一种基于PSO-LSSVM算法的粮情安全检测分析方法与流程

本发明属于粮食储存安全监控
技术领域：
，具体涉及一种基于pso-lssvm算法的粮情安全检测分析方法。
背景技术：
：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。技术实现要素：鉴于上述，本发明提供了一种基于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优化，从而提高粮情安全等级预测的准确性，能够解决现有技术中粮情预测方法不能综合考虑影响粮情安全状况的各种因素且预测结果不可靠的技术问题。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。进一步地，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。进一步地，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(nbestk-xk)xk+1＝xk+vk+1其中：xk和xk+1分别为粒子更新前后的位置，vk和vk+1分别为粒子更新前后的速度，c1和c2均为给定的加速系数，rand为0～1之间的随机数，pbk和nbestk分别为更新前的粒子个体极值和群体极值。进一步地，所述步骤3.3中更新个体极值和群体极值的方法为：对于任一粒子，使该粒子当前位置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粒子的当前适应度；进而比较粒子当前适应度与粒子个体极值适应度以及群体极值适应度的大小：若粒子当前适应度小于粒子个体极值适应度，则将粒子当前适应度替换作为粒子个体极值适应度，同时将粒子当前位置替换作为粒子的个体极值，否则保持粒子个体极值以及粒子个体极值适应度不变；若粒子当前适应度小于群体极值适应度，则将粒子当前适应度替换作为群体极值适应度，同时将粒子当前位置替换作为群体极值，否则保持群体极值以及群体极值适应度不变；依据上述，使所有粒子逐一进行比较，其中粒子个体极值适应度即为粒子个体极值作为lssvm的惩罚因子γ以及核函数宽度σ通过训练得到等级分类模型的预测错误率，群体极值适应度即为群体极值作为lssvm的惩罚因子γ以及核函数宽度σ通过训练得到等级分类模型的预测错误率。进一步地，所述步骤3.2中对粒子的速度和位置进行更新后再做限幅处理，能够防止粒子的盲目搜索。进一步地，在所述粒子群优化算法的迭代过程中引入变异机制，即每次对粒子速度和位置更新后以一定的概率重新初始化粒子，该机制能够避免因初值不理想无法得到最优解的情况。基于上述技术方案，本发明具有以下有益技术效果：(1)本发明粮情预测分析方法中，核心的预测模型是根据基于粒子群优化算法的最小二乘支持向量机(pso-lssvm)对已有的粮情历史数据进行整合，优化处理后建立的有效的数学模型，包含各种粮情数据之间的关系以及粮情变化的规律信息，根据预测分析模型，可以对粮情安全等级做出可靠的预测，当粮情安全出现异常时，提示管理人员做好改善粮情的准备，为智慧粮库控制系统的策略提供及时的依据，提高了测控系统的有效性。(2)本发明通过主成分分析法确定主要影响因子，对影响粮情安全的预测有了一定程度上的简化。(3)本发明在惩罚因子和核函数宽度的求解的方法中，通过迭代寻优，进一步提高预测模型的预测精度。附图说明图1为本发明粮情安全分析方法的步骤流程示意图。图2为本发明中粒子群优化算法的流程示意图。具体实施方式为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。如图1所示，本发明基于pso-lssvm的粮情安全检测分析方法，包括以下步骤：(1)设定影响粮情安全等级的多个参数，参数包括粮仓仓外温度、仓内温度、仓外湿度、仓内湿度、粮食温度、粮食水分；其中粮食安全等级用数字123来表征，1表示粮情非常安全，2表示粮情较安全，3表示粮情不安全。(2)收集参数的历史数据，并采用最小-最大规范化方法将历史数据映射到[0,1]空间，形成规范化的历史数据样本，具体公式为：其中：si为样本数据值，max{si}为改组样本最大值，min{si}为该组样本最小值。