基于PSO与LS-SVM的作物需水量预测

doi:10.3969/j.issn.1006-2475.2018.10.009

计算机与现代化

基于PSO与LS-SVM的作物需水量预测

（盐城工学院电气工程学院，江苏盐城224051）

收稿日期:2018-04-24 出版日期:2018-10-26 发布日期:2018-10-26
作者简介:商志根(1979-),男,江苏盐都人,盐城工学院电气工程学院副教授,博士,研究方向：进化算法，智能预测; 段小汇(1982-),男,江苏射阳人,讲师,硕士,研究方向：系统辨识。
基金资助:
盐城市农业科技指导性计划项目(YKN2014012)

Predicting Crop Water Requirements Based on Particle Swarm Optimization #br# and Least Square Support Vector Machine

(School of Electrical Engineering, Yancheng Institute of Technology, Yancheng〖KG*3〗 224051, China)

Received:2018-04-24 Online:2018-10-26 Published:2018-10-26

摘要/Abstract

摘要： 为了提高作物需水量预测精度，提出基于粒子群优化算法(PSO)优化最小二乘支持向量机(LS-SVM)的预测模型。该模型以空气湿度、温度、太阳辐射以及风速为输入，利用多项式核函数和径向基核函数的非负线性组合构造核函数，将粒子群优化算法(PSO)与交叉验证方法用于确定模型参数。实验结果表明与神经网络和随机森林相比，PSO优化的LS-SVM可获得更好的预测精度和泛化能力，可用于节水灌溉，具有较高的应用价值。

关键词: 作物需水量, 支持向量机, 粒子群优化, 核函数

Abstract: To improve the accuracy of crop water requirement prediction, a model based on Least Square Support Vector Machine (LS-SVM) optimized by Particle Swarm Optimization (PSO) is put forward. Relative humidity, air temperature, solar radiation and wind speed are considered as input variables. A nonnegative linear combination of polynomial kernel function and radial basis kernel function is used as the kernel function of LS-SVM. PSO and cross validation are applied to optimize the parameters of LS-SVM. Experimental results indicate that LS-SVM optimized by PSO outperforms neural network and random forest. It can be used for water-saving irrigation, and has good application value.

Key words: crop water requirements, support vector machine, particle swarm optimization, kernel function

中图分类号:

TP183

商志根，段小汇. 基于PSO与LS-SVM的作物需水量预测[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.10.009.

SHANG Zhi-gen, DUAN Xiao-hui. Predicting Crop Water Requirements Based on Particle Swarm Optimization #br# and Least Square Support Vector Machine[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.10.009.

