CN110458362A - 基于svm支持向量机模型的粮食品质指标预测方法 - Google Patents

Abstract

本发明公开一种基于SVM支持向量机模型的粮食品质指标预测方法，包括：选取一部分第t期粮食作为样本粮食；测量所述样本粮食的质量指标数据和品质指标数据作为样本数据；根据所述样本数据构建SVM支持向量机模型；测量第t期粮食的质量指标数据，并根据构建完成的SVM支持向量机模型预测第t期粮食的品质指标。本发明根据SVM支持向量机模型便可以预测同期粮食的相应品质指标数据，整个过程可以减少测量工作量，效率高，节约人力物力。

Description

基于SVM支持向量机模型的粮食品质指标预测方法

技术领域

本发明涉及粮食储存领域，具体涉及一种基于SVM支持向量机模型的粮食品质指标预测方法。

背景技术

众所周知，保障我国粮食储备安全是关系到国计民生的重大事项，而如何预测储存的粮食品质变化对评估粮食储存状态的好坏有重要意义，现有技术中，关于粮食品质指标的研究大部分是基于实验萃取的方法，但是由于每个生态区、每个仓库的粮食初始水平各异，如果每个生态区、每个仓库的粮食品质指标均用实验萃取的方法获得，会大大降低效率，浪费人力物力。

发明内容

为克服现有技术的不足，本发明提供一种基于SVM支持向量机模型的粮食品质指标预测方法，对于第t期粮食来说，先测量第t期粮食中的一小部分粮食的质量指标数据和品质指标数据，并通过测量到的质量指标数据和品质指标数据来建立SVM支持向量机模型，建立好SVM支持向量机模型后，对于第t期粮食的其余大部分粮食而言，只需测量质量指标数据即可，根据SVM支持向量机模型便可以预测相应品质指标数据，整个过程可以减少测量工作量，效率高，节约人力物力。为解决以上技术问题，本发明通过下面的技术手段实现：

基于SVM支持向量机模型的粮食品质指标预测方法，包括：

选取一部分第t期粮食作为样本粮食；

测量所述样本粮食的质量指标数据和品质指标数据作为样本数据{(x_i，t，y_i，t)|i＝1，2，…，k}，其中，x_i为质量指标数据，y_i，t为与x_i，t对应的品质指标数据，k为样本数据量；

根据所述样本数据构建SVM支持向量机模型；

测量第t期粮食的质量指标数据，并根据构建完成的SVM支持向量机模型预测第t期粮食的品质指标。

进一步地，质量指标数据x_i，t＝[X1_i，t，X2_i，t，X3_i，t，X4_i，t，X5_i，t]，品质指标数据y_i，t＝[Y_i，t]，其中X1_i，t表示水分数据，X2_i，t表示杂质数据，X3_i，t表示完整粒率，X4_i，t表示整精米率，X5_i，t表示黄粒米率。

进一步地，根据所述样本数据构建SVM支持向量机模型包括：

分别从样本数据中抽取一部分数据构成训练集{(x^P _i，t，y^P _i，t)|i＝1，2，…，k}，其中，x^P _i，t＝[X1^P _i，t，X2^P _i，t，X3^P _i，t，X4^P _i，t，X5^P _i，t,]，y^P _i，t＝[Y^P _i，t]；

对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，其中，x^R _i，t＝[X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t，X5^R _i，t,]，y^R _i，t＝[Y^R _i，t]；

根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型。

进一步地，对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}包括：

令X1^R _i，t＝(X1^P _i，t－min(X1^P _i，t))/(max(X1^P _i，t)—min(X1^P _i，t))；

X2^R _i，t＝(X2^P _i，t－min(X2^P _i，t))/(max(X2^P _i，t)—min(X2^P _i，t))；

X3^R _i，t＝(X3^P _i，t－min(X3^P _i，t))/(max(X3^P _i，t)—min(X3^P _i，t))；

X4^R _i，t＝(X4^P _i，t－min(X4^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

X5^R _i，t＝(X5^P _i，t－min(X5^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

其中，X1^P _i，t、X2^P _i，t、X3^P _i，t、X4^P _i，t和X5^P _i，t表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t,中的一个数据，min(X1^P _i，t)、min(X2^P _i，t)、min(X3^P _i，t)、min(X4^P _i，t)和min(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最小值，max(X1^P _i，t)、max(X2^P _i，t)、max(X3^P _i，t)、max(X4^P _i，t)和max(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最大值，max(X1^P _i，t)—min(X1^P _i，t)表示列变量X1^P _i，t的极差，max(X2^P _i，t)—min(X2^P _i，t)表示列变量X2^R _i，t的极差，max(X3^P _i，t)—min(X3^P _i，t)表示列变量X3^R _i，t的极差，max(X4^P _i，t)—min(X4^P _i，t)表示列变量X4^R _i，t的极差，max(X5^P _i，t)—min(X5^P _i，t)表示列变量X5^P _i，t的极差。

