基于改进支持向量机的温室大棚温度预测.pdf

2020 年 10 期 工艺创新 科技创新与应用 Technology Innovation and Application 基于改进支持向量机的温室大棚温度预测 崔丽珍 边泽山 内蒙古科技大学 信息工程学院 内蒙古 包头 014000 1 概述 我国是农业生产大国 目前现代农业发展也已经进入 全面发展的新时期 因此 准确的温室环境参数对温室环 境科学化管理有着十分重要的经济和现实价值 而温度作 为影响作物生长的重要因素之一 探寻有效的分析方法 最大限度的调控温度降低灾害成为急需解决的技术问题 支持向量机以风险最小化为原则 通过引入核函数为非线 性问题提供高效解决方案 目前已经广泛应用到电力负荷 预测 风速 混煤灰熔点预测等方面 1 2 本文选择改进SVM 方法构建温室大棚温度预测模型 模型的输入因子包括棚 内光照强度 湿度 风速 同时为了获得更高的精确度 在 SVM中引入RBF核函数 及网格搜索方法对SVM中的参 数进行动态寻优 根据实验预测结果可知 采用所提方法 可以高效 准确的把控温室大棚内的温度值 能够为农业 温室温度预测提供参考依据 图1 网格搜索优化SVM参数流程图 2 大棚温度预测 支持向量机建立模型的主要思想是寻找一个分类超 平面 使得正面和反面的隔离边缘最大化 实现结构风险 的最小化 SVM用于解决回归问题时 主要目标是寻求一 个反映样本的最优函数关系 即 K x i x 是核函数 可实现输入样本数据非线性到线性 的映射 核函数主要有多项式核函数 Polynomial kernel function 径向基核函数 Radial Basis Function RBF 等 采用不同函数作为SVM的核函数 可以实现低维输入空 间不同类型的非线性决策面学习机器 在众多不同领域的 研究中 RBF核函数都变现出比其他核函数的建模效果更 好 因此本文选用常用且效果较好的RBF函数作为SVM 的核函数 3 网格搜索 Grid Search GS 算法是一种穷尽式的搜索 算法 遍历所有参数组合 且适用于参数个数较少 样本量 不是很大的模型建立 本文中SVM算法预测时需要训练 的参数只有惩罚因子和核参数 参数个数较少 所以选用 网格搜索优化SVM模型参数 3 结果与分析 本实验选取内蒙古包头市天佑温室大棚为分析对象 以 CC2530 射频芯片为核心的气象数据采集终端 通过 Zigbee协议上传到网关 利用NodeMCU通过MQTT协议 进行数据发送和接收 并将数据保存于MySQL中 4 采集 的因子有光照强度 湿度 风速 选取2019年6月20日到 摘 要 针对温室大棚中影响温度预测的因素以及温室大棚温度变化存在的非线性问题 提出基于改进支持向量机的温度预测模 型 支持向量机选择性能较好的RBF核函数 结合网格搜索算法对支持向量机的核参数和惩罚因子进行动态寻优 考虑光照强度 湿 度 风速对温度的影响 实验结果表明 与其他模型相比 改进的支持向量机预测误差更小 精度更好 关键词 温度预测 改进支持向量机 温室大棚 中图分类号 TP27 文献标志码 A 文章编号 2095 2945 2020 10 0101 02 Abstract Aiming at the factors affecting the temperature prediction in greenhouse and the nonlinear problem of greenhouse tem perature change a temperature prediction model based on improved support vector machine SVM is proposed The support vector machine selects the RBF kernel function with better performance and combines the grid search algorithm to dynamically optimize the kernel parameters and penalty factors of support vector machine considering the effect of light intensity humidity wind level on temperature The experimental results show that the improved support vector machine has smaller prediction error and better accuracy compared with other models Keywords temperature prediction improved support vector machine greenhouse 作者简介 崔丽珍 1968 女 硕士 教授 硕士研究生导师 研究方向 无线传感器网络等 G1 G2 G1 G2G1 G2 G1 G2 G1 G2 c1 c2 c3c3 c4 y f x x b a a K x x bG3 G3 G4G5G6 G7 G3 G8 G7 G9 101 2020年 10期工艺创新 科技创新与应用 Technology Innovation and Application 2019年7月20日作为模型的训练集 2019年 7 月 21 日 到2019年7月29日的数据集作为测试的数据集 同时为 解决变量间单位及数量级不一致的问题 在模型训练时对 数据进行归一化处理 完成模型后对其进行反归一化处 理 实验通过python语言编写 首先进行模型训练调优 训练过程中 设置C的取值范围为 0 100 步长为1 gam ma的取值范围为 0 2 8 步长为0 01 训练出的参数C 15 gamma 0 41 并与线性回归模型 未优化的支持向量机模 型进行对比 实验结果利用均方根误差和决定系数作为模 型评估指标 表1 模型评估结果 式中 Y i 为真实温度值 f x i 模型预测的温度值 均方 根误差是用来衡量观测值与真实值直接的偏差 决定系数 用来说明因变量变化的可靠程度 RMSE越小 R 2 越大 表 明模型预测精度越高 不同模型的评估结果如表1所示 算法模型预测的温度值如图2所示 由图2和表1可知 本文所提的改进的支持向量机算 法对温室大棚的温度预测效果更好 精度更高 4 结束语 本文考虑大棚内光照强度 湿度 风速对棚内温度预 测的影响 提出了一种RBF为SVM核函数 网格搜索算法 对其进行参数优化的温度预测模型 对输入的数据进行归 一化处理 对温度预测模型中的参数进行动态寻优 并与 其他模型进行对比分析 结果显示所提改进支持向量机模 型对大棚温度预测效果更好 性能更优 更能满足实践生 产需要 另外 支持向量机是根据支持向量构建推理模型 对输入因子的数量没有明显的限制 因此可以通过增加影 响因子 对预测模型进一步完善 使模型更具实用性 同 时 本文所建立的模型只适用于特定时间特定环境的大棚 气候 其他大棚温度预测模型要根据具体采集数据调整模 型参数 参考文献 1 周新志 邵伦 李荣昆 等 基于小波去噪和改进型PSO SVM的 微波加热温度预测模型研究 J 化工学报 2018 69 S2 291 299 2 王红娜 基于支持向量机的混煤灰熔点预测 D 华北电力大学 2017 3 朱树先 李芸 祝勇俊 等 RBF支持向量机用于多类混叠的人 脸识别研究 J 控制工程 2019 26 04 773 776 4 崔丽珍 徐锦涛 丁福星 等 基于物联网的农业大棚气象数据监 测系统设计 J 电子技术应用 2018 44 12 73 76 80 G1 G2G1 G2 G1 G2 c1 c2 c3 c4 c2c3 c2 c1 c4 y f x RMSE n y f R 1 y y G3 G4 G3 G4 G3 G5 G6 G7G8 G7G3 G8 G7 G8 G7G8 G9 GA GB GB GB G1 G1G2G3 G4G5G6G7G8G9G3 GAGBGCG3 GDGAGEGAGBGCG3 GFGCGAG10G3 G11G12G13G14G3 G11G12G15G16G3 G17G12G18G11G3 GF c1 G3 G17G12G18G16G3 G17G12G19G11G3 G17G12G19G14G3 图2 温度预测结果 102