CN106845544B - 一种基于粒子群与支持向量机的小麦条锈病预测方法 - Google Patents
一种基于粒子群与支持向量机的小麦条锈病预测方法 Download PDFInfo
- Publication number
- CN106845544B CN106845544B CN201710041252.2A CN201710041252A CN106845544B CN 106845544 B CN106845544 B CN 106845544B CN 201710041252 A CN201710041252 A CN 201710041252A CN 106845544 B CN106845544 B CN 106845544B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- wheat
- stripe rust
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于粒子群与支持向量机的小麦条锈病预测方法，首先利用逐步回归法对高维样本进行有效降维，以消除冗余，减少不相干因素对预报对象的影响；然后利用PSO算法不易陷入局部最小、算法简单、计算量小的优点，优化支持向量机的核函数参数g和惩罚因子C，以快速高效地获得最优预测模型，本发明基于逐步回归、PSO和SVM混合算法，实现小麦条锈病准确稳定地预测预报，为小麦条锈病的早期防治提供科学依据。
Description
技术领域
本发明属于农业病害防治技术领域，特别涉及一种基于粒子群与支持向量机的小麦条锈病预测方法。
背景技术
小麦条锈病是影响我国小麦生产的第一大病害，具有发生区域广、暴发性强、流行频率高、危害损失重等特点，常年发生面积6000－8000万亩，一般发生区可损失产量10-20％，重度流行区可达30％以上，有的地区甚至颗粒无收，严重威胁着我国小麦生产安全。因此，开展小麦条锈病的预测预报方法研究，准确地预测小麦条锈病的发病以及流行趋势，改被动防控为提前主动防控，对指导农户有效防治、减少不必要的损失，具有十分重要的意义。
对小麦条锈病的预测，前人已经有大量的研究，但多以线性分析为基础的数理统计模型。然而小麦条锈病影响因素众多，发病与流行也十分复杂，表现出高度的非线性和多时间尺度特性，传统的预报模型不能有效反映预测过程中的不确定性与非线性，从而影响了模型的拟合和预报精度。近年来，人工智能理论及应用获得了重大突破，为植物病害预测开拓了新的空间,产生了以BP神经网络为代表的新的预测算法。这种算法具有很强的非线性映射能力和自学习能力，可以模拟任意的非线性关系而无需建立精确模型，能用于小麦条锈病这类复杂生境的预测预报，但该方法存在需要大样本、泛化能力差、易陷入局部最优值等缺陷，在学习样本不完备的情况下难以得到准确的预测结论，严重制约了小麦条锈病预测预报的精度。而基于结构风险最小化准则的支持向量机(SVM，Support VectorMachine)具有良好的泛化能力和较高的分类特性，相比神经网络，有效地避免了小样本、高维数、局部最小、过学习等问题。但是，支持向量机模型在关键参数的选取上没有统一的原则,一般按照经验进行取值,需要对其进行优化。目前，对支持向量机参数的优化算法主要有：试凑法、交叉验证法、网格搜索法、遗传算法、粒子群算法、人工免疫算法、蚁群算法等。其中，粒子群算法(Particle Swarm Optimization,PSO)具有很强的局部和全局搜索能力且结构简单、容易实现，可应用于大量非线性、多峰值的复杂问题的优化。采用粒子群优化支持向量机参数方法不但可加速惩罚因子C和核函数参数g的寻优过程，同时也可提高模型的识别能力和分类准确率，使预测预报的效率大为提高。目前，公开发表的文献与专利中尚未见有将粒子群优化支持向量机算法用于小麦条锈病的预测预报的研究。
发明内容
本发明的目的在于提供一种基于粒子群与支持向量机的小麦条锈病预测方法，针对现有支持向量机参数选择困难的问题，采用PSO粒子群优化算法优化支持向量机的惩罚参数C和核函数参数g，使用优化的支持向量机对小麦条锈病的发病等级进行分类与预测，用于解决传统的小麦条锈病预测模型预测精度不高、过度拟合、泛化能力差、初始参数难以确定等问题。
为了实现上述目的，本发明采用的技术方案是：
一种基于粒子群与支持向量机的小麦条锈病预测方法，利用如下预测模型进行预测：
其中，f(x)表示预测的小麦条锈病发病程度，分为不发生或微发生、轻度发生、中度发生、偏重发生和大发生5个等级：
当f(x)＝1，说明不发生或微发生；
当f(x)＝2，说明轻度发生；
当f(x)＝3，说明中度发生；
当f(x)＝4，说明偏重发生；
当f(x)＝5，说明大发生；
输入信号x表示影响小麦发病与流行的主要因素，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(xi,yi),i＝1,2,3...l}中训练样本个数，xi为第i个训练样本的输入列向量，yi为对应的输出值，ai和ai*为下式的最优解
为径向基核函数，σ为宽度参数，C为惩罚因子。
所述宽度参数σ取核函数参数g，所述影响小麦发病与流行的主要因素包括温度、湿度、降雨、菌量。
所述预测模型的建立过程如下：
采集样本数据并归一化；
利用逐步回归法对高维样本进行有效降维，以消除冗余，减少不相干因素对预报对象的影响；
构建基于支持向量机(SVM)的小麦条锈病预测模型f(x)；
利用PSO算法优化支持向量机的核函数参数g和惩罚因子C，获得所述预测模型。
