍.沈陽農(nóng)業(yè)大學 2016
[2]葡萄霜霉病預測模型的研究[D]. 魏開來.西北農(nóng)林科技大學 2008
本文編號:3488850
【文章來源】:湖南農(nóng)業(yè)大學學報(自然科學版). 2020,46(02)北大核心CSCD
【文章頁數(shù)】:7 頁
【部分圖文】:
基于GRA–PSO–SV
搜索和小步距的精細搜索,粗略選擇的參數(shù)C和δ的搜索范圍為[2–10,210],步距為1;精細選擇的參數(shù)C和δ的搜索范圍為[2–4,24],步距為0.5。粗略選取SVM參數(shù)的過程見圖4–左,2次搜尋得到的最優(yōu)參數(shù)為C=11.314,δ=2.828。圖4–右顯示的是基于GRA和改進網(wǎng)格搜索法的SVM模型的預測結(jié)果,預測正確率達到90.48%,略低于PSO算法的預測結(jié)果(95.24%),由此可見,PSO–SVM模型相比于改進GS–SVM模型的預測效果更好。圖4基于GRA–GS–SVM的葡萄霜霉病預測等級Fig.4PredictionlevelofthegrapedownymildewbasedonGRA-GS-SVM3.3.2預測模型與其他機器學習模型比較對PSO–SVM模型有效性和優(yōu)越性的驗證,在確;疑P(guān)聯(lián)分析得到的試驗數(shù)據(jù)不變的前提下,分別采用經(jīng)驗選擇參數(shù)的標準SVM、改進網(wǎng)格搜索法優(yōu)化的SVM、不同訓練函數(shù)和粒子群算法優(yōu)化的BP網(wǎng)絡(luò)進行葡萄霜霉病病害等級預測,并將其與PSO–SVM模型進行比較,預測對比結(jié)果如表2所示。分別使用不同核函數(shù)的標準SVM進行預測,結(jié)果所用的徑向基核函數(shù)具有較好的預測效果。同時使用徑向基核函數(shù)時,C和δ的取值不同,模型的預測結(jié)果也不同。采取PSO方法和改進網(wǎng)格搜索法優(yōu)化支持向量機減少了參數(shù)選取的隨機性,模型預測正確率更高,其中粒子群算法的優(yōu)化效果最好。
【參考文獻】:
期刊論文
[1]歐李品種主要經(jīng)濟性狀的灰色關(guān)聯(lián)分析[J]. 溫靜,周蘭英,蒲光蘭. 湖南農(nóng)業(yè)大學學報(自然科學版). 2019(04)
[2]基于圖像融合特征的番茄葉部病害的識別[J]. 郭小清,范濤杰,舒欣. 湖南農(nóng)業(yè)大學學報(自然科學版). 2019(02)
[3]SVM一對一多分類的圖像反饋檢索優(yōu)化[J]. 王沖,馬曉楠,宋冬慧. 計算機工程與設(shè)計. 2019(01)
[4]基于自適應判別深度置信網(wǎng)絡(luò)的棉花病蟲害預測[J]. 王獻鋒,張傳雷,張善文,朱義海. 農(nóng)業(yè)工程學報. 2018(14)
[5]基于SVM的葡萄霜霉病病害發(fā)生預測研究[J]. 宋旺. 中小企業(yè)管理與科技(下旬刊). 2018(05)
[6]北京市延慶區(qū)葡萄霜霉病流行規(guī)律及預測模型的檢驗[J]. 徐丹丹,韓亭宇,梁燕燕,金萌,王琦,高靈旺. 中國農(nóng)學通報. 2017(13)
[7]昌黎地區(qū)釀酒葡萄霜霉病發(fā)生前期氣象條件分析[J]. 李瑞盈,孫麗華,張晨宇,鄭浩. 中國農(nóng)學通報. 2016(26)
[8]沈陽地區(qū)葡萄霜霉病流行時間動態(tài)及其氣象影響因子分析[J]. 于舒怡,傅俊范,劉長遠,關(guān)天舒,王輝,劉麗. 植物病理學報. 2016(04)
[9]基于改進網(wǎng)格搜索法的支持向量機在氣體定量分析中的應用[J]. 曲健,陳紅巖,劉文貞,李志彬,張兵,應亞宏. 傳感技術(shù)學報. 2015(05)
[10]葡萄霜霉菌孢子囊擴散動態(tài)及與田間病情的相關(guān)性[J]. 吉麗麗,李海強,任毓忠,祁立敏,趙寶龍,李國英,李春. 果樹學報. 2012(01)
碩士論文
[1]沈陽地區(qū)葡萄霜霉病流行預警及藥劑防治研究[D]. 梁躍.沈陽農(nóng)業(yè)大學 2016
[2]葡萄霜霉病預測模型的研究[D]. 魏開來.西北農(nóng)林科技大學 2008
本文編號:3488850
本文鏈接:http://sikaile.net/wenshubaike/kaixinbaike/3488850.html
最近更新
教材專著