亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于GSA-SVM的畜禽舍廢氣監(jiān)測(cè)缺失數(shù)據(jù)恢復(fù)方法

        2015-11-30 08:56:23劉金明謝秋菊馬鐵民
        關(guān)鍵詞:監(jiān)測(cè)數(shù)據(jù)廢氣種群

        劉金明,謝秋菊,王 雪,馬鐵民

        (黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院,黑龍江 大慶 163319)

        基于GSA-SVM的畜禽舍廢氣監(jiān)測(cè)缺失數(shù)據(jù)恢復(fù)方法

        劉金明,謝秋菊,王 雪,馬鐵民

        (黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院,黑龍江 大慶 163319)

        針對(duì)畜禽舍內(nèi)廢氣監(jiān)測(cè)過程中因傳感器故障等原因造成部分監(jiān)測(cè)數(shù)據(jù)缺失的問題,將遺傳模擬退火算法與支持向量機(jī)相結(jié)合,提出一種基于GSA-SVM的缺失數(shù)據(jù)恢復(fù)方法。該方法綜合考慮畜禽舍廢氣監(jiān)測(cè)值對(duì)應(yīng)的時(shí)間、空間和環(huán)境等多種影響因素,建立支持向量機(jī)回歸預(yù)測(cè)模型對(duì)缺失的監(jiān)測(cè)數(shù)據(jù)進(jìn)行恢復(fù)性估算;為獲得更好的預(yù)測(cè)結(jié)果,使用遺傳模擬退火算法對(duì)模型參數(shù)進(jìn)行優(yōu)化。以氨氣濃度數(shù)據(jù)的恢復(fù)為例,隨機(jī)選取某養(yǎng)殖場(chǎng)3 d的監(jiān)測(cè)數(shù)據(jù)驗(yàn)證。結(jié)果表明,缺失數(shù)據(jù)估算最大相對(duì)誤差為6.69%,平均相對(duì)誤差為1.87%,估算數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)誤差很小,可有效對(duì)缺失性數(shù)據(jù)進(jìn)行恢復(fù),為畜舍廢氣監(jiān)測(cè)提供可行數(shù)據(jù)恢復(fù)處理方法。

        遺傳模擬退火算法;支持向量機(jī);畜禽舍;廢氣監(jiān)測(cè);數(shù)據(jù)恢復(fù)

        網(wǎng)絡(luò)出版時(shí)間2015-4-30 14:32:00 [URL]http://www.cnki.net/kcms/detail/23.1391.S.20150430.1432.008.html

        劉金明,謝秋菊,王雪,等.基于GSA-SVM的畜禽舍廢氣監(jiān)測(cè)缺失數(shù)據(jù)恢復(fù)方法[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2015,46(5):95-101.

        Liu Jinming,Xie Qiuju,Wang Xue,et al.Method of missing data recovery of waste gases monitoring in animal buildings based on GSA-SVM[J].Journal of Northeast Agricultural University,2015,46(5):95-101.(in Chinese with English abstract)

        畜禽飼養(yǎng)過程中產(chǎn)生的各種有害氣體,對(duì)畜禽健康生長和食品安全產(chǎn)生影響[1-2]。因此,連續(xù)可靠地監(jiān)測(cè)養(yǎng)殖場(chǎng)內(nèi)廢氣濃度[3],精確計(jì)算廢氣排放量,對(duì)分析各種有害氣體排放規(guī)律和影響因素[4],采取有效措施控制和處理有害氣體有重要意義。在生豬飼養(yǎng)過程中,為分析畜禽舍內(nèi)有害氣體排放規(guī)律,需在畜禽舍內(nèi)安裝多種有害氣體濃度檢測(cè)傳感器,實(shí)時(shí)監(jiān)測(cè)其濃度,將監(jiān)測(cè)數(shù)據(jù)保存到上位機(jī)的數(shù)據(jù)庫中供相關(guān)人員查看、分析。然而,畜禽舍內(nèi)復(fù)雜環(huán)境可導(dǎo)致傳感器漂移或損壞,造成監(jiān)測(cè)數(shù)據(jù)偏差或錯(cuò)誤[5-6]。監(jiān)測(cè)過程中采集到的廢氣濃度數(shù)據(jù)在傳輸過程中,也可能由于線路問題導(dǎo)致失真或丟失。為保證監(jiān)測(cè)數(shù)據(jù)完整性和準(zhǔn)確性,需要對(duì)缺失廢氣濃度監(jiān)測(cè)數(shù)據(jù)進(jìn)行恢復(fù)。但畜禽舍內(nèi)廢氣濃度與時(shí)間、空間和環(huán)境等多種因素相關(guān),各因素之間存在相互作用,是復(fù)雜的非線性系統(tǒng),使用線性插值方法進(jìn)行缺失數(shù)據(jù)恢復(fù)誤差較大。朱偉興等提出使用神經(jīng)網(wǎng)絡(luò)進(jìn)行廢氣監(jiān)測(cè)缺失數(shù)據(jù)處理,取得較好估算結(jié)果[5-6]。但神經(jīng)網(wǎng)絡(luò)存在局部極小值問題,容易出現(xiàn)過學(xué)習(xí)。

