基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

基于天气预报的日光温室夜间逐时气温预测模型构建

为得到一种可行的日光温室夜间逐时气温预测方法,从而提高主动集放热系统的适应力,该研究尝试从中国天气网发布的天气预报中获取试验地点72 h天气状况、室外气温等气象信息,同时将爬取筛选的天气状况简分为晴天、多云天以及阴天三类,并基于多元线性回归、支持向量机回归和随机森林回归方法,选取2020年11月－2021年2月中晴天、多云天和阴天各25 d的数据作为训练集,选取训练集外的三种天气各10 d的数据作为测试集,分别构建了三种天气状况下温室内夜间逐时气温预测模型。该研究使用均方误差（MSE）和决定系数（R2）对各类模型预测精度进行评价：晴天和多云天时,随机森林回归模型预测精度最高,MSE、R2分别达到了0.37、0.94和0.05、0.98,而阴天时支持向量机回归模型预测精度最高,MSE、R2分别达到了0.40、0.87;根据不同的天气状况选用精度最高的回归模型进行气温预测,经验证预测气温和实测气温的变化曲线拟合度较高,单因素方差分析显示两者间无显著差异（P＞0.05）,在晴天、多云天和阴天MSE分别为0.19、0.19和0.15,R2分别达到了0.98、0.95和0.90,平均绝对误差依次为0.1、0.3和0.3℃。因此,该研究所构建的基于天气预报的日光温室夜间逐时气温预测模型预测精度较高,可以为主动集放热系统放热策略的制定提供指导。     

基于支持向量机方法建立土壤湿度预测模型的探讨

支持向量机(Support Vector Machine简称SVM)方法,是通过核函数实现到高维空间的非线性映射,适宜于解决非线性问题,具有算法简单、计算量小、易于实现等优点。本文运用支持向量机方法建立了不同土层土壤湿度预测模型,0~10cm土层土壤湿度预测模型有较好的推广能力,10~50cm处的各层预测模型预报能力相对较弱。分析土壤湿度历史监测资料,发现同一时刻0~10cm土层与其它各土层土壤湿度具有较高的相关关系,基于此建立了预报精度较高的各土层土壤湿度的预测模型,实现了运用前期环境气象因子对各土层土壤湿度的预测。     

基于最小二乘支持向量机的中国粮食产量预测模型研究

粮食产量预测是制定农业政策的重要依据。针对农业生产系统的特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的时间预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

基于支持向量机的小流域水蚀预报模型研究

 土壤侵蚀过程复杂,很难直接应用土壤侵蚀预报方程进行定量计算。作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。首次尝试将最小二乘支持向量机技术用于土壤侵蚀预测,并与BP神经网络的方法进行了对比,取得了较好的预测精度。     

基于四种算法比较分析Venlo型玻璃温室气温季节预报模型

利用2021年2月27日-2023年3月4日南京信息工程大学Venlo型玻璃温室内、外气象观测数据,基于多元回归(Multiple regression,MR)、BP人工神经网络(BP artificial neural networks,BPANN)、随机森林(Random forest,RF)和支持向量机(Support vector machine,SVM)构建温室内日平均气温、日最低气温和日最高气温的季节预报模型,并进行验证。结果表明：温室内日平均气温、日最低气温季节预报模型的拟合精度明显高于日最高气温季节预报模型;各模型对春、夏、秋季温室内气温的拟合精度高于冬季。对于日平均气温和日最低气温季节预报模型而言,4种算法构建的春、夏、秋季预报模型的拟合精度均较高,RF模型模拟效果更为稳定,其模拟值与实际观测值决定系数(R²)均值均在0.94以上,均方根误差(RMSE)、绝对误差(MAE)均值在1.5℃以内;对于日最高气温季节预报模型,RF模型对春、夏、秋季的拟合精度整体高于其他模型,R²均值均在0.75以上。MR模型对冬季室内气温的拟合精...     

基于自适应进化相关向量机的耕地面积预测模型

为解决耕地面积预测模型建立过程中的非线性、稀疏化及结果可靠性评价等问题,该文将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的耕地面积预测模型。该文以黄石市为例,建立基于自适应进化相关向量机的短期、中期耕地预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度、计算效率及可靠性方面进行对比分析。试验验数据表明,自适应进化相关向量机的预测精度大约是其余3种方法的2倍以上;模型的计算效率是多元线性回归方法的2倍,比BP神经网络、支持向量机高出2个数量级;测试数据的实际耕地面积均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"。基于以上数据,证实该模型是一种精度高、计算快、可靠性强的耕地预测新方法。     

