一种基于PSO-LSSVM算法的粮情安全检测分析方法技术

本发明专利技术公开了一种基于PSO‑LSSVM算法的粮情安全检测分析方法，可以对粮食仓储过程中的粮情安全进行检测分析，该方法将PSO算法与最小二乘支持向量机模型结合起来，粮情分类算法的准确率优于BP神经网络、支持向量机(SVM)和最小二乘支持向量机(LSSVM)，可以提高我国粮食存储过程中粮情安全分析的正确度，对粮库智能控制方案提供依据，减少粮食在仓储过程中因霉变、生虫造成的损失。

【技术实现步骤摘要】
一种基于PSO-LSSVM算法的粮情安全检测分析方法
本专利技术属于粮食储存安全监控
，具体涉及一种基于PSO-LSSVM算法的粮情安全检测分析方法。
技术介绍
现有的粮情预测方法和系统对粮情信号的采集往往由单一的传感器(如温度传感器)来完成，即使使用多种传感器也仅是从各个不同的侧面孤立反映目标信息。实际上，粮情是由温度，湿度，水分、虫害、霉菌等因素共同决定的，必须同时综合考虑这些因素，才能获得充分反映粮情状况安全的结论，并由此得出处理建议和控制措施。但是，传统的多统计分析预测模型、GM(1,N)模型等线性预测模型都很难解决这些多参数时间序列间的复杂非线性关系，人工神经网络技术有存在训练速度慢，易陷入局部极小点和全局搜索能力弱的缺陷。与神经网络相比，最小二乘支持向量机(LSSVM)在解决神经网络自身缺陷的同时，能够较好的解决小样本、非线性、高维数等问题，具有很好的泛化能力。
技术实现思路
鉴于上述，本专利技术提供了一种基于PSO-LSSVM算法的粮情安全检测分析方法，其利用PSO(ParticleSwarmOptimization，粒子群优化算法)对最小二乘支持向量机的关键参数进行本文档来自技高网...

【技术保护点】
一种基于PSO‑LSSVM算法的粮情安全检测分析方法，包括如下步骤：(1)通过采集获取粮仓的历史数据样本，每个样本包括对应采样时刻采集得到的关于粮仓仓外温度、仓内温度、仓外湿度、仓内湿度、粮食温度以及粮食水分的六组数据；(2)对每一样本的实际粮情安全等级进行人工标记，将每个样本中的数据归一化至[0,1]区间内，对应得到六维的特征向量，进而采用主成分分析法对特征向量进行降维处理；(3)将所有样本降维后的特征向量分为训练集和测试集，进而利用训练集的特征向量输入至LSSVM中对其进行训练，同时采用粒子群优化算法对LSSVM的惩罚因子γ以及核函数宽度σ进行优化，从而训练得到用于粮情安全检测分析的等级分...

【技术特征摘要】
1.一种基于PSO-LSSVM算法的粮情安全检测分析方法，包括如下步骤：(1)通过采集获取粮仓的历史数据样本，每个样本包括对应采样时刻采集得到的关于粮仓仓外温度、仓内温度、仓外湿度、仓内湿度、粮食温度以及粮食水分的六组数据；(2)对每一样本的实际粮情安全等级进行人工标记，将每个样本中的数据归一化至[0,1]区间内，对应得到六维的特征向量，进而采用主成分分析法对特征向量进行降维处理；(3)将所有样本降维后的特征向量分为训练集和测试集，进而利用训练集的特征向量输入至LSSVM中对其进行训练，同时采用粒子群优化算法对LSSVM的惩罚因子γ以及核函数宽度σ进行优化，从而训练得到用于粮情安全检测分析的等级分类模型；(4)利用训练得到的等级分类模型对测试集中的样本进行关于粮情安全等级的分类预测。2.根据权利要求1所述的粮情安全检测分析方法，其特征在于：所述步骤(3)中采用粒子群优化算法对LSSVM中的惩罚因子γ以及核函数宽度σ进行优化，具体过程如下：3.1随机产生一个初始种群，种群中每个粒子都有各自的速度和位置，初始的速度和位置随机生成；3.2利用个体极值以及群体极值对粒子的速度和位置进行更新；3.3更新个体极值和群体极值，使当前群体极值中的两个分量分别作为LSSVM的惩罚因子γ以及核函数宽度σ，通过训练将等级分类模型的预测错误率作为适应度，通过反复迭代，当适应度满足预定精度或达到最大迭代次数时对应的惩罚因子γ和核函数宽度σ即作为优化结果。3.根据权利要求2所述的粮情安全检测分析方法，其特征在于：所述步骤3.2中采用以下公式对粒子速度和位置进行更新：vk+1＝vk+c1rand(Pbk-xk)+c2rand(Nbe...

【专利技术属性】
技术研发人员：徐新民，杨恩泽，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33