        支持向量機(jī)(Support vector machine,SVM)是基于小樣本統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的機(jī)器學(xué)習(xí)方法[7],具有良好泛化能力,彌補(bǔ)神經(jīng)網(wǎng)絡(luò)不足,能有效處理各種非線性問題,廣泛用于各種回歸預(yù)測(cè)問題的求解[8-9]。SVM相關(guān)參數(shù)選取直接關(guān)系到SVM預(yù)測(cè)精度,采用網(wǎng)格搜索方法進(jìn)行SVM參數(shù)尋優(yōu)時(shí),尋優(yōu)步長設(shè)置較小時(shí)才可能獲得較好尋優(yōu)效果,但需要大量計(jì)算時(shí)間。因此,學(xué)者提出基于粒子群算法(Particle swarm opti?mization,PSO)[10-11]、遺傳算法(Genetic algorithm, GA)[12-13]等智能算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化。其中,GA有較強(qiáng)魯棒性和全局優(yōu)化搜索能力,適用于SVM參數(shù)尋優(yōu)問題求解,但存在早熟問題,在進(jìn)化后期搜索效率較低。因此,本文將模擬退火算法(Simulated annealing algorithm,SA)的退溫思想和Metropolis判別準(zhǔn)則引入GA的種群進(jìn)化過程中,構(gòu)建遺傳模擬退火算法(Genetic simulated annealing algorithm,GSA)克服標(biāo)準(zhǔn)GA的早熟問題,提高其后期優(yōu)化搜索能力,使用GSA對(duì)SVM參數(shù)進(jìn)行尋優(yōu),提出一種基于GSA-SVM預(yù)測(cè)模型的畜禽舍廢氣監(jiān)測(cè)缺失數(shù)據(jù)恢復(fù)方法。

        1 材料與方法

        1.1 GSA-SVM理論基礎(chǔ)

        GA和SA都是優(yōu)秀的智能計(jì)算方法[14]。GA是一種具有高度非線性映射、自適應(yīng)和自組織功能的智能全局優(yōu)化算法,廣泛用于各種組合優(yōu)化問題求解,但其存在容易過早收斂和進(jìn)化后期搜索效率低缺點(diǎn)。SA計(jì)算過程簡單,魯棒性強(qiáng),選優(yōu)能力強(qiáng),適用于求解復(fù)雜非線性優(yōu)化問題,但其性能對(duì)初值依賴性強(qiáng)、全局搜索最優(yōu)解的能力差。將二者相結(jié)合形成GSA混合算法,可利用SA 為GA提供更加多樣性搜索空間,有效避免陷入局部最優(yōu);GA選擇、交叉和變異操作為SA提供新解,增強(qiáng)SA爬山能力;SA算子得到的解有選擇地為GA提供新種群,提高GA收斂速度,使混合算法在較短時(shí)間內(nèi)得到近似全局最優(yōu)解。

        SVM非線性回歸基本思想是利用非線性變換將原問題映射到高維特征空間的線性問題上,并在該空間中進(jìn)行線性回歸,而這種非線性變換通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)。在高維特征空間中,線性問題中的內(nèi)積運(yùn)算可用核函數(shù)代替,常用有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基(Radial basis function,RBF)核函數(shù)、Sigmoid核函數(shù)等。在選定核函數(shù)基礎(chǔ)上,SVM預(yù)測(cè)模型參數(shù)選取對(duì)預(yù)測(cè)精度影響很大。結(jié)合交叉驗(yàn)證的網(wǎng)格搜索算法是比較常用的SVM參數(shù)優(yōu)化方法,但其耗時(shí)且性能有待提高。GSA具有全局搜索能力強(qiáng)、收斂速度快優(yōu)勢(shì),能直接依據(jù)SVM預(yù)測(cè)值與真實(shí)值的誤差在編碼后的種群中搜索SVM最優(yōu)參數(shù),通過選擇、交叉、變異和模擬退火選擇復(fù)制等操作在指定范圍內(nèi)隨機(jī)地進(jìn)行SVM參數(shù)尋優(yōu)。經(jīng)過若干代遺傳進(jìn)化后,得到適應(yīng)度最佳的個(gè)體即可作為SVM預(yù)測(cè)模型最優(yōu)參數(shù)。

