[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

说明书

本发明公布了遗传算法优化SVR参数预测稻米粮堆黄度指数的方法。包括以下步骤：首先，将稻米粮堆的特征值按照特定的结构划分编辑好，然后利用MATLAB中的libsvm工具箱读取编辑好的稻米粮堆数据，并进行归一化处理；然后将读取到的数据传入遗传算法中，随机搜索寻找最优惩罚参数c和核函数参数g；最后利用筛选出来的最优解预测稻米粮堆的黄度指数。本发明遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，经过遗传算法寻优和SVR支持向量回归预测，能够有效的提升稻米粮堆黄度指数预测结果的准确性。

技术领域

本发明属于神经网络技术领域，具体为遗传算法优化SVR参数预测稻米粮堆黄度指数方法。

背景技术

全世界大米年产量在5.2亿吨左右，约有39个国家高达10亿以上人口以大米为主要食物，尤以亚洲对稻米的依赖性最强；其中我国年生产大米1.85亿吨，约占世界的35％，居于首位；其次为印度、印尼和泰国。我国也是大米消费大国，目前人均直接年消费大米100kg左右，口粮消费总量1.2亿吨左右。大米是粮食中最难保存的粮品之一，由于保护胚乳的稻壳和皮层在大米加工过程中均被去除，胚乳直接与外界环境温湿度等因素发生联系，且米粒是富含淀粉和蛋白质等营养物质的亲水胶体，极易受湿、热、氧、虫、霉等的影响而变质。特别在夏季高温、高湿条件下，大米品质劣变、霉变速度加快，导致大米酸度增加，粘性下降，使大米食用品质下降甚至丧失食用价值。黄度指数是体现稻米品质的一个重要的参数。因此根据稻米储藏条件来预测稻米黄度指数的研究具有很强的理论价值和现实意义。

神经网络模拟了人类大脑的一部分功能，是实现人工智能的一个重要方法。使用神经网络进行非线性回归预测处理数据，是目前较为广泛的一种应用。与传统的经验模型相比，神经网络预测根据数据间的内在联系拟合关系，使得模型具有更高的可靠性和实用型。大米作为我国主要是消费粮食之一，大米的品质至关重要。然而，对于储藏过程中大米品质的研究还比较少，目前还大多依赖于经验和人工判断，费时费力，准确性也较低。支持向量回归(SVR)是一个较为优秀稳定的神经网络算法，而遗传算法是计算机智能领域中一种并行随机搜索最优化方法，其按照所选择的适应度函数并通过遗传中的选择，交叉和变异对个体进行筛选，使得适应度好的个体被保留，新的个体既继承了上一代的信息，又优于上一代。这样反复循环，直至满足条件。二者配合使用来预测稻米粮堆黄度指数具有非常良好的效果。

发明内容：

本发明公布了遗传算法优化SVR参数预测稻米粮堆黄度指数的方法。包括以下步骤：首先，将稻米粮堆的特征值按照特定的结构划分编辑好，然后利用MATLAB中的libsvm工具箱读取编辑好的稻米粮堆数据，并进行归一化处理；然后将读取到的数据传入遗传算法中，随机搜索寻找最优惩罚参数c和核函数参数g；最后利用筛选出来的最优解预测稻米粮堆的黄度指数。本发明遗传算法优化SVR参数预测稻米粮堆黄度指数的方法，经过遗传算法寻优和SVR支持向量回归预测，能够有效的提升稻米粮堆黄度指数预测结果的准确性。我们方法的具体流程如下：

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。

1.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。

2.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。