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

        ?

        東北地區(qū)稻谷儲(chǔ)藏期間脂肪酸含量的預(yù)測(cè)模型

        2020-05-19 07:48:18王啟陽(yáng)吳文福蘭天憶
        關(guān)鍵詞:糧溫有效積溫儲(chǔ)藏

        王啟陽(yáng),吳文福,蘭天憶

        (吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院,長(zhǎng)春130022)

        0 引 言

        糧食儲(chǔ)備是保障國(guó)家糧食安全的重要物質(zhì)基礎(chǔ)。據(jù)統(tǒng)計(jì),2018年中國(guó)共有標(biāo)準(zhǔn)糧食倉(cāng)房倉(cāng)容6.7億t[1],如何保證糧食儲(chǔ)藏過(guò)程中的品質(zhì)顯得尤為重要。糧食儲(chǔ)藏過(guò)程中,谷物中脂肪酸含量是其品質(zhì)變化的敏感性指標(biāo),常被用來(lái)衡量谷物變質(zhì)程度[2-4]。谷物在儲(chǔ)藏過(guò)程中游離脂肪酸含量隨時(shí)間增加,品質(zhì)也會(huì)隨之下降,到一定程度將不能食用。因此,研究谷物中脂肪酸含量的變化規(guī)律意義重大。

        為了研究谷物中脂肪酸含量的變化規(guī)律,國(guó)內(nèi)外眾多研究人員做了大量研究。Park等將水稻置于不同溫度條件下儲(chǔ)藏一定時(shí)間,結(jié)果表明溫度對(duì)水稻儲(chǔ)藏期間脂肪酸含量的影響非常顯著[5]。楊慧萍等研究了不同溫度和水分條件下粳稻谷的脂肪酸變化規(guī)律,并建立了稻谷脂肪酸值與氣味值的回歸方程[6]。De Alencar等研究了大豆在不同儲(chǔ)存溫度下品質(zhì)的變化規(guī)律,建立了大豆脂肪酸值與儲(chǔ)存時(shí)間的方程,并對(duì)方程進(jìn)行了顯著性分析[7]。Dong等根據(jù)大豆儲(chǔ)藏過(guò)程中脂肪酸值的變化對(duì)大豆的保質(zhì)期進(jìn)行預(yù)測(cè)[8]。宋偉等分析了小麥儲(chǔ)藏積溫與游離脂肪酸關(guān)系,并建立了儲(chǔ)藏積溫與小麥脂肪酸的線性回歸方程[9]。上述方法通過(guò)對(duì)品質(zhì)變化規(guī)律進(jìn)行曲線擬合,得到其品質(zhì)變化方程,進(jìn)而預(yù)測(cè)谷物中脂肪酸含量。

        近年來(lái)機(jī)器學(xué)習(xí)(machine learning,ML)與大數(shù)據(jù)技術(shù)的出現(xiàn),為儲(chǔ)糧安全提供了新的思路,得到廣泛的應(yīng)用。孫勃將BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了儲(chǔ)糧宜存概率的預(yù)測(cè),并基于此設(shè)計(jì)了一套糧食儲(chǔ)存品質(zhì)預(yù)測(cè)軟件[10]。Liu等對(duì)不同儲(chǔ)糧因素引起的糧食損失進(jìn)行了分析和預(yù)測(cè),并建立了基于決策樹(shù)算法的糧食損失預(yù)測(cè)模型[11]。張德賢等提出了基于SVR的糧倉(cāng)儲(chǔ)糧重量檢測(cè)模型[12]。Shen等利用深度神經(jīng)網(wǎng)絡(luò)提出了一種對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行檢測(cè)和識(shí)別的方法,取得了較好的效果[13]。然而,卻鮮有將機(jī)器學(xué)習(xí)方法用于稻谷脂肪酸含量預(yù)測(cè)的報(bào)道。