        1.2 SVM輸入輸出確定及處理

        為實(shí)現(xiàn)對(duì)缺失的廢氣監(jiān)測(cè)數(shù)據(jù)進(jìn)行恢復(fù)性估算,綜合考慮畜禽舍內(nèi)廢氣濃度與時(shí)間、空間和環(huán)境等多種因素的關(guān)系,建立SVM多輸入單輸出預(yù)測(cè)模型,對(duì)某一時(shí)刻廢氣監(jiān)測(cè)缺失數(shù)據(jù)進(jìn)行恢復(fù)。多個(gè)輸入包括:缺失數(shù)據(jù)采樣點(diǎn)前一時(shí)刻廢氣濃度監(jiān)測(cè)數(shù)據(jù)、相鄰采樣點(diǎn)相鄰采樣時(shí)刻廢氣濃度變化量,以及缺失數(shù)據(jù)采樣點(diǎn)處對(duì)應(yīng)環(huán)境溫度、相對(duì)濕度和風(fēng)速監(jiān)測(cè)值。輸出為缺失數(shù)據(jù)采樣點(diǎn)廢氣濃度估算值。通過長時(shí)間連續(xù)監(jiān)測(cè)數(shù)據(jù)對(duì)SVM進(jìn)行訓(xùn)練,得到模型保存輸入自變量與輸出因變量之間非線性映射關(guān)系,成為缺失數(shù)據(jù)估算器。當(dāng)出現(xiàn)監(jiān)測(cè)數(shù)據(jù)缺失時(shí),只需取相應(yīng)數(shù)據(jù)輸入SVM預(yù)測(cè)模型,即可完成缺失數(shù)據(jù)的恢復(fù)性估算。但在使用輸入輸出數(shù)據(jù)對(duì)SVM進(jìn)行訓(xùn)練和預(yù)測(cè)前,應(yīng)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,公式如下:

        式中,y為歸一化后的數(shù)據(jù),x為歸一化前的監(jiān)測(cè)數(shù)據(jù),xmax為監(jiān)測(cè)數(shù)據(jù)最大值,xmin為監(jiān)測(cè)數(shù)據(jù)最小值,ymax為設(shè)定的歸一化后數(shù)據(jù)最大值,ymin為設(shè)定的歸一化后數(shù)據(jù)最小值。若xmax與xmin大小相等,即監(jiān)測(cè)到某一數(shù)據(jù)相同,直接設(shè)定y=ymin。通過多次測(cè)試后發(fā)現(xiàn),將輸入自變量的歸一化區(qū)間設(shè)定為[-1,1],將輸出因變量的歸一化區(qū)間設(shè)定為[0,1],SVM預(yù)測(cè)模型估算效果最佳。

        1.3 SVM核函數(shù)選取

        SVM核函數(shù)建立原始樣本空間到特征空間的一個(gè)隱式映射,其基本思想是將原始空間中線性不可分問題轉(zhuǎn)化為高維特征空間中線性可分問題。在利用SVM解決回歸預(yù)測(cè)問題時(shí),選擇恰當(dāng)?shù)暮撕瘮?shù)是影響SVM預(yù)測(cè)精度的重要因素。王霞等研究可知,在求解非線性多因素預(yù)測(cè)問題時(shí),RBF核函數(shù)SVM預(yù)測(cè)模型表現(xiàn)明顯優(yōu)勢(shì),預(yù)測(cè)精度最高[15]。因此,本文采用RBF核函數(shù)作為SVM預(yù)測(cè)模型核函數(shù),計(jì)算公式如下:

        1.4 SVM參數(shù)GSA尋優(yōu)

        SVM預(yù)測(cè)模型參數(shù)選取對(duì)預(yù)測(cè)精度影響大,本文采用K折交叉驗(yàn)證結(jié)合GSA對(duì)SVM預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化,待優(yōu)化參數(shù)包括懲罰參數(shù)C、核函數(shù)參數(shù)γ和不敏感損失函數(shù)參數(shù)ε。

        1.4.1 編碼和種群初始化

        利用GSA對(duì)SVM進(jìn)行參數(shù)尋優(yōu)時(shí),采用的編碼方式為二進(jìn)制實(shí)數(shù)編碼。SVM的3個(gè)參數(shù)C、γ 和ε對(duì)應(yīng)染色體的3個(gè)基因,每個(gè)基因編碼成k位二進(jìn)制數(shù)。

        染色體結(jié)構(gòu)如圖1所示。

        圖1染色體結(jié)構(gòu)Fig.1 Structure of chromosome

        其中,二進(jìn)制序列a1a2…ak為參數(shù)C編碼基因,二進(jìn)制序列b1b2…bk為參數(shù)γ的編碼基因,二進(jìn)制序列c1c2…ck為參數(shù)ε的編碼基因。以參數(shù)C的編碼基因a1a2…ak為例,其對(duì)應(yīng)的實(shí)數(shù)解碼公式為:

        式中,[U1,U2]為參數(shù)C的取值范圍,k為單個(gè)基因的二進(jìn)制碼長,本文取k=20,則染色體碼長為60位。

        在進(jìn)行種群初始化時(shí),隨機(jī)產(chǎn)生一個(gè)N×M的二元矩陣即可,其中N為初始種群中染色體數(shù)量,M為染色體碼長。

        1.4.2 適應(yīng)度函數(shù)設(shè)計(jì)

        本文采用K折交叉驗(yàn)證結(jié)合GSA對(duì)SVM參數(shù)進(jìn)行最優(yōu)化,而SVM預(yù)測(cè)模型的目的是預(yù)測(cè)值與實(shí)際值誤差盡量小,可直接把K折交叉驗(yàn)證均方誤差(Mean squared error,MSE)作為目標(biāo)函數(shù)。結(jié)合溫度參數(shù)對(duì)適應(yīng)度函數(shù)定義如下:

        式中,f(x)為當(dāng)前染色體的目標(biāo)函數(shù)值,fmin為當(dāng)前代種群中最小目標(biāo)函數(shù)值,t為當(dāng)前代溫度值。

        結(jié)合溫度參數(shù)設(shè)計(jì)適應(yīng)度函數(shù),算法在高溫時(shí)計(jì)算的適應(yīng)度值差異較小,有效避免個(gè)別優(yōu)良個(gè)體充斥整個(gè)種群造成早熟;而低溫時(shí)優(yōu)良個(gè)體具有相對(duì)更大的適應(yīng)度函數(shù)值,易遺傳給下一代,加快算法搜索速度。

        1.4.3 遺傳操作設(shè)計(jì)

        GA遺傳操作包括選擇、交叉和變異3種。選擇操作采用結(jié)合最優(yōu)保留策略的賭輪選擇方法,交叉操作采用單點(diǎn)交叉,變異操作采用多位變異。

        1.4.4 初溫確定及退溫操作

        初溫確定采用t0=Kδ的形式,其中K是正整數(shù),δ=fmax-fmin,fmax和fmin為初始種群中最大和最小目標(biāo)函數(shù)值。

        退溫操作采用tn+1=αtn的形式,其中0<α<1,α決定降溫速度。

        1.4.5 鄰域解的構(gòu)建

        依據(jù)算法編碼方式,鄰域解的構(gòu)建采用多位變異策略,具體方案為:分別在當(dāng)前染色體3個(gè)基因中隨機(jī)選取一位進(jìn)行位變異。

        1.4.6 狀態(tài)接收函數(shù)

        將每一代經(jīng)GA遺傳操作后的種群作為模擬退火算法種群,對(duì)種群中每個(gè)染色體構(gòu)建鄰域解后進(jìn)行基于Metropolis判別準(zhǔn)則的選擇復(fù)制。假設(shè)為染色體i構(gòu)造鄰域解j,令Δf=fit(j)-fit(i),若Δf≥0,則接受鄰域解j到下一代種群;若Δf<0,則生成隨機(jī)數(shù)r∈[0,1],當(dāng)r<exp(Δf/tn)時(shí),仍接受鄰域解j到下一代種群;否則,將原染色體i復(fù)制到下一代種群中。