参考文献

［1］孙景生,康绍忠. 我国水资源利用现状与节水灌溉发展对策［J］. 农业工程学报, 2000,16(2):1-5.
［2］韩伟锋,武继承,何方. 作物需水量研究综述［J］. 华北水利水电学院学报, 2008,29(5):30-33.
［3］张兵,袁寿其,成立,等. 基于L-M优化算法的BP神经网络的作物需水量预测模型［J］. 农业工程学报, 2004,20(6):73-76.
［4］夏泽豪,翁绍捷,罗微,等. 基于灰色神经网络的作物需水量预测模型研究［J］. 中国农机化学报, 2015,36(2):219-223.
［5］孟丽丽,迟道才,崔屾,等. α-加权模糊线性回归模型在参考作物需水量预测中的应用［J］. 沈阳农业大学学报, 2008,39(5):603-606.
［6］刘婧然,马英杰,王喆,等. 基于RBF神经网络与BP神经网络的核桃作物需水量预测［J］. 节水灌溉, 2013（3）:16-19.
［7］ VAPNIK V N. The Nature of Statistical Learning［M］. New York: Springer, 1995.
［8］张弦,王宏力. 基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用［J］. 中国机械工程, 2011,22(11):2572-2576.
［9］赵伟. 基于SOA-LSSVM的短时交通流量预测［J］. 计算机与现代化, 2015（6）:27-31.
［10］苏立. 基于HHT变换和FOA_LSSVM的电缆故障诊断［J］. 计算机与现代化, 2017（9）:96-101.
［11］JI H F, LONG J, FU Y F, et al. Flow pattern identification based on EMD and LS-SVM for gas-liquid two-phase flow in a minichannel［J］. IEEE Transactions on Instrumentation and Measurement, 2011,60(5):1917-1924.
［12］LU X J, FAN B, HUANG M H. A novel LS-SVM modeling method for a hydraulic press forging process with multiple localized solutions［J］. IEEE Transactions on Industrial Informatics, 2015,11(3):663-670.
［13］ZHANG N, SHETTY D. An effective LS-SVM-based approach for surface roughness prediction in machined surfaces［J］. Neurocomputing, 2016,198:35-39.
［14］CHAMKALANI A, ZENDEHBOUDI S, BAHADORI A, et al. Integration of LSSVM technique with PSO to determine asphaltene deposition［J］. Journal of Petroleum Science and Engineering, 2014,124:243-253.
［15］YIN S, JIANG Y C, TIAN Y, et al. A data-driven fuzzy information granulation approach for freight volume forecasting［J］. IEEE Transactions on Industrial Electronics, 2017,64(2):1447-1456.
［16］LONG B, XIAN W M, LI M， et al. Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance［J］. Neurocomputing, 2014,133:237-248.
［17］CLERC M. Particle Swarm Optimization［M］. New York: John Wiley & Sons, 2010.
［18］RIBEIRO R S D F. Fuzzy Logic Based Automated Irrigation Control System Optimized via Neural Networks［D］. America: The University of Tennessee, 1998.
［19］BREIMAN L. Random forests［J］. Machine Learning, 2001,45(1):5-32.
［20］〖JP2〗雷武,廖闻剑,彭艳兵. 基于随机森林与LambdaMART的搜索排序模型［J］. 计算机与现代化, 2017(3):54-58.
［21］石礼娟,谢彪彪,谢新港,等. 基于组合核函数的籼稻重度不宜存检测模型［J］. 农业机械学报, 2013,44(8):165-168.

[1]	杨博, 庄毅. 基于AOA-MSVM的控制集群故障检测方法[J]. 计算机与现代化, 2023, 0(12): 112-116.
[2]	潘思源, 张伟. 基于改进LSTM算法的锂电池SOC估计[J]. 计算机与现代化, 2023, 0(08): 25-30.
[3]	杨孙哲, 孙爱珍. 基于HSV颜色与LBP纹理特征的水稻氮素营养诊断[J]. 计算机与现代化, 2023, 0(07): 86-92.
[4]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[5]	申志, 李元 . 基于KPCA和SSA优化SVM的非线性过程故障检测#br#[J]. 计算机与现代化, 2023, 0(06): 15-20.
[6]	尹建丰, 卫鑫, 顾雄伟, 黄凯, 魏敏捷. 基于图像阈值优化及改进SVM的电表数字识别[J]. 计算机与现代化, 2023, 0(05): 106-110.
[7]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[8]	曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.
[9]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[10]	赵延平, 王芳, 夏杨. 基于支持向量机的短文本分类方法[J]. 计算机与现代化, 2022, 0(02): 92-96.
[11]	赵聪慧, 冯庆胜. 基于DT-CWT和SVM的踏面旋转不变纹理提取算法[J]. 计算机与现代化, 2021, 0(12): 85-90.
[12]	牛奉高, 冯世佳, 黄琛. 基于CLSVSM的惩罚性矩阵分解及其在文本主题聚类中的应用[J]. 计算机与现代化, 2021, 0(05): 66-72.
[13]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[14]	黄旭彬, 梁树杰. 基于PCA融合PSO-SVM的运动想象脑电信号分类方法[J]. 计算机与现代化, 2021, 0(03): 70-76.
[15]	王文蔚, 肖军弼, 程鹏, 张悦. 基于SDN的DDoS攻击防御系统[J]. 计算机与现代化, 2021, 0(02): 117-121.

基于PSO与LS-SVM的作物需水量预测

Predicting Crop Water Requirements Based on Particle Swarm Optimization #br# and Least Square Support Vector Machine

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价