        綜上所述,本文利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)稻谷在儲(chǔ)藏過(guò)程中的脂肪酸含量(以KOH計(jì))。采用主成分分析方法對(duì)采集所得數(shù)據(jù)進(jìn)行篩選和壓縮,從中選取若干對(duì)稻谷脂肪酸含量具有最佳解釋能力的關(guān)鍵因子,用較少的變量代替原來(lái)較多的變量與脂肪酸含量之間進(jìn)行回歸建模和驗(yàn)證;將選擇的關(guān)鍵預(yù)測(cè)因子分別輸入到多元線性回歸(multiple linear regression,MLR)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN) 、 支 持 向 量 回 歸(support vector regression,SVR)、最小二乘支持向量回歸(least square support vector regression, LSSVR)等模型,并采用均方根誤差等指標(biāo)分析各模型的預(yù)測(cè)性能,探討稻谷脂肪酸含量預(yù)測(cè)的最優(yōu)模型算法,為科學(xué)儲(chǔ)糧提供了依據(jù)。

        1 材料與方法

        1.1 數(shù)據(jù)收集與處理

        1.1.1 數(shù)據(jù)采集

        在本文研究工作中,試驗(yàn)數(shù)據(jù)來(lái)自東北地區(qū)的5個(gè)儲(chǔ)備糧糧庫(kù),其中黑龍江3個(gè)糧庫(kù)、吉林省1個(gè)糧庫(kù)、遼寧省1個(gè)糧庫(kù),共包含35個(gè)糧倉(cāng)。糧庫(kù)作業(yè)人員定期在糧倉(cāng)中扦樣,送至當(dāng)?shù)貦z測(cè)站進(jìn)行相關(guān)數(shù)據(jù)檢測(cè),其中脂肪酸含量檢測(cè)方法按照國(guó)家標(biāo)準(zhǔn)GB/T 29405-2012《糧油檢驗(yàn)谷物及制品脂肪酸值測(cè)定儀器法》中規(guī)定的光度滴定儀法進(jìn)行,水分檢測(cè)按照國(guó)家標(biāo)準(zhǔn)GB/T 5497-1985《糧食、油料檢驗(yàn)水分測(cè)定法》中規(guī)定的定溫定時(shí)烘干法進(jìn)行。糧溫均采用電子檢溫系統(tǒng)檢測(cè)并保存記錄。

        1.1.2 糧溫?cái)?shù)據(jù)處理

        由于設(shè)備故障、天氣及人為因素等影響會(huì)造成糧溫?cái)?shù)據(jù)異?;蛉笔У惹闆r,需要對(duì)收集到的糧溫?cái)?shù)據(jù)進(jìn)行處理:首先將糧情溫度數(shù)據(jù)中數(shù)值過(guò)大、過(guò)小及亂碼的數(shù)據(jù)清除;其次,采用線性插值的方法補(bǔ)全缺失的糧溫?cái)?shù)據(jù)[14]。

        1.1.3 儲(chǔ)藏有效積溫

        儲(chǔ)糧溫度是影響儲(chǔ)糧安全的關(guān)鍵因素[15],對(duì)糧食中脂肪酸含量的影響顯著[16],原因是溫度不僅影響糧食中現(xiàn)有霉菌的種類(lèi),也影響所形成代謝產(chǎn)物的種類(lèi)和產(chǎn)量,從而導(dǎo)致糧食脂肪酸含量的變化[17-19]。因此,本文引入儲(chǔ)藏有效積溫用于稻谷脂肪酸預(yù)測(cè)。當(dāng)溫度高于某一溫度值時(shí),生物體開(kāi)始發(fā)育生長(zhǎng),因其生長(zhǎng)還需一定的時(shí)間,將這一段時(shí)間溫度的積累稱(chēng)為有效積溫[20]。糧食中生物與微生物的大量活動(dòng)能夠?qū)е录Z食發(fā)熱,而糧食溫度高低也直接影響糧食中生物與微生物的活動(dòng)狀況,研究表明儲(chǔ)糧溫度為-8℃時(shí)仍能檢測(cè)到霉菌[21],因此本文取-8℃為儲(chǔ)藏積溫的相對(duì)0點(diǎn)計(jì)算有效積溫,計(jì)算公式為