        采用此選擇復(fù)制策略,在高溫時(shí)接受劣質(zhì)解能力較強(qiáng),保證種群多樣性,避免早熟,低溫時(shí)優(yōu)良染色體更易遺傳給下一代,加快算法收斂速度。

        1.5 SVM缺失數(shù)據(jù)預(yù)測(cè)

        在完成SVM 參數(shù)尋優(yōu)后,可將優(yōu)化后參數(shù)C、γ、ε和訓(xùn)練集帶入訓(xùn)練函數(shù)進(jìn)行訓(xùn)練,進(jìn)而建立SVM預(yù)測(cè)模型,然后再使用測(cè)試集對(duì)該預(yù)測(cè)模型進(jìn)行測(cè)試評(píng)價(jià),完成缺失監(jiān)測(cè)數(shù)據(jù)恢復(fù)性估算。在使用該預(yù)測(cè)模型進(jìn)行恢復(fù)性估算時(shí),測(cè)試集每個(gè)樣本中前一時(shí)刻的廢氣濃度監(jiān)測(cè)數(shù)據(jù)這個(gè)屬性應(yīng)是上一樣本的廢氣濃度估算值,即由前一時(shí)刻估算值結(jié)合當(dāng)前時(shí)刻的其他屬性預(yù)測(cè)當(dāng)前時(shí)刻值,是一個(gè)典型時(shí)間序列預(yù)測(cè)問題。

        運(yùn)用GSA-SVM預(yù)測(cè)模型進(jìn)行缺失數(shù)據(jù)恢復(fù)估算具體流程見圖2。

        圖2 缺失數(shù)據(jù)恢復(fù)流程Fig.2 Flowchart of missing data recovery

        2 結(jié)果與分析

        2.1 數(shù)據(jù)來源

        本文以美國印第安納北部某畜禽養(yǎng)殖場(chǎng)連續(xù)監(jiān)測(cè)3 d氨氣濃度歷史數(shù)據(jù)處理為例,對(duì)缺失數(shù)據(jù)恢復(fù)方法進(jìn)行評(píng)測(cè)。其中,氨氣濃度和環(huán)境參數(shù)等相關(guān)監(jiān)測(cè)數(shù)據(jù)采樣1次·h-1,3 d共計(jì)72組數(shù)據(jù)樣本。測(cè)試系統(tǒng)時(shí),以前48個(gè)樣本作為訓(xùn)練集,后24個(gè)樣本作為測(cè)試集。經(jīng)預(yù)處理后的部分?jǐn)?shù)據(jù)樣本如表1所示。

        表1 部分試驗(yàn)數(shù)據(jù)Table 1 Some experimental data

        2.2 相關(guān)參數(shù)設(shè)定

        運(yùn)用K折交叉驗(yàn)證結(jié)合GSA對(duì)SVM預(yù)測(cè)模型進(jìn)行參數(shù)最優(yōu)化時(shí),相關(guān)參數(shù)設(shè)定包括:種群規(guī)模為20,遺傳代數(shù)為50,初始溫度參數(shù)K為100,退溫系數(shù)α為0.8,懲罰參數(shù)C、核函數(shù)參數(shù)γ和不敏感損失函數(shù)參數(shù)ε尋優(yōu)范圍分別是[0,100]、[0,100]和[0.001,1],交叉概率0.7,變異概率0.7/M(M為染色體碼長),采用5折交叉驗(yàn)證。測(cè)試得到最佳預(yù)測(cè)模型對(duì)應(yīng)SVM參數(shù)尋優(yōu)結(jié)果為:C為30.7696,γ為0.1062,ε為0.0353。參數(shù)尋優(yōu)進(jìn)化過程如圖3所示。

        圖3 參數(shù)尋優(yōu)過程Fig.3 Optimization process of parameters

        由圖3可知,在進(jìn)化前期(高溫時(shí))GSA求得的平均目標(biāo)函數(shù)值與最佳目標(biāo)函數(shù)值差異較大,而進(jìn)化后期(低溫時(shí))平均目標(biāo)函數(shù)值更接近最佳目標(biāo)函數(shù)值。原因在于GSA結(jié)合溫度參數(shù)設(shè)計(jì)適應(yīng)度函數(shù),引入基于Metropolis判別準(zhǔn)則的選擇復(fù)制策略。在高溫時(shí),不同染色體對(duì)應(yīng)適應(yīng)度函數(shù)值差異較小,接受劣質(zhì)解能力較強(qiáng),保證種群相對(duì)多樣性,有效避免早熟;在低溫時(shí),優(yōu)良染色體具有更大適應(yīng)度函數(shù)值,遺傳給下一代,加快算法收斂速度。