所述样本数据是从同一地区多年小麦条锈病历年病情病害数据中获取的影响小麦条锈病发病因素，包括小麦条锈病秋季菌量(12月份病叶数/667m2)、春季菌量(3月下旬病叶数/667m2)、感病品种面积比例、上年7月至次年5月的每月降水量、平均气温、月平均日照时数、月平均风速、月相对湿度等，共计58项，对获取的数据进行归一化处理，映射到[0,1]空间，形成规范化的数据样本，处理方法如下：
式中，xk为归一化后的样本数据，xk'为样本的原始数据，xmax,xmin分别为样本数据中的最大值和最小值。
所述利用逐步回归法对高维样本进行有效降维的过程包括：
首先计算自变量(58项影响因子)对因变量(小麦条锈病发病程度)的贡献率(即偏回归平方和的大小)，并按照从大到小的顺序引入回归方程。每选入一个变量，就要对方程中的已有的每个变量进行检验。设自变量被选进模型的显著性水平为0.05，被剔除模型的显著性水平为0.1，当变量显著性P值小于0.05，将其引入回归方程；当变量显著性P值大于0.1，则将其剔除出回归方程；若P值在两者之间，则这个变量将被不断引入、剔除，重复此过程，直到没有变量被引入，也没有变量可剔除为止。
在所述58项发病因素中，经过逐步回归分析，得到小麦条锈病发病程度的主要影响因子为春季菌量、秋季菌量、感病品种面积比例、4月份降雨量和2月份降雨量。
所述基于支持向量机(SVM)的小麦条锈病预测模型包括3层，分别为输入层、核函数、输出层；将样本数据以4：1的比例随机划分为训练样本和测试样本两部分；以获取的主要影响因子数据作为输入，输出为病害流行程度的5个等级。
所述利用PSO算法优化支持向量机的核函数参数g和惩罚因子C的主要步骤如下：
1)初始化粒子群：将支持向量机的惩罚因子C和核函数g构成一个粒子(C,g)，设置粒子群种群大小为20，最大迭代次数为200次，惯性权重为w＝1，加速常数c1＝1.5,c2＝1.7，随机给定粒子的初始位置与速度，每个粒子的最好位置pbest表示，全局所有粒子的最好位置用gbest表示；
2)将训练集进行CV意义下的准确率作为PSO的适应度值，即调用LIBSVM算法进行学习和训练，测试并记录分类准确率，作为每个粒子的适应度；
3)对于每个粒子，将其适应值与经历过的最好位置pbest进行比较，若优于pbest，则将该粒子的适应值替代当前最好位置pbest；
4)对于每个粒子，将其适应度值与经历过的全局最好位置gbest进行比较，若优于gbest，则用该粒子的适应度值取代原有全局最好位置gbest，同时保存粒子的当前状态；
5)判断适应度值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，利用粒子与速度方程更新粒子的位置和速度，转至步骤2)，如果满足要求，则终止迭代，获得优化最佳的SVM参数。
Vid k+1＝wVid k+c1r1(Pk id-Xk id)+c2r2(Pk gd-Xk id)
Xk+1＝Xk+Vk+1
其中，r1、r2表示分布在(0，1)区间的随机数；k为当前迭代次数；Pk id为个体最优粒子位置；Pk gd为全局最优粒子位置；V为粒子速度，X为粒子位置。
与现有技术相比，本发明公开了一种基于逐步回归、PSO和SVM混合算法进行小麦条锈病预测预报的方法。该方法首先利用逐步回归法对高维样本进行降维，以消除冗余，减少不相干因素对预报对象的影响；然后利用PSO算法不易陷入局部最小、算法简单、计算量小的优点，优化支持向量机的核函数参数g和惩罚因子C，以快速高效地获得最优预测模型，实现小麦条锈病准确稳定地预测预报，为小麦条锈病的早期防治提供科学依据。
附图说明
图1是本发明方法的流程图
图2是本发明支持向量机的结构图
图3是本发明PSO优化SVM流程图
图4是本发明基于PSO-SVM的小麦条锈病预测结果图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本发明基于逐步回归、PSO和SVM混合算法，进行小麦条锈病预测预报，包括如下步骤：
1、实验样本数据收集
收集汉中地区24年的小麦条锈病历年病情病害数据，共得到影响小麦条锈病发病因素共计58项，分别是小麦条锈病秋季菌量(12月份病叶数/667m2)、春季菌量(3月下旬病叶数/667m2)、感病品种面积比例、上年7月至次年5月的每月降水量、平均气温、月平均日照时数、月平均风速、月相对湿度等。同时，根据农作物主要害虫发生程度等级划分标准，将小条锈病发生程度划分为五级：1级，不发生或轻微发生；2级，轻度发生；3级，中等发生；4级，偏重发生；5级，大发生。
2、数据归一化
对获取的数据进行归一化处理，映射到[0,1]空间，形成规范化的数据样本。处理方法如下：
式中，xk为归一化后的样本数据，xk'为样本的原始数据，xmax,xmin分别为样本数据中的最大值和最小值。
3、逐步回归法降维
采用逐步回归法对归一化数据进行有效降维，用以消除数据间的冗余，减少不相干因素对预测预报对象的影响。具体过程是：计算归一化数据中的各因子的贡献率及累计贡献率，并按照贡献率以及累计贡献率最大的原则，提取主要影响因子。为突出模型解释能力，给定严格的变量选取准则：即当变量显著性P值小于0.05将其引入回归方程；当变量显著性P值大于0.1，则将其剔除出回归方程；若P值在两者之间,则这个变量将被不断引入、剔除，重复此过程，直到没有变量被引入，也没有变量可剔除为止。