        式中K為有效積溫,℃·d;Ti為實(shí)測(cè)儲(chǔ)糧溫度,℃;N為計(jì)算儲(chǔ)藏積溫的時(shí)間,d;n儲(chǔ)糧總時(shí)間,d;T0為儲(chǔ)藏積溫相對(duì)0點(diǎn)。

        1.1.4 數(shù)據(jù)歸一化

        標(biāo)準(zhǔn)歸一化處理可使每個(gè)數(shù)據(jù)特征的量綱相同,提高算法的訓(xùn)練速度和精度,研究表明將輸入數(shù)據(jù)歸一到(0,1)范圍內(nèi)的性能表現(xiàn)出優(yōu)于原始輸入數(shù)據(jù)的性能[22],因此,有必要在建立預(yù)測(cè)模型前對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。本文先將原始數(shù)據(jù)歸一化處理,最后將模型輸出值反向轉(zhuǎn)換為原始比例,歸一化公式為

        式中xi和分別為原始數(shù)據(jù)和歸一化后的數(shù)據(jù),xmax和分別為數(shù)據(jù)樣本的最大值和最小值。

        1.2 研究方法

        1.2.1 主成分分析

        谷物中脂肪酸含量受生物、非生物等多種因素影響,因此模型輸入變量的選擇非常重要,它直接影響模型的預(yù)測(cè)精度。本文所收集的因素從個(gè)體來(lái)說(shuō),都與谷物脂肪酸含量有相關(guān)關(guān)系,但建立模型時(shí)選擇變量過(guò)多一方面增加了計(jì)算量和分析問(wèn)題的復(fù)雜性,另一方面也存在信息的重疊現(xiàn)象,因此需要選擇關(guān)鍵影響因子作為模型輸入變量。主成分分析(principal component analysis,PCA)是一種重要的數(shù)據(jù)統(tǒng)計(jì)方法,其利用降維的思想把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo),在保留原始數(shù)據(jù)主要特征前提下,根據(jù)實(shí)際需要從中選取出幾個(gè)較少的變量對(duì)問(wèn)題進(jìn)行定量分析,減少輸入數(shù)據(jù)維度[23]。

        1.2.2 預(yù)測(cè)模型統(tǒng)計(jì)

        1)多元線性回歸

        多元線性回歸(MLR)主要是研究1個(gè)因變量與2個(gè)或2個(gè)以上自變量之間的關(guān)系。它用于根據(jù)2個(gè)或多個(gè)其他變量的值預(yù)測(cè)變量的值。一個(gè)包含k個(gè)預(yù)測(cè)因子(自變量)和一個(gè)響應(yīng)變量(因變量)的線性回歸模型可以表示為

        式中Y為響應(yīng)變量,Xk為預(yù)測(cè)因子,ε0為模型的殘差項(xiàng),β0、β1、β2、…、βk為回歸系數(shù)。

        2)人工神經(jīng)網(wǎng)絡(luò)

        人工神經(jīng)網(wǎng)絡(luò)(ANN)簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò),是基于生物學(xué)中神經(jīng)網(wǎng)絡(luò)的基本原理,在建模過(guò)程中模擬大腦的互聯(lián)性。人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)是通過(guò)一些內(nèi)部計(jì)算從輸入值計(jì)算輸出值,它能夠從實(shí)例中學(xué)習(xí)實(shí)值、離散值和向量值函數(shù),并且對(duì)訓(xùn)練數(shù)據(jù)中的錯(cuò)誤保持較強(qiáng)的魯棒性[24]。本文建立3層人工神經(jīng)網(wǎng)絡(luò)模型,包括1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層。試驗(yàn)過(guò)程使用的梯度優(yōu)化器為Adam,隱藏層激活函數(shù)選擇sigmoid,輸出層為ReLu函數(shù),并設(shè)置epoch為200。