        2.3 仿真結(jié)果分析

        將參數(shù)C、γ、ε和訓(xùn)練集帶入訓(xùn)練函數(shù)進(jìn)行訓(xùn)練后得到SVM預(yù)測(cè)模型,對(duì)應(yīng)訓(xùn)練結(jié)果見圖4。

        圖4 訓(xùn)練集回歸擬合結(jié)果Fig.4 Regression results of training set

        由圖4可知,GA-SVM預(yù)測(cè)模型能很好擬合訓(xùn)練集,其MSE為0.0009。

        采用訓(xùn)練好的SVM預(yù)測(cè)模型對(duì)測(cè)試集進(jìn)行測(cè)試驗(yàn)證時(shí),針對(duì)這個(gè)時(shí)間序列預(yù)測(cè)問題,沒有采用MSE作為評(píng)價(jià)標(biāo)準(zhǔn),而是采用相對(duì)誤差對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。通過多次測(cè)試,得到最佳預(yù)測(cè)模型對(duì)應(yīng)的測(cè)試集回歸擬合結(jié)果為:最大相對(duì)誤差為6.69%,最小相對(duì)誤差為0.03%,平均相對(duì)誤差為1.87%。測(cè)試集回歸擬合結(jié)果如圖5所示。

        圖5 測(cè)試集回歸擬合結(jié)果Fig.5 Regression results of test set

        為測(cè)試GSA-SVM預(yù)測(cè)模型在缺失數(shù)據(jù)恢復(fù)方面的性能和效率,本文與BP神經(jīng)網(wǎng)絡(luò)方法、網(wǎng)格搜索參數(shù)尋優(yōu)SVM(簡稱網(wǎng)格-SVM)和遺傳算法參數(shù)尋優(yōu)SVM(簡稱GA-SVM)三種預(yù)測(cè)模型的回歸預(yù)測(cè)精度進(jìn)行對(duì)比。在Win7 64位系統(tǒng)下,使用MATLAB R2012b和LibSVM-3.1工具箱對(duì)各預(yù)測(cè)模型進(jìn)行評(píng)測(cè)。硬件設(shè)備中CPU為Xeon E1230v2,內(nèi)存容量為8 GB。不同回歸預(yù)測(cè)模型預(yù)測(cè)效率和性能對(duì)比結(jié)果如表2所示。

        表2 不同模型預(yù)測(cè)結(jié)果對(duì)比Table 2 Comparison of predict results with different models

        由表2可知,三種SVM預(yù)測(cè)模型的執(zhí)行時(shí)間明顯少于BP神經(jīng)網(wǎng)絡(luò),且三種SVM預(yù)測(cè)模型平均相對(duì)誤差均小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,說明SVM預(yù)測(cè)模型在回歸問題求解方面具有優(yōu)勢(shì)。而GSASVM模型與其他SVM預(yù)測(cè)模型相比,雖然執(zhí)行時(shí)間稍高,但其最大相對(duì)誤差、最小相對(duì)誤差和平均相對(duì)誤差均最小,說明GSA-SVM預(yù)測(cè)精度最高,實(shí)現(xiàn)效率和性能統(tǒng)一,預(yù)測(cè)效果最好。其中GA-SVM和GSA-SVM為多次測(cè)試保存的最佳預(yù)測(cè)結(jié)果。在進(jìn)行實(shí)際缺失數(shù)據(jù)恢復(fù)時(shí),只需保存多次測(cè)試獲得的最佳預(yù)測(cè)模型,并用此模型對(duì)后續(xù)出現(xiàn)缺失數(shù)據(jù)進(jìn)行恢復(fù)性估算。