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。     

基于支持向量机的干旱预测研究

支持向量机（SVM）是基于统计学习理论的一种智能学习方法,可以用来解决样本空间的高度非线性的模式识别等问题。干旱是气候因子非线性复杂关系相互作用造成水分严重亏缺的一种气候异常反映,本文选择SVM方法,利用8月南方涛动指数、副高强度指数、极涡强度指数等15项因子,基于径向基核函数建立浙江省秋季的干旱预测模型,应用交叉验证方式确定最优模型参数,并进行了预测,对模型的检验结果表明,建立的干旱预测模型能直接对秋季干旱进行预测,并且有较高的准确率,可为气候预测从气候要素预测到气象灾害预测提供一种有效途径。     

基于小波分析理论组合模型的农业需水量预测

为了提高农业需水量（非平稳时间序列）的预测精度,该文运用小波分析理论,将农业需水量这一时间序列用小波分解到不同尺度上以减少原始序列的随机性,然后用灰色预测法和时间序列预测法对重构后的时间序列进行预测。将小波分析理论、灰色预测理论和时间序列预测法组合进行需水量的预测,为原始非平稳时间序列的预测应用拓展了空间。以鄂尔多斯市的农业需水量预测为例对该方法作了验证,2009年数据检验结果表明该组合预测模型精度较高,相对误差小于3%,为农业需水量的预测提供了一种新方法,对鄂尔多斯市的水资源合理地利用、规划和管理以及促进区域社会经济的可持续发展具有重要的意义。     

基于MA-ARIMA-GASVR的食用菌温室温度预测

食用菌温室温度具有时变、非线性、多耦合特性,准确预测对稳定食用菌生产具有重要意义。本研究从挖掘温室历史温度数据时序信息角度出发,提出一种MA-ARIMA-GASVR组合方法建立温度预测模型,利用移动平均方法将历史温度序列分解成线性序列和残差序列,然后采用移动平均差分自回归模预测线性序列的趋势,再将移动平均差分自回归预测值、历史残差数据、历史温度数据作为支持向量回归模型的输入,并结合遗传算法优化支持向量回归模型参数改善其性能,从而获得更符合实际情况的温度预测值。最后选取实测温度数据作为训练集,对未来2d的温度进行预测验证。结果显示,MA-ARIMA-GASVR组合方法能更好地拟合原始温度数据,间隔1h的均方误差、平均绝对误差和平均绝对百分误差分别为0.18、0.36和1.34,均显示本研究方法预测精度优于支持向量回归、遗传算法优化的支持向量回归单一模型,也优于未经移动平均以及未经遗传算法优化的组合模型;此外,间隔6h的均方误差、平均绝对误差和平均绝对百分误差为0.29、0.52和1.95,说明本研究方法还能满足6 h以内的多步预测,为食用菌生产者预留更多调整时间。     

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R~2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R~2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。     

基于感官品质的油梨常温后熟进程预测模型

针对中国油梨市场油梨进口储运过程中储藏时间和品质变化难以把控及油梨损坏严重等问题,对常温常湿((25±1)℃、75%相对湿度)条件下果皮色泽、果肉硬度及感官品质指标进行测定,监测其在常温后熟过程中的内在变化规律,对色差、硬度、呼吸速率、质量损失率与果肉受喜爱程度进行皮尔逊相关性分析,利用无损检测指标色差a*值与储藏时间之间logistic方程,建立油梨后熟时间预测模型。结果表明:油梨平均单果质量随储藏时间的延长而减少,每日质量损失率和呼吸速率均呈现先增加后减少的趋势,果皮色泽在储藏时间小于3d时显著增加,其后趋于平衡,而果肉硬度表现相反的趋势,干基质量损失率、色泽(L*,a*和b*值)和硬度均与感官喜爱度呈显著相关性(P0.01)。基于色差测定的无损、快速、便捷,选取色差a*值进行预测模型的建立,色差a*值的logistic方程拟合效果较好,R2为0.993。模型的检验发现,在色差a*值4时,模型预测值与实测值有很好的线性相关性,决定系数为0.996,说明该模型在果皮色差a*值4时可以用于油梨常温后熟期的预测,研究结果可为油梨品质控制提供指导和依据。     