        3)支持向量回歸

        支持向量機(jī)(support vector machine,SVM)是由Vapnik等提出的一種機(jī)器學(xué)習(xí)方法,通過(guò)非線性映射將自變量映射到高維的特征空間,在高維特征空間中尋找一個(gè)最優(yōu)分類(lèi)超平面,使得所有訓(xùn)練樣本距離該最優(yōu)分類(lèi)面的誤差最小[25]。支持向量回歸(SVR)假設(shè)模型輸出與真實(shí)值之間可被容忍最多為ε的偏差,即僅當(dāng)模型輸出與真實(shí)值之間的差別絕對(duì)值大于ε時(shí)才計(jì)算損失,是支持向量機(jī)在回歸問(wèn)題上的應(yīng)用模型[26]。

        4)最小二乘支持向量回歸

        最小二乘支持向量回歸(LSSVR)是SVR的一種改進(jìn)算法,利用二次損失函數(shù)取代傳統(tǒng)支持向量機(jī)中不敏感的損失函數(shù),將標(biāo)準(zhǔn)支持向量機(jī)中的不等式約束條件轉(zhuǎn)化成等式約束,并將損失函數(shù)由誤差和轉(zhuǎn)變?yōu)檎`差的平方和,使求解過(guò)程由二次尋優(yōu)問(wèn)題轉(zhuǎn)化為線性方程組的求解,具有運(yùn)算簡(jiǎn)單、收斂速度快的優(yōu)點(diǎn)[27-28]。

        1.2.3 SVR和LSSVR模型參數(shù)調(diào)節(jié)方法

        1)核函數(shù)的選擇

        支持向量機(jī)常用的核函數(shù)有徑向基核函數(shù)(RBF)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)及線性核函數(shù),引入核函數(shù)的目的是代替高維特征空間的內(nèi)積運(yùn)算,避免出現(xiàn)維數(shù)災(zāi)難[29]。本文選擇RBF,其函數(shù)表達(dá)式為

        式中x為m維輸入向量;xj為第j個(gè)徑向基函數(shù)的中心,與x具有相同的維數(shù);σ為核函數(shù)的寬度參數(shù);為向量x-xj的范數(shù),表示x與xj之間的距離。

        2)粒子群優(yōu)化算法

        粒子群優(yōu)化算法(particle swarm optimization,PSO)[30]是Kennedy和Eberhart在1995年提出的一種隨機(jī)優(yōu)化技術(shù),其思想源于對(duì)鳥(niǎo)類(lèi)群體覓食行為研究,通過(guò)群體中個(gè)體之間的協(xié)作和信息共享來(lái)尋找最優(yōu)解,目前,已經(jīng)廣泛應(yīng)用在約束優(yōu)化和多目標(biāo)優(yōu)化等領(lǐng)域[31-32]。PSO算法具有簡(jiǎn)單易行、魯棒性好、收斂速度快等優(yōu)點(diǎn)[33]。為了提高SVR和LSSVR模型的預(yù)測(cè)性能,本文利用PSO算法確定訓(xùn)練模型的超參數(shù),取平均絕對(duì)百分誤差作為適應(yīng)度函數(shù),并采用10折交叉驗(yàn)證。

        1.2.4 模型評(píng)價(jià)指標(biāo)

        為了全面的評(píng)價(jià)儲(chǔ)糧過(guò)程中脂肪酸變化預(yù)測(cè)模型的性能,本文采用多種評(píng)價(jià)指標(biāo):均方根誤差(root mean square error,RMSE)、平均絕對(duì)誤差(mean absolute error,MAE)、平均絕對(duì)百分誤差(mean absolute percentage error,MAPE) 和決定系數(shù) (coefficient of determination,R2),各評(píng)價(jià)指標(biāo)表達(dá)式如下