进一步地，根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型包括：

通过公式(1)对x^R _i，t进行拟合；

通过公式(2)、公式(3)和公式(4)求取公式(1)中的ω和b；

通过核函数K(x^R _i，t，x^R _j，t)将公式(1)转换到高维空间，得到SVM支持向量机模型回归函数(5)；

f(x^R _i，t)＝(ω·x^R _i，t)+b (1)

其中，ω为法向量，b为位移项，b、ω的取值应使r、d最小且e最大，C为正则化常数，L表示∈-不敏感损失函数ε＞0，ε为拟合精度，ξ_i为目标之上超出ε部分所设，ξ^* _i为目标之下超出ε所设，α_i与α^* _i为Lagrange因子，α_i，α^* _i取值范围是[0，C]，相关参数满足公式(6)、公式(7)和公式(8)：

进一步地，还包括：

通过公式(9)进行模型验证；

其中，RE表示相对误差，O_t为第t期粮食品质指标实测数据，P_t为通过构建完成的基于SVM支持向量机模型预测的第t期粮食品质指标数据，n为模型验证样本数据量。

本发明通过先测量第t期粮食中的一小部分粮食的质量指标数据和品质指标数据，并通过测量到的质量指标数据和品质指标数据来建立SVM支持向量机模型，建立好SVM支持向量机模型后，对于第t期粮食的其余大部分粮食而言，只需测量质量指标数据即可，根据SVM支持向量机模型便可以预测相应品质指标数据，整个过程可以减少测量工作量，效率高，节约人力物力。

附图说明

图1为根据一示例性实施例示出的一种基于SVM支持向量机模型的粮食品质指标预测方法流程图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。

实施例1

如图1所示，本实施例提供一种基于SVM支持向量机模型的粮食品质指标预测方法，包括：

S1：选取一部分第t期粮食作为样本粮食；

S2：测量所述样本粮食的质量指标数据和品质指标数据作为样本数据{(x_i，t，y_i，t)|i＝1，2，…，k}，其中，x_i为质量指标数据，y_i，t为与x_i，t对应的品质指标数据，k为样本数据量；

S3：根据所述样本数据构建SVM支持向量机模型；

S4：测量第t期粮食的质量指标数据，并根据构建完成的SVM支持向量机模型预测第t期粮食的品质指标。

本实施例中，粮食可以为玉米、小麦、粳稻、籼稻等，粮食的指标包括品质指标和质量指标，其中，玉米的品质指标为脂肪酸值，小麦的品质指标为面筋吸水量，粳稻的品质指标为脂肪酸值，籼稻的品质指标为脂肪酸值，粮食的质量指标包括水分、杂质等除品质指标之外的其他指标，根据质量指标建模时，可以根据需要选择质量指标中的某些指标。

作为举例，本实施例需要预测的粮食为某批玉米(同时进入一个库点的玉米为同一批玉米)，当该批玉米进入仓库时可以定义为第1期，固定时段后为第2期，依次递增，第1期的玉米品质指标数据为X_i，1，第2期的玉米品质指标数据为X_i，2，以此类推，其中，上述固定时段可以为1个月，3个月，半年等，要预测该批玉米第t期的品质指标时，可以先抽取一部分玉米出来作为样本玉米，并同时检测样本玉米第t期的质量指标x_i，t和品质指标y_i，t作为样本数据，并根据样本数据建立SVM支持向量机模型，建立好SVM支持向量机模型后，对于第t期粮食的其余大部分粮食而言，只需测量质量指标数据即可，根据SVM支持向量机模型便可以预测相应品质指标数据，整个过程可以减少测量工作量，效率高，节约人力物力。其中，每批样本粮食每期可以记录多个品质指标和多个质量指标，比如，对于同一批样本玉米，在记录指标数据时可以分别记录表层、中间层和底层的指标数据，表层、中间层和底层的品质指标构成该期玉米的一组品质指标数据，表层、中间层和底层的质量指标构成该期玉米的一组质量指标数据。

本实施例中，质量指标数据x_i，t＝[X1_i，t，X2_i，t，X3_i，t，X4_i，t，X5_i，t]，品质指标数据y_i，t＝[Y_i，t]，其中X1_i，t表示水分数据，X2_i，t表示杂质数据，X3_i，t表示完整粒率，X4_i，t表示整精米率，X5_i，t表示黄粒米率。