采用SPSS22.0统计分析软件对数据逐步回归分析，结果见表1。结果显示：在影响小麦条锈病流行程度的58个因素中，仅春季菌量、秋季菌量、感病品种面积比例、4月份降雨量和2月份降雨量这5个因素对因变量(发病等级)有重要影响进入方程，其余53个自变量对发病等级影响不显著被剔除，具有统计学意义。其次，负相关系数R＝0.950，R2＝0.902，说明在逐步拟合的线性回归方程中因变量(即发病等级)能被自变量解释的占90.2％，其他因素与偶然因素仅占9.8％。因而选取以上5个因素作为预测模型的输入变量。
表1：逐步回归分析模式概述
4、构建基于支持向量机(SVM)小麦条锈病预测模型。
利用如下预测模型进行预测：
其中，f(x)表示预测的小麦条锈病发病程度，分为不发生或微发生、轻度发生、中度发生、偏重发生和大发生5个等级。输入信号x表示影响小麦发病与流行的5个主要因素。w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(xi,yi),i＝1,2,3...l}中训练样本个数，xi为第i个训练样本的输入列向量，yi为对应的输出值，ai和ai*为下式的最优解
为径向基核函数，σ(gama，常用g表示)为宽度参数，C为惩罚因子。
此模型包括3层，如图2所示，分别为输入层、核函数、输出层。样本数据以4：1的比例随机分为训练样本和测试样本两部分。
5、粒子群算法优化SVM参数
利用PSO算法优化支持向量机的核函数参数g和惩罚因子C，具体流程见图3，主要步骤如下：
1)初始化粒子群：将支持向量机的惩罚因子C和核函数g构成一个粒子(C,g)，设置粒子群种群大小为20，最大迭代次数为200次，惯性权重为w＝1，加速常数c1＝1.5,c2＝1.7，随机给定粒子的初始位置与速度，每个粒子的最好位置pbest表示，全局所有粒子的最好位置用gbest表示；
2)将训练集进行CV意义下的准确率作为PSO的适应度值，即调用LIBSVM算法进行学习和训练，测试并记录分类准确率，作为每个粒子的适应度；
3)对于每个粒子，将其适应值与经历过的最好位置pbest进行比较，若优于pbest，则将该粒子的适应值替代当前最好位置pbest；
4)对于每个粒子，将其适应度值与经历过的全局最好位置gbest进行比较，若优于gbest，则用该粒子的适应度值取代原有全局最好位置gbest，同时保存粒子的当前状态；
5)判断适应度值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，利用粒子与速度方程更新粒子的位置和速度，转至步骤2)，如果满足要求，则终止迭代，获得优化最佳的SVM参数。
Vid k+1＝wVid k+c1r1(Pk id-Xk id)+c2r2(Pk gd-Xk id)
Xk+1＝Xk+Vk+1
其中，r1、r2表示分布在(0，1)区间的随机数；k为当前迭代次数；Pk id为个体最优粒子位置；Pk gd为全局最优粒子位置；V为粒子速度，X为粒子位置。
6、结果分析
依据所述粒子群算法，本实施例得到SVM最优参数g＝485.38，C＝1.158，并以此构建SVM模型，预测结果如表2和图4所示，对应全局预测率为95.8％(23/24)其中训练集的预测率为100％(19/19)，测试集的预测率80％(4/5)。
此外，从表2发现，发病等级为3级的样本只有1个，由于样本数量过少导致这一等级预测失误，若样本数量足够，预测精度还可进一步提高。
表2：实际发病程度与预测结果对比
Claims (5)
1.一种基于粒子群与支持向量机的小麦条锈病预测方法，利用如下预测模型进行预测：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>w</mi>
<mo>*</mo>
</msup>
<mi>&Phi;</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
其中，f(x)表示预测的小麦条锈病发病程度，分为不发生或微发生、轻度发生、中度发生、偏重发生和大发生5个等级：
当f(x)＝1，说明不发生或微发生；
当f(x)＝2，说明轻度发生；
当f(x)＝3，说明中度发生；
当f(x)＝4，说明偏重发生；
当f(x)＝5，说明大发生；
输入信号x表示影响小麦发病与流行的主要因素，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(xi,yi),i＝1,2,3...l}中训练样本个数，xi为第i个训练样本的输入列向量，yi为对应的输出值，ai和ai*为下式的最优解
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>max</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>C</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
为径向基核函数，σ为宽度参数，C为惩罚因子；
所述预测模型的建立过程如下：
采集样本数据并归一化；
利用逐步回归法对高维样本进行有效降维，以消除冗余，减少不相干因素对预报对象的影响；
构建基于支持向量机(SVM)的小麦条锈病预测模型f(x)；
利用PSO算法优化支持向量机的核函数参数g和惩罚因子C，获得所述预测模型；
所述样本数据是从同一地区多年小麦条锈病历年病情病害数据中获取的影响小麦条锈病发病因素，共计58项，对获取的数据进行归一化处理，映射到[0,1]空间，形成规范化的数据样本，处理方法如下：
<mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，xk为归一化后的样本数据，xk'为样本的原始数据，xmax,xmin分别为样本数据中的最大值和最小值；
所述利用逐步回归法对高维样本进行有效降维的过程包括：
首先计算自变量对因变量的贡献率，并按照从大到小的顺序引入回归方程；每选入一个变量，就要对方程中的已有的每个变量进行检验，设自变量被选进模型的显著性水平为0.05，被剔除模型的显著性水平为0.1，当变量显著性P值小于0.05，将其引入回归方程；当变量显著性P值大于0.1，则将其剔除出回归方程；若P值在两者之间，则这个变量将被不断引入、剔除，重复此过程，直到没有变量被引入，也没有变量可剔除为止。
2.根据权利要求1所述基于粒子群与支持向量机的小麦条锈病预测方法，其特征在于，所述宽度参数σ取核函数参数g。
3.根据权利要求1所述基于粒子群与支持向量机的小麦条锈病预测方法，其特征在于，所述影响小麦发病与流行的主要因素包括温度、湿度、降雨、菌量。
4.根据权利要求1所述基于粒子群与支持向量机的小麦条锈病预测方法，其特征在于，在所述58项发病因素中，经过逐步回归分析，得到小麦条锈病发病程度的主要影响因子为春季菌量、秋季菌量、感病品种面积比例、4月份降雨量和2月份降雨量。
5.根据权利要求1所述基于粒子群与支持向量机的小麦条锈病预测方法，其特征在于，所述基于支持向量机(SVM)的小麦条锈病预测模型包括3层，分别为输入层、核函数、输出层；将样本数据以4：1的比例随机划分为训练样本和测试样本两部分；以获取的主要影响因子数据作为输入，输出为病害流行程度的5个等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710041252.2A CN106845544B (zh) | 2017-01-17 | 2017-01-17 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710041252.2A CN106845544B (zh) | 2017-01-17 | 2017-01-17 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845544A CN106845544A (zh) | 2017-06-13 |
| CN106845544B true CN106845544B (zh) | 2017-10-20 |
Family
ID=59119240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710041252.2A Expired - Fee Related CN106845544B (zh) | 2017-01-17 | 2017-01-17 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845544B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273615B (zh) * | 2017-06-15 | 2021-06-04 | 东华大学 | 一种基于机器学习的超宽带微波湿度检测方法 |
| CN107423263A (zh) * | 2017-06-29 | 2017-12-01 | 中国农业大学 | 一种枣缩果病预测方法及装置 |
| CN107657287A (zh) * | 2017-10-26 | 2018-02-02 | 贵州电网有限责任公司电力科学研究院 | 一种变压器油酸值多频超声波测试回归预测方法 |
| CN108846370B (zh) * | 2018-06-26 | 2021-08-24 | 安徽大学 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
| CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
| CN110008905B (zh) * | 2019-04-09 | 2021-02-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
| CN110348615B (zh) * | 2019-06-27 | 2023-05-16 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
| CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
| CN110929888B (zh) * | 2019-11-06 | 2023-05-05 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
| CN112819495A (zh) * | 2019-11-18 | 2021-05-18 | 南京财经大学 | 一种基于随机多项式核的用户购物意图预测方法 |
| CN111161879B (zh) * | 2020-02-24 | 2020-10-09 | 吾征智能技术(北京)有限公司 | 一种基于大数据的疾病预测系统 |
| CN111473777A (zh) * | 2020-03-06 | 2020-07-31 | 李�杰 | 一种水文用监测系统及方法 |
