基于粒子群优化和支持向量机的湘中农业受灾面积预测.docVIP

基于粒子群优化和支持向量机的湘中农业受灾面积预测 　　摘 要：针对径向基核函数的支持向量机对参数选择并非最优问题，引入粒子群优化算法，对其参数进行优化，建立PSO-KSVM湘中农业受灾面积预测模型，从而通过同一样本环境下，对支持向量机预测模型和神经网络预测模型的效果进行对比分析得出：在小样本环境下支持向量机与粒子群优化算法的结合效果更为明显，预测效果更好。 　　关键词：受灾面积预测；支持向量机；核函数；粒子群 　　中图分类号：S42 文献标识码：A DOI：10.11974/nyyjs.20160932216 　　1 支持向量机的理论应用与研究现状 　　支持向量机其核心内容在1995年提出的。是由Vapnik及其合作者共同创造与发展起来的一种新的机器学习方法[1]，通过系统仅能提供的所有信息来探求最有效的把握模型的方式，将统计学习理论的VC维理论和结构风险最小化原理结合来研究向量机，使之为研究提供必要的数据，它更好的解决了小样本、非线性，过拟合，维灾数和局部极小的问题，最终获得最好的泛化能力。因而成功的应用到很多预测领域[2-4]。 　　刘悦[5]根据我国证?皇谐〉奶氐悖?构建了基于支持向量机的股价预测仿真平台，对我国股票价格进行预测。并验证了其预测模型的有效性和可靠性。董雁萍[6]以我国人口增长率为背景对人口增长率非线性问题进行预测，分别建立了支持向量机模型、神经网络模型和自回归模型，3个数学预测模型进行对比，实验结果证明了支持向量机预测模型预测效果最好。林溯[7]以深圳市旅游客流量月度数据为依托，利用支持向量机对其进行了回归和预测，与传统的时间序列分析方法进行了比较，预测误差小于传统的时间序列分析方法。 　　2 支持向量机原理 　　农业灾难数据是属于时间序列型数据，要对其进行的预测问题是属于非线性问题，它涉及的数据具有非线性，所以它的回归问题比较复杂，因此要利用另外的高维空间将它的最优逼近函数发现。当样本集具有非线性时，要利用特定的非线性函数在某高维空间中映射样本数据，使其具备线性性质，以此为基础将回归函数建立出来，所以对于非线性样本，它的回归函数方程是： 　　上式当中，特征空间维数是的维数，引入松弛变量，然后优化问题就变成： 　　上式当中代表了惩罚系数，此系数越大，就说明超出管道数据点的惩罚水平越高。此时要利用Lagrange乘子法来处理此约束问题，所以为： 　　上式当中的代表了Lagrange乘子。根据最优化准则可得：，。当这2个值不都是零时，与它们相呼应的支持向量是；上式当中的相关的是标准支持向量（NSVM）。 　　是核函数，有关的回归函数是 　　而核函数的选择必须满足mercer条件，常见的核函数有：多项式核函数：、径向基核函数：Sigmoid核函数：。 　　3 PSO-KSVM在湘中农业受灾面积预测模型建立 　　3.1 样本数据的来源与预处理 　　本文的数据来源于《湖南农村统计年鉴》和《娄底市农业局农业统计年报》。本文选取1975―2015年的数据作为实验数据如表1。 　　3.2 建模步骤 　　样本归一化处理。但在样本数据里面我们可以发现有3个数据与其他数据特征不太一致，分别是1998年、2008年、2012年。把这些点称为离群点。然后对剩下的数据进行归一化处理有利于避免各个因子之间的量级差别，消除各个因子由于量纲和单位不同的影响。对样本的输入、输出数据进行规格化处理，使规格化后的值在[0.1]。见表2；确定核函数为径向基函数其中是核函数的参数；将粒子群算法与支持向量机结合，发挥粒子群的优点对其优化参数，通过不断迭代和有哪些信誉好的足球投注网站选择出的最优核参数。利用MATLAB软件建立的PSO-KSVM预测模型。 　　3.3 预测结果 　　选择的样本输入向量是32组数据，选择的样本预测输出结果是6组数据，在MATLAB7.0的环境下根据原始数据与以往专家经验定义惩罚系数C=[0，100]，核参数，不敏感损失函数。采用对模型经行优化，得到最优参数组合为：C=66.998，，。 　　3.4 结果分析与对比 　　为了检验模型预测效果在同样的环境下，分别对模型、交叉验证下标准模型和BP神经网络模型进行预测，通过测试样本来检验模型的泛化能力，同时3种模型经行相对误差的比对。 　　可以看出在灾数据中，BP神经网络的平均相对误差为8.11%，与支持向量机平均相对误差对比可以看出在小本数据里面误差比较大，存在过拟合的现象并不适应小样本数据预测。采用交叉验证法的支持向量机平均相对误差为4.93%，而采用PSO-SVM平均相对误差为2.26%，误差小于交叉验证法的支持向量机与BP神经网络，预测效果更好，这是因为粒子群算法数是通过个体间的协作来寻找最优解，效率更高，更容易实现。在有哪些信誉好的足球投注网站参数时能够同时对惩