这里需要说明的是，由于不同的粮食品种，可以根据不同的质量指标预测对应的品质指标，因此，本实施例根据实际需要选择需要预测的粮食的质量指标数据，比如对小麦而言，可以仅选择水分数据作为质量指标数据，其余质量指标数据可以设置为0，也可以直接令x_i，t＝[X1_i，t]。具体实施时，我们对对面筋吸水量预测期望误差为5％以内，从实际预测预测结果看，平均误差在3.2％左右，远低于我们期望误差；对玉米脂肪酸值期望误差为不超过12％，实际误差为11.69％左右；对稻谷脂肪酸值期望误差不超过12％，籼稻实际误差为11.4％，粳稻实际误差为12.69％。

作为优选，根据所述样本数据构建SVM支持向量机模型，即步骤S3包括：

S31：分别从样本数据中抽取一部分数据构成训练集{(x^P _i，t，y^P _i，t)|i＝1，2，…，k}，其中，x^P _i，t＝[X1^P _i，t，X2^P _i，t，X3^P _i，t，X4^P _i，t，X5^P _i，t,]，y^P _i，t＝[Y^P _i，t]；

S32：对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，其中，x^R _i，t＝[X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t，X5^R _i，t,]，y^R _i，t＝[Y^R _i，t]；

S33：根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型。

作为优选，对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，即步骤S32包括：

令X1^R _i，t＝(X1^P _i，t－min(X1^P _i，t))/(max(X1^P _i，t)—min(X1^P _i，t))；

X2^R _i，t＝(X2^P _i，t－min(X2^P _i，t))/(max(X2^P _i，t)—min(X2^P _i，t))；

X3^R _i，t＝(X3^P _i，t－min(X3^P _i，t))/(max(X3^P _i，t)—min(X3^P _i，t))；

X4^R _i，t＝(X4^P _i，t－min(X4^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

X5^R _i，t＝(X5^P _i，t－min(X5^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

其中，X1^P _i，t、X2^P _i，t、X3^P _i，t、X4^P _i，t和X5^P _i，t表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t,中的一个数据，min(X1^P _i，t)、min(X2^P _i，t)、min(X3^P _i，t)、min(X4^P _i，t)和min(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最小值，max(X1^P _i，t)、max(X2^P _i，t)、max(X3^P _i，t)、max(X4^P _i，t)和max(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最大值，max(X1^P _i，t)—min(X1^P _i，t)表示列变量X1^P _i，t的极差，max(X2^P _i，t)—min(X2^P _i，t)表示列变量X2^R _i，t的极差，max(X3^P _i，t)—min(X3^P _i，t)表示列变量X3^R _i，t的极差，max(X4^P _i，t)—min(X4^P _i，t)表示列变量X4^R _i，t的极差，max(X5^P _i，t)—min(X5^P _i，t)表示列变量X5^P _i，t的极差。

作为为优选，根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型，即步骤S33包括：

S331：通过公式(1)对x^R _i，t进行拟合；

S332：通过公式(2)、公式(3)和公式(4)求取公式(1)中的ω和b；

S333：通过核函数K(x^R _i，t，x^R _j，t)将公式(1)转换到高维空间，得到SVM支持向量机模型回归函数(5)；

f(x^R _i，t)＝(ω·x^R _i，t)+b(1)

其中，ω为法向量，ω决定超平面方向，b为位移项，b决定超平面与原点之间的距离，b、ω的取值应使r、d最小且e最大，C为正则化常数，L表示∈-不敏感损失函数ε＞0，ε为拟合精度，ξ_i为目标之上超出ε部分所设，ξ^* _i为目标之下超出ε所设，α_i与α^* _i为Lagrange因子，α_i，α^* _i取值范围是[0，C]，相关参数满足公式(6)、公式(7)和公式(8)：

作为优选，本实施例还包括：

通过公式(9)进行模型验证；

其中，RE表示相对误差，O_t为第t期粮食品质指标实测数据，P_t为通过构建完成的基于SVM支持向量机模型预测的第t期粮食品质指标数据，n为模型验证样本数据量。

这里需要说明的是，本实施例之所以可以通过质量指标预测品质指标，是因为质量指标或是品质指标都是粮食本身的某种特征，人为地根据人们的需要被分为质量指标和品质指标，其实各种特征之间是有联系的，在生物领域中，这种联系可以采用经验或常规方法获得，比如小麦的质量指标水分的高低会影响品质指标面筋吸水量的高低，通过预测到的质量指标水分就可以预测品质指标面筋吸水量的高低，所以本实施例可以先通过质量指标来预测质量指标，然后根据预测的质量指标评估品质指标。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，包括：