(3)将样本分为训练集和测试集，采用pca方法对辅助变量信息进行提取，pca能够解决原始数据空间维数过大、变量之间自相关严重等问题。主要影响因子的得出方法是：根据粮情安全等级和影响因子的值，计算影响因子和粮情安全等级之间的关联度，对影响因子和粮情安全等级之间的关联度进行比较，其中关联度较大的影响因子为主要影响因子。(4)建立基于lssvm的多分类模型：设训练样本为y＝[1,...,m]，其中n为输入向量维数，m为类别数，首先将样本分为m类，各类分开写为s＝1,...,m。求得多元分类lssvm的决策函数为：其中：ki(xs,xi)为核函数。(5)通过粒子群优化算法求解惩罚因子γ和核函数的宽度σ。如图2所示，利用pso算法收敛速度快和全局收敛能力强的特点对lssvm两个关键参数惩罚因子γ和核函数的宽度σ进行优化，具体步骤如下：5.1随机产生一个初始种群，并且赋予每个粒子一个随机速度和随机位置，初始种群在解空间中为均匀分布，其中第i个粒子在二维解空间的位置和速度可表示为vi＝[v1,v2]t和xi＝[x1,x2]t，将其中x1的值赋给γ，x2的值赋给σ；每次位置更新时，同时更新惩罚因子γ和核函数的宽度σ。5.2粒子根据个体极值pb和群体极值nbest来更新新的速度和位置：vk+1＝vk+c1rand(pbk-xk)+c2rand(nbestk-xk)xk+1＝xk+vk+1式中：k为迭代次数，c1和c2为加速系数，rand为[0,1]之间的随机数。为防止粒子的盲目搜索，一般建议将其位置和速度限制在一定的区间[-xmax,xmax]、[-vmax,vmax]。基于lssvm多分类器，粒子群中的适应度函数采用lssvm模型训练样本的错误率作为目标函数：其中：n为训练集的样本个数，n为分类正确的个数。5.3对每次迭代后的结果进行分析，fitness(j)代表某次迭代完成后第j个粒子的适应度，fitnessgbest(j)代表第j个粒子个体极值的适应度，fitnesszbest代表群体极值的适应度。用该次迭代得到的当前适应度fitness(j)和个体极值的适应度fitnessgbest(j)进行比较，如果fitness(j)<fitnessgbest(j)，则用fitness(j)替换掉fitnessgbest(j)，同时用当前第j个粒子的当前位置替换为其个体极值pbi；当前适应度fitness(j)和群体极值适应度fitnesszbest进行比较，如果fitness(j)<fitnesszbest，则用fitness(j)替换掉fitnesszbest，同时用第j个粒子的当前位置替换为群体极值nbest。5.4如果适应度值达到预测精度或者达到预设的最大迭代次数，则输出参数最优解，寻优结束，否则，转到步骤5.3进行重新搜索。(6)求解拉格朗日乘子和变量值b。(7)求解核函数，即利用公式求解。(8)将求解出的拉格朗日乘子、变量值b和径向基函数代入分类模型，并用利用测试样本对生成的模型进行测试，对测试结果进行分析，评价该数据融合模型的性能。粒子群优化算法收敛快，具有很强的通用性，但存在着容易早熟收敛、搜索精度较低、后期迭代效率不高等缺点，在粒子群优化算法中引入变异操作，对某些变量以一定的概率重新初始化。变异操作拓展了种群搜索空间，使粒子能够跳出先前搜索到的最优值位置，在更大的空间中开展搜索，同时保持了种群多样性。具体方法为：在普通粒子群算法的基础上引入了简单变异算子，粒子每次更新之后，以一定的概率重新初始化粒子。根据以上步骤，对浙江省某储备粮库2017年粮情安全进行了分析，选取80组数据，分为训练集(60组)和测试集(20组)，同时利用现有svm、bp神经网络、lssvm以及本发明pso-lssvm对相同数据集进行分类预测，预测结果如表1所示：表1预测模型训练集分类精度测试集预测精度bp神经网络83.3％(50/60)85％(17/20)svm90％(54/60)90％(18/20)lssvm86.67％(52/60)90％(18/20)pso-lssvm100％(60/60)100％(20/20)上述对实施例的描述是为便于本
技术领域：
的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。当前第1页12