| CN112257925A (zh) * | 2020-10-22 | 2021-01-22 | 安徽省农村综合经济信息中心（安徽省农业气象中心） | 一种基于降水和温度的水稻稻曲病预测方法 |
| CN113205205A (zh) * | 2021-04-08 | 2021-08-03 | 安徽农业大学 | 一种基于深度森林算法的小麦赤霉病预测方法 |
| CN113707216A (zh) * | 2021-08-05 | 2021-11-26 | 北京科技大学 | 一种浸润免疫细胞比例计数方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916075B (zh) * | 2010-07-20 | 2012-07-18 | 上海交通大学 | 开度转速双变量播种施肥机的排肥量误差补偿控制系统 |
| CN103617344B (zh) * | 2013-11-02 | 2017-02-08 | 西安电子科技大学 | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 |
-
2017
- 2017-01-17 CN CN201710041252.2A patent/CN106845544B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845544A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845544B (zh) | 一种基于粒子群与支持向量机的小麦条锈病预测方法 | |
| Jahangir et al. | A novel electricity price forecasting approach based on dimension reduction strategy and rough artificial neural networks | |
| Wang et al. | Hour-ahead photovoltaic generation forecasting method based on machine learning and multi objective optimization algorithm | |
| TWI419070B (zh) | 相關性變數篩選系統及其篩選方法 | |
| Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
| CN104523268B (zh) | 一种具备迁移学习能力的脑电信号识别模糊系统方法 | |
| Yu et al. | A hybrid procedure for energy demand forecasting in China | |
| CN104794368A (zh) | 基于foa-mksvm的滚动轴承故障分类方法 | |
| CN107103332A (zh) | 一种面向大规模数据集的相关向量机分类方法 | |
| Zhou et al. | A combined forecasting system based on modified multi-objective optimization and sub-model selection strategy for short-term wind speed | |
| CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
| CN107194600A (zh) | 一种电力负荷季节特性分类方法 | |
| CN107688825A (zh) | 一种改进型的集成加权极限学习机污水处理故障诊方法 | |
| CN110276679A (zh) | 一种面向深度学习的网络个人信贷欺诈行为检测方法 | |
| CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
| Kempa et al. | Investigation of bagging ensembles of genetic neural networks and fuzzy systems for real estate appraisal | |
| CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN103514457A (zh) | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 | |
| CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN101833667A (zh) | 一种基于分组稀疏表示的模式识别分类方法 | |
| CN107886160A (zh) | 一种bp神经网络区间需水预测方法 | |
| CN110110915A (zh) | 一种基于cnn-svr模型的负荷集成预测方法 | |
| CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
| Pei et al. | Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171020 Termination date: 20190117 |