选取一部分第t期粮食作为样本粮食；

测量所述样本粮食的质量指标数据和品质指标数据作为样本数据{(x_i，t，y_i，t)|i＝1，2，…，k}，其中，x_i为质量指标数据，y_i，t为与x_i，t对应的品质指标数据，k为样本数据量；

根据所述样本数据构建SVM支持向量机模型；

测量第t期粮食的质量指标数据，并根据构建完成的SVM支持向量机模型预测第t期粮食的品质指标。

2.根据权利要求1所述的基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，质量指标数据x_i，t＝[X1_i，t，X2_i，t，X3_i，t，X4_i，t，X5_i，t]，品质指标数据y_i，t＝[Y_i，t]，其中X1_i，t表示水分数据，X2_i，t表示杂质数据，X3_i，t表示完整粒率，X4_i，t表示整精米率，X5_i，t表示黄粒米率。

3.根据权利要求2所述的基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，根据所述样本数据构建SVM支持向量机模型包括：

分别从样本数据中抽取一部分数据构成训练集{(x^P _i，t，y^P _i，t)|i＝1，2，…，k}，其中，x^P _i，t＝[X1^P _i，t，X2^P _i，t，X3^P _i，t，X4^P _i，t，X5^P _i，t,]，y^P _i，t＝[Y^P _i，t]；

对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，其中，x^R _i，t＝[X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t，X5^R _i，t,]，y^R _i，t＝[Y^R _i，t]；

根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型。

4.根据权利要求3所述的基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，对所述训练集作归一化处理得到{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}包括：

令X1^R _i，t＝(X1^P _i，t－min(X1^P _i，t))/(max(X1^P _i，t)—min(X1^P _i，t))；

X2^R _i，t＝(X2^P _i，t－min(X2^P _i，t))/(max(X2^P _i，t)—min(X2^P _i，t))；

X3^R _i，t＝(X3^P _i，t－min(X3^P _i，t))/(max(X3^P _i，t)—min(X3^P _i，t))；

X4^R _i，t＝(X4^P _i，t－min(X4^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

X5^R _i，t＝(X5^P _i，t－min(X5^P _i，t))/(max(X5^P _i，t)—min(X5^P _i，t))；

其中，X1^P _i，t、X2^P _i，t、X3^P _i，t、X4^P _i，t和X5^P _i，t表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t,中的一个数据，min(X1^P _i，t)、min(X2^P _i，t)、min(X3^P _i，t)、min(X4^P _i，t)和min(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最小值，max(X1^P _i，t)、max(X2^P _i，t)、max(X3^P _i，t)、max(X4^P _i，t)和max(X5^P _i，t)分别表示列变量X1^R _i，t，X2^R _i，t，X3^R _i，t，X4^R _i，t和X5^R _i，t中的最大值，max(X1^P _i，t)—min(X1^P _i，t)表示列变量X1^P _i，t的极差，max(X2^P _i，t)—min(X2^P _i，t)表示列变量X2^R _i，t的极差，max(X3^P _i，t)—min(X3^P _i，t)表示列变量X3^R _i，t的极差，max(X4^P _i，t)—min(X4^P _i，t)表示列变量X4^R _i，t的极差，max(X5^P _i，t)—min(X5^P _i，t)表示列变量X5^P _i，t的极差。

5.根据权利要求3所述的基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，根据{(x^R _i，t，y^R _i，t)|i＝1，2，…，k}，构建SVM支持向量机模型包括：

通过公式(1)对x^R _i，t进行拟合；

通过公式(2)、公式(3)和公式(4)求取公式(1)中的ω和b；

通过核函数K(x^R _i，t，x^R _j，t)将公式(1)转换到高维空间，得到SVM支持向量机模型回归函数(5)；

f(x^R _i，t)＝(ω·x^R _i，t)+b (1)

其中，ω为法向量，b为位移项，b、ω的取值应使r、d最小且e最大，C为正则化常数，L表示∈-不敏感损失函数ε＞0，ε为拟合精度，ξ_i为目标之上超出ε部分所设，ξ^* _i为目标之下超出ε所设，α_i与α^* _i为Lagrange因子，α_i，α^* _i取值范围是[0，C]，相关参数满足公式(6)、公式(7)和公式(8)：

6.根据权利要求5所述的基于SVM支持向量机模型的粮食品质指标预测方法，其特征在于，还包括：

通过公式(9)进行模型验证；

其中，RE表示相对误差，O_t为第t期粮食品质指标实测数据，P_t为通过构建完成的基于SVM支持向量机模型预测的第t期粮食品质指标数据，n为模型验证样本数据量。