        在進(jìn)行各種SVM預(yù)測(cè)模型仿真測(cè)試時(shí)發(fā)現(xiàn),除網(wǎng)格-SVM能夠獲得固定預(yù)測(cè)結(jié)果外,使用GA 和GSA兩種智能算法優(yōu)化SVM 參數(shù)得到的C、γ和ε差異較大,每種算法多次測(cè)試結(jié)果不同,雖然對(duì)應(yīng)訓(xùn)練集擬合結(jié)果均很好,但相應(yīng)測(cè)試集回歸擬合結(jié)果差異較大,GA-SVM和GSA-SVM兩種預(yù)測(cè)模型100次測(cè)試得到總平均相對(duì)誤差分別為2.78% 和2.49%,小于BP神經(jīng)網(wǎng)絡(luò)和網(wǎng)格-SVM兩種預(yù)測(cè)模型預(yù)測(cè)誤差??梢奊SA-SVM預(yù)測(cè)模型恢復(fù)性估算精度最高,可滿足畜禽舍內(nèi)有害氣體排放規(guī)律分析需要。

        3 結(jié) 論

        通過綜合考慮畜禽舍內(nèi)廢氣濃度與時(shí)間、空間和環(huán)境等多種因素關(guān)系,建立GSA-SVM回歸預(yù)測(cè)模型,對(duì)廢氣監(jiān)測(cè)缺失數(shù)據(jù)進(jìn)行恢復(fù)性估算。通過估算數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比試驗(yàn)研究表明,缺失數(shù)據(jù)估算的平均相對(duì)誤差為1.87%,與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法、網(wǎng)格和GA參數(shù)尋優(yōu)SVM預(yù)測(cè)方法相比,增強(qiáng)傳感器之間的數(shù)據(jù)互補(bǔ)性,提高監(jiān)測(cè)系統(tǒng)可靠性,為準(zhǔn)確計(jì)量養(yǎng)殖場(chǎng)某一段時(shí)間內(nèi)連續(xù)排放的廢氣總量,分析畜禽舍內(nèi)廢氣排放規(guī)律,采取有效措施對(duì)畜禽排放有害氣體進(jìn)行控制和處理提供依據(jù)。

        [1]謝秋菊,蘇中濱,劉佳薈,等.基于L-M優(yōu)化算法的豬舍氨氣濃度預(yù)測(cè)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(10):74-79.

        [2]高玉紅,孫新勝,曹玉鳳,等.密閉肉牛舍冬季有害氣體的日變化和垂直分布規(guī)律研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44(11): 143-146.

        [3] Heber A J,Ni J Q,Lim T T,et al.Quality assured measurements of animal building emissions:Gas concentrations[J].Journal of the Air and Waste Management Association,2006,56(10):1472-1483.

        [4] Bottcher R W,Keener K M,Munilla R D,et al.Dust and odor emission from tunnel ventilated swine buildings in North Carolina and comparison of different odor evaluation methods[J].Applied Engineering in Agriculture,2004,20(3):343-347.

        [5] 朱偉興,李麗,龐敏.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合在廢氣測(cè)量中的應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2007,17(6):162-165.

        [6] 黃建清,朱偉興,李麗.BP神經(jīng)網(wǎng)絡(luò)在廢氣測(cè)量中的應(yīng)用[J].農(nóng)機(jī)化研究,2009,31(4):191-195.

        [7] Vapnik V N.The nature of statistical learning theory[M].New York:Springger,2000.

        [8] 都平平.基于支持向量機(jī)的綜合地質(zhì)環(huán)境評(píng)價(jià)研究[J].采礦與安全工程學(xué)報(bào),2012,29(4):555-558.

        [9] 戴棟,黃筱婷,代州,等.基于支持向量機(jī)的輸電線路覆冰回歸模型[J].高電壓技術(shù),2013,39(11):2822-2828.

        [10] 劉偉,王建平,劉長虹,等.基于粒子群尋優(yōu)的支持向量機(jī)番茄紅素含量預(yù)測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(4):143-147.

        [11] 單亞鋒,孫朋,徐耀松,等.基于PSO-SVM的煤巖聲發(fā)射源定位預(yù)測(cè)[J].傳感技術(shù)學(xué)報(bào),2013,26(3):402-406.

        [12]劉希亮,趙學(xué)勝,陸峰,等.基于GA-SVM的露天礦拋擲爆破拋擲率預(yù)測(cè)[J].煤炭學(xué)報(bào),2012,37(12):1999-2005.

        [13] 陳偉根,滕黎,劉軍,等.基于遺傳優(yōu)化支持向量機(jī)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型[J].電工技術(shù)學(xué)報(bào),2014,29(1):44-51.

        [14] 賀小亮,畢義明.基于模擬退火遺傳算法的編隊(duì)對(duì)地攻擊火力分配建模與優(yōu)化[J].系統(tǒng)工程與電子技術(shù),2014,36(5):900-904.

