[发明专利]网格搜索方法寻优SVR参数预测稻米粮堆黄度指数的方法

权利要求书

1.本发明公布了一种网格搜索方法优化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）利用网格搜索算法参数寻优;

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所述的一种网格搜索方法优化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所述的一种网格搜索方法优化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所述的一种网格搜索方法优化SVR参数预测稻米粮堆黄度指数的方法，其特征在于：步骤(C)，利用网格搜索方法参数寻优, 将步骤（B）得到的归一化特征数据传入到网格搜索方法中来寻找最优惩罚参数c和核函数参数g，首先初始化数据，包括最优参数c和g，最大及最小c和g取值，以及最小均方误差；然后将c和g划分网格并开始搜索；采用K-CV的方法将稻米的数据大致平均分为K组，其中的K-1组作为训练集，最后一组作为验证集。

5.根据权利要求1所述的一种网格搜索方法优化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，将网格搜索方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1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。