基于LS-SVM番茄产量在线预测.docVIP

基于LS-SVM番茄产量在线预测 　　摘要：番茄酱生产企业为了更好地规划生产，合理地利用资源，降低成本，需要详细掌握不同品种番茄的产量。采用最小二乘法支持向量机（ＬＳ－ＳＶＭ）引入不同品种产量预测加权系数及番茄产量预测过程中番茄生长及环境数据完整性在线处理，合理解决了番茄产量在线预测问题，预测效果理想，为企业安排生产和统筹规划提供参考依据。 　　关键词：番茄产量；ＬＳ－ＳＶＭ；数据处理；预测 　　中图分类号：Ｓ１２６；Ｓ６４１．２ 文献标识码：Ａ 文章编号：0439－８114（２０12）05－1025-03 　　 　　The On-line Prediction of Tomato Yield Based on LS-SVM 　　 　　ＧＡＯ Ｂｉｎｇ－ｐｅｎｇ，ＪＩＡＮＧ Ｂｏ，ＮＡＮ Ｘｉｎ－ｙｕａｎ 　　（Ｔｈｅ Eｌｅｃｔｒｉｃ Eｎｇｉｎｅｅｒｉｎｇ Cｏｌｌｅｇｅ， Ｘｉｎjｉａｎｇ Uｎｉｖｅｒｓｉｔｙ， Ｕｒｍｕｑｉ ８３００４??， Ｃｈｉｎａ） 　　 　　Ａｂｓｔｒａｃｔ： In orｄｅｒ ｔｏ make ｂｅｔｔｅｒ ｐｒｏｄｕｃｔｉｏｎ ｐｌａｎ， ｒａｔｉｏｎａｌ ｕｓｅ ｏｆ ｒｅｓｏｕｒｃｅｓ， ｒｅｄｕｃｅ ｃｏｓｔｓ， ｉｔ ｉｓ ｎｅｃｅｓｓａｒｙ ｆｏｒ ｔｏｍａｔｏ ｐａｓｔｅ ｐｒｏｄｕｃｅｒｓ ｔｏ ｍａｓｔｅｒ ｔｈｅ ｙｉｅｌｄ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｏｍａｔｏ ｖａｒｉｅｔｉｅｓ ｉｎ ｄｅｔａｉｌ． Ｒｅａｓｏｎａｂｌｅ ｓｏｌｕｔｉｏｎ ｔｏ ｔｈｅ ｔｏｍａｔｏ ｙｉｅｌｄ ｏｎｌｉｎｅ ｐｒｅｄｉｃｔｉｏｎ ｗａｓ ｇｉｖｅｎ ｂａｓｅｄ ｏｎ the ｄｉｆｆｅｒｅｎｔ ｖａｒｉｅｔｉｅｓ ｙｉｅｌｄ ｐｒｅｄｉｃｔｉｏｎ ｗｅｉｇｈｔｉｎｇ ｆａｃｔｏｒ ａｎｄ ｏｎｌｉｎｅ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｉｎｔｅｇｒｉｔｙ ｔｏｍａｔｏｅｓ ｐｈｙｓｉｏｌｏｇｉｃａｌ ｇｒｏｗｔｈ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｄａｔａ introduced by least squares support vector machine（LS-SVM）． Ｉｔ ｐｒｏｖｉｄｅｓ ａ ｔｈｅｏｒｅｔｉｃａｌ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｔｈｅ ｐｒｏｄｕｃｔｉｏｎ ａｎｄ overall pｌａｎｎｉｎｇ ｏｆ ｔｈｅ ｅｎｔｅｒｐｒｉｓｅ． 　　Ｋｅｙ ｗｏｒｄｓ： tｏｍａｔｏ ｙｉｅｌｄ； ＬＳ－ＳＶＭ； dａｔａ ｐｒｏｃｅｓｓｉｎｇ； ｐｒｅｄｉｃｔｉｏｎ 　　 　　新疆的番茄年加工量约占全国番茄加工总量的９０％，番茄酱加工产业被称作新疆的“红色产业”之一。然而不同品种的番茄成熟期、单株产量都存在着一定的差异，企业为了更好地规划生产，合理地利用资源，降低单位成本，需掌握不同品种番茄的产量。 　　目前，国内关于番茄产量预测的研究报道较少，关于粮食、棉花等的预测居多。粮食产量的预测大都是根据历年的生产数据进行一个总量的预测，而番茄的预测与之不同，其需要预测不同品种、不同成熟期的产量，以满足番茄酱生产企业对新鲜番茄的持续和及时供应，使番茄产量与加工能力相匹配。番茄产量预测可以利用建立在历年产量静态数据基础上的预测模型进行研究，也可以利用线性规划方法进行番茄产量预测，但因为影响番茄产量的因素很多，包括土壤湿度、日照、施肥、温度等，而这些因素又是非线性的，这两种方法都不能较精确地预测出番茄的产量，所以，采用了改进型的最小二乘法支持向量机（ＬＳ－ＳＶＭ）对番茄产量进行预测，效果较好。 　　１ ＬＳ－ＳＶＭ基本原理 　　ＬＳ－ＳＶＭ是从支持向量机（ＳＶＭ）发展而来的，它将ＳＶＭ中的不等式约束改为等式约束，且将误差平方和损失函数作为训练集的经验损失函数，这样就把解二次规划问题转化为求解线性方程组问题。具体可以表述如下［１，２］： 　　对于一个训练样本集 　　Ｓ＝{（xk，yk|k=1，2，N；xk∈Rn，yk∈R）}，其中预测目标函数可以在特征空间中被描述为： 　　ｍｉｎ Ｊ（ｗ，ξ）=ｗTｗ+Cξ （１） 　　ｓ．ｔ．ｙｉ＝ｗＴ（xi）+b+ξi，i=1，2，…，N （２） 　　在目标函数（１）中，ｗ为权值矢量，C为惩罚因子，ξｉ为误差参数，约束条件（２）中ｂ为偏差。 　　与传统的ＳＶＭ相比，ＬＳ－ＳＶＭ具有更小的计算复杂性和更快的运算速度等优点，同时，探寻ＳＶＭ、神经网络、高斯过程和贝叶斯技术的本质，它可以融合他们的特点；它也可以被扩展为一个自动回归模型去处理动态问题［３］。引入Ｌａｇｒａｎｇｅ乘数αｉ∈Ｒ，等式（１）Ｌａｇｒａｎｇｅ函数可以被定义为 　　Ｌ（ｗ，ｂ，ξ，α）＝Ｊ（ｗ，ξ）－∑αi{ｗＴ（xi）+b+ξi-y