[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

摘要

本发明公开了一种基于粒子群与支持向量机的小麦条锈病预测方法，首先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；然后利用PSO算法不易陷入局部最小、算法简单、计算量小的优点，优化支持向量机的核函数参数g和惩罚因子C，以快速高效地获得最优预测模型，本发明基于逐步回归、PSO和SVM混合算法，实现小麦条锈病准确稳定地预测预报，为小麦条锈病的早期防治提供科学依据。

主权项

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：f(x)=sgn(w*Φ(x)+b*)=sgn(Σi=1lai*yiΦ(xi)·Φ(x)+b*)=sgn(Σi=1lai*yiK(xi,x)+b*)]]>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{(xi,yi),i＝1,2,3...l}中训练样本个数，xi为第i个训练样本的输入列向量，yi为对应的输出值，ai和ai*为下式的最优解max[Σi=1lai-12Σi=1lΣj=1laiajyiyjK(xi,xj)]s.t.0≤ai≤CΣi=1laiyi=0,i=1,2,...l]]>为径向基核函数，σ为宽度参数，C为惩罚因子；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；所述样本数据是从同一地区多年小麦条锈病历年病情病害数据中获取的影响小麦条锈病发病因素，共计58项，对获取的数据进行归一化处理，映射到[0,1]空间，形成规范化的数据样本，处理方法如下：xk=xk′-xminxmax-xmin]]>式中，xk为归一化后的样本数据，xk'为样本的原始数据，xmax,xmin分别为样本数据中的最大值和最小值；所述利用逐步回归法对高维样本进行有效降维的过程包括：首先计算自变量对因变量的贡献率，并按照从大到小的顺序引入回归方程；每选入一个变量，就要对方程中的已有的每个变量进行检验，设自变量被选进模型的显著性水平为0.05，被剔除模型的显著性水平为0.1，当变量显著性P值小于0.05，将其引入回归方程；当变量显著性P值大于0.1，则将其剔除出回归方程；若P值在两者之间，则这个变量将被不断引入、剔除，重复此过程，直到没有变量被引入，也没有变量可剔除为止。