        [15]王霞,王占岐,金貴,等.基于核函數(shù)支持向量回歸機(jī)的耕地面積預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(4):204-211.

        Method of missing data recovery of waste gases monitoring in animal buildings based on GSA-SVM

        LIU Jinming,XIE Qiuju,WANG Xue,MA Tiemin(School of InformationTechnology,Heilongjiang BayiAgricultural University,Daqing Heilongjiang 163319,China)

        In order to solve the data missing problem caused by sensor faults during the waste gas monitoring in animal buildings,a method for missing data recovery was presented based on support vector machine(SVM)combined with genetic simulated annealing algorithm(GSA).Multiple factors that influenced monitoring values of the waste gas in animal buildings,such as temporal,spatial and environmental,were considered to established a SVM regression prediction model to estimate the missing data of the waste gas monitoring.Meanwhile,to obtain a better prediction accuracy,model parameters were optimized by the GSA.The data processing of the ammonia concentration was taken as an example,monitoring data of 3 d were randomly selected in a farm to test the presented model in this paper.The results showed that there was a very little error between the estimated data and monitoring data,the maximal relative error was 6.69%, the average relative error was 1.87%.It was an effective method for missing data recovery and a practical way of data processing for waste gases monitoring in animal buildings.

        genetic simulated annealing algorithm(GSA);support vector machine(SVM);animal buildings;waste gas monitoring;data recovery

        TP183

        A

        1005-9369(2015)05-0095-07

        2014-11-13

        黑龍江省青年科學(xué)基金項(xiàng)目(QC2013C065)

        劉金明(1981-),男,講師,碩士,研究方向?yàn)橛?jì)算機(jī)在農(nóng)業(yè)中的應(yīng)用。E-mail:jinmingliu2008@126.com

        猜你喜歡
        監(jiān)測(cè)數(shù)據(jù)廢氣種群
        邢氏水蕨成功繁衍并建立種群 等
        煙囪冒出的有害廢氣
        山西省發(fā)現(xiàn)刺五加種群分布
        有機(jī)廢氣處理方法探討
        液吸汽提法處理粘膠廢氣中二硫化碳的研究
        土壤修復(fù)過程中的廢氣控制與治理
        GSM-R接口監(jiān)測(cè)數(shù)據(jù)精確地理化方法及應(yīng)用
        GPS異常監(jiān)測(cè)數(shù)據(jù)的關(guān)聯(lián)負(fù)選擇分步識(shí)別算法
        基于小波函數(shù)對(duì)GNSS監(jiān)測(cè)數(shù)據(jù)降噪的應(yīng)用研究
        變電站監(jiān)測(cè)數(shù)據(jù)采集系統(tǒng)
        国产一区二区波多野结衣| 亚洲av成人无码久久精品老人| 人妻夜夜爽天天爽三区| 一个人看的www免费视频中文| 精品无码人妻久久久一区二区三区| 成人大片在线观看视频| 免费乱理伦片在线观看| 一本大道久久香蕉成人网| 红杏性无码免费专区| 一本色道久久综合亚洲精品不| 国产综合色在线精品| 午夜福利视频合集1000| 九九精品国产99精品| 伊人久久亚洲精品中文字幕| 西西午夜无码大胆啪啪国模| 亚洲欧洲日产国码高潮αv| 国产亚洲视频在线观看播放| 国产高清人肉av在线一区二区| 比较有韵味的熟妇无码| 国产精品 视频一区 二区三区| 国产不卡一区二区av| 亚洲国产精品高清在线| 亚洲欧美国产国产综合一区| 亚洲国产午夜精品乱码| 白丝美女扒开内露出内裤视频 | 国产一区二区三区观看视频 | 欧美xxxxx高潮喷水| 精品人妻伦九区久久aaa片69| 精品国产品欧美日产在线| 亚洲精品中文字幕一二三| 亚洲av成人无遮挡网站在线观看| 国产熟妇搡bbbb搡bbbb搡| 国产一区二区内射最近人| 国产高清成人午夜视频| 免费人成再在线观看视频 | 自拍视频国产在线观看| 亚洲av不卡一区男人天堂 | 蜜桃av噜噜一区二区三区香| 黄片视频免费观看蜜桃| 无码精品日韩中文字幕| 国产精品伦人视频免费看|