基于COSIM模型的新疆棉花产量动态预报方法

该文在对棉花生长模拟模型COSIM进行模型调试、验证实现本地化应用的基础上,探讨运用作物模型进行棉花产量动态预报的方法,重点解决未知气象数据替代问题。作物模型应用于产量预报时,未来天气的不确定性是影响预报准确率的关键因子,该影响随着当年实际天气数据增多而减小。该文以近50 a的气象数据,依次替代预报日至收获期的气象数据(即预报日之前使用预报年当年气象数据,预报日之后使用替代年气象数据),模拟棉花生长发育和产量形成过程,以近50、40、30、20、10、5 a历史气候数据依次替代预报日之后的逐日数据获得的模拟产量平均值作为预报产量,根据对预报准确率进行比较,最终确定以近10 a实测数据替代获得的模拟产量平均值作为最终预报产量。经验证该预报方法对不同播种时间棉花产量动态预报的准确率在81.3%~99.6%,预测精度较好。作为案例分析,该文仅进行每月1次预测分析,实际应用中可进行逐日替代动态预报,经过进一步改进,提高预报精度,未来可望达到业务应用水平。     

基于Hammerstein-Wiener模型的地埋管换热器出水温度预测

针对土壤源热泵系统节能运行的控制需求,该文提出一种面向系统运行控制的地埋管换热器Hammerstein-Wiener(H-W)模型。基于H-W模型结构特性和非线性特征,结合地埋管换热器168 h的实时进出、水温度数据,利用Levenberg-Marquardt寻优算法对H-W模型进行辨识,在此基础上,以48 h的逐时进水温度作为模型输入,模型预测值与相应数据的拟合度为99.44%,验证了H-W模型的预测结果。在连续1 000次的H-W模型辨识与验证测试中,拟合度高于90%的占83%。地埋管换热器H-W模型的辨识速度快、预测结果精度较高,并在持续的在线预测中显示了较强的稳定性,为土壤源热泵系统在线优化控制的实施提供了保障。     

基于机器学习的空气源热泵干燥能耗回归预测

为了降低空气源热泵干燥过程能耗,研究了空气源热泵干燥能耗特性,采用多元线性回归模型（multivariate linear regression model, MLRM）和BP神经网络（back propagation neural network, BPNN）模型来预测干燥工艺能耗。在分析干燥能耗影响特征参数的基础上,提出将干燥工艺过程进行切分处理的方法以降低数据获取难度。选取烘房设定温度、烘房设定湿度、烘房初始温度、烘房初始湿度、环境平均温度、环境平均湿度、物料质量和初始含水率8个特征参数作为模型输入,能耗和物料结束含水率作为模型输出。使用MLRM模型、BPNN模型和其他机器学习模型进行能耗预测,MLRM模型对能耗拟合的决定系数为0.739,对物料结束含水率拟合的决定系数为0.931;BPNN模型使用Sigmoid函数作为激活函数时对能耗拟合的决定系数最高,为0.828,使用Identity函数作为激活函数时对物料结束含水率拟合的决定系数最高,为0.942,拟合效果优于其他机器学习模型,能够满足实际生产需求。以复水豌豆为干燥对象设计加载物料65 kg、持续时间4 h的完整变温变湿干燥工艺进行验证试验,结果表明：试验总能耗为15.066 kW·h,MLRM模型和BPNN模型的预测总能耗分别为14.476 kW·h、15.183 kW·h,预测精度分别为96.08%、99.23%;试验结束含水率为8.541%,MLRM模型和BPNN模型的预测结束含水率分别为9.560%、8.889%,预测精度分别为88.07%、95.93%。该研究提出了一种使用MLRM模型和BPNN模型对空气源热泵干燥能耗进行分段精准预测的有效手段,对于优化干燥工艺和降低干燥能耗具有实际意义。     

基于绿色荧光蛋白的冷鲜猪肉中大肠杆菌预测模型的构建

为了预测和监控冷鲜猪肉储存过程中腐败细菌大肠杆菌的变化规律,评估产品货架期,建立微生物生长预测模型。该研究将绿色荧光蛋白质粒pGFP转入大肠杆菌DH5α,构建GFP的标记大肠杆菌。基于绿色荧光蛋白报告基因和氨苄青霉素抗性,采用稀释平板法定量追踪检测0～24 ℃条件下冷鲜猪肉中DH5α生长变化。采用Gompertz模型、平方根模型和响应面方程进行数据拟合,构建数学预测模型。结果表明Gompertz模型拟合效果良好,0～20 ℃条件下决定系数R2为0.96～0.99。温度与最大比生长速率平方根、延迟期倒数平方根模型R2分别为0.862、0.948。响应面模型揭示时间、温度对大肠杆菌的生长影响显著(P<0.05),二者交互作用明显,响应面模型R2为0.815。模型能够有效拟合冷鲜猪肉中与温度、时间相关的大肠杆菌的生长变化规律,研究结果为产品储存过程中细菌变化预测提供理论依据。