[发明专利]一种基于粒子群与支持向量机的小麦条锈病预测方法

说明书

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 Vector Machine)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{(x_i,y_i),i＝1,2,3...l}中训练样本个数，x_i为第i个训练样本的输入列向量，y_i为对应的输出值，a_i和a_i*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。