[发明专利]遗传算法优化SVR参数预测稻米粮堆黄度指数的方法

权利要求书

1.本发明公布了一种遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：包括以下步骤，

步骤(A)对原始稻米粮堆数据预处理；

步骤(B)读取稻米粮堆数据并归一化；

步骤(C)利用遗传算法参数寻优；

步骤(D)用寻优得出的最优解设置SVR参数并预测稻米粮堆的黄度指数。

2.根据权利要求1所述的一种遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：步骤(A)，对原始稻米粮堆数据预处理，为了方便工具箱读取稻米特征数据，首先对原始稻米粮堆数据进行特征分类编辑。

3.根据权利要求1所述的一种遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：步骤(B)，读取稻米粮堆数据并归一化，利用libsvm工具箱读取步骤(A)中编辑好的稻米粮堆数据，采用MATLAB自带函数mapminmax将读取的数据，按照相同特征类归一化到[0,1]区间。

4.根据权利要求1所述的一种遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：步骤(C)，利用遗传算法参数寻优,将步骤(B)得到的归一化特征数据传入到遗传算法中来寻找最优惩罚参数c和核函数参数g，初始化遗传算法的参数，包括种群最大数量，最大进化代数，惩罚参数c和核函数参数g的范围等参数，接着进行染色体编码，利用二进制法把个体编码为一个二进制串；在本方法中遗传算法是适应度函数为SVR神经网络，个体的适应度就是SVR预测值和真实值的均方误差，均方误差越小，个体适应度越好；然后进行轮盘赌法进行选择操作，即基于适应度比例的选择策略，轮盘赌法公式为：

f_i＝k/F_i

公式中，F_i为个体的适应度值，k为系数，p_i为每个个体被选择的概率；接下来采取交叉操作，由于染色体编码为二进制编码方式，所以交叉操作方法采用随机交换的方式，即随机选取两个个体染色体进行交叉操作，然后随机选择交换的起点；遗传算法最后一步为便已操作，变异操作的方法如下：

式中，a_min为基因a_ij的下界；a_max为基因a_ij的上界；f(g)＝r₂(1-g/G_max)²；r₂为一个随机数；g为当前迭代次数；G_max为最大进化次数；r为[0,1]之间随机数。

5.根据权利要求1所述的一种遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：步骤(D)，用寻优得出的最优解设置SVR参数并预测稻米粮堆的黄度指数，将遗传算法寻优获得的最佳惩罚参数c和核函数参数g设置为SVR的参数，并将稻米粮堆的特征数据输入到SVR的模型中，预测获得稻米的黄度指数；

SVR支持向量回归是SVM支持向量机的一个重要分支，SVM本身是针对二分类问题的，而SVR则是针对寻找一堆数据的内在关系；支持向量机是要使得到的超平面最近的样本点的“距离”最大；而支持向量回归则是要使得到的超平面最远的样本点的“距离最小”如附图2所示；

回归就像是寻找一堆数据的内在的关系。不论这堆数据有几种类别组成，得到一个公式，拟合这些数据，当给个新的坐标值时，能够求得一个新的值；所以对于SVR，就是求得一个超平面或者一个函数，可以把所有数据拟合了(就是指所有的数据点，不管属于哪一类，数据点到这个超平面或者函数的距离最近)；统计上的理解就是：使得所有的数据的类内方差最小，把所有的类的数据看作是一个类；

传统的回归方法当且仅当回归f(x)完全等于y时才认为是预测正确，需计算其损失；而支持向量回归(SVR)则认为只要是f(x)与y偏离程度不要太大，既可认为预测正确，不用计算损失。