        式中fi為預(yù)測(cè)值;yi為測(cè)試樣本的真實(shí)值;yˉ為測(cè)試樣本的平均值;N為測(cè)試樣本集數(shù)量。

        1.2.5 平臺(tái)和環(huán)境

        本研究仿真試驗(yàn)所使用的計(jì)算機(jī)的配置如下:處理器為Intel(R)Core(TM)i5-4200M,CPU頻率為2.5 GHz;內(nèi)存為8.00 GB;操作系統(tǒng)為Windows 10(64-bit);程序設(shè)計(jì)語(yǔ)言為python 3.7(64-bit),集成開(kāi)發(fā)環(huán)境為Anaconda 3。

        2 結(jié)果與分析

        2.1 不同儲(chǔ)藏參數(shù)統(tǒng)計(jì)及Pearson相關(guān)性分析

        經(jīng)過(guò)計(jì)算處理后共得到201條稻谷儲(chǔ)藏?cái)?shù)據(jù),每條數(shù)據(jù)包含10個(gè)儲(chǔ)藏參數(shù):入倉(cāng)月份、初始水分、初始脂肪酸含量、檢測(cè)水分、儲(chǔ)藏有效積溫、儲(chǔ)藏時(shí)間、檢測(cè)糧溫、檢測(cè)倉(cāng)溫、檢測(cè)月份和檢測(cè)脂肪酸含量,各參數(shù)統(tǒng)計(jì)數(shù)據(jù)見(jiàn)表1。

        表2為不同預(yù)測(cè)因子的相關(guān)性分析。由表2可知,檢測(cè)水分與儲(chǔ)藏有效積溫、儲(chǔ)藏時(shí)間以及檢測(cè)糧溫呈極顯著負(fù)相關(guān)(P<0.01),而與初始水分呈極顯著正相關(guān)(P<0.01);儲(chǔ)藏有效積溫與儲(chǔ)藏時(shí)間呈極顯著正相關(guān)(P<0.01);檢測(cè)糧溫與檢測(cè)倉(cāng)溫、檢測(cè)月份呈極顯著正相關(guān)(P<0.01)。由此可見(jiàn),不同預(yù)測(cè)因子之間存在不同程度的相關(guān)性,預(yù)測(cè)因子間存在信息重疊,直接利用進(jìn)行脂肪酸含量預(yù)測(cè)會(huì)導(dǎo)致預(yù)測(cè)結(jié)果出現(xiàn)偏差。因此,需要用主成分分析法將眾多具有一定相關(guān)性的預(yù)測(cè)因子剔除,再用選擇的關(guān)鍵預(yù)測(cè)因子對(duì)稻谷脂肪酸含量進(jìn)行預(yù)測(cè),提高預(yù)測(cè)結(jié)果的可靠性。

        表1 稻谷儲(chǔ)藏參數(shù)統(tǒng)計(jì)Table 1 Statistics on storage parameters of rice

        2.2 關(guān)鍵預(yù)測(cè)因子選取

        采用SPSS軟件對(duì)入倉(cāng)月份、初始水分、初始脂肪酸含量、檢測(cè)水分、儲(chǔ)藏有效積溫、儲(chǔ)藏時(shí)間、檢測(cè)糧溫、檢測(cè)倉(cāng)溫、檢測(cè)月份9個(gè)預(yù)測(cè)因子進(jìn)行主成分分析,探尋影響脂肪酸含量的關(guān)鍵因子,分別得到各主成分的特征值及累積貢獻(xiàn)率,結(jié)果見(jiàn)表3。以特征值大于1.0的原則提取4個(gè)主成分,累計(jì)貢獻(xiàn)率為80.603%,可代表原始數(shù)據(jù)的大部分信息,經(jīng)標(biāo)準(zhǔn)化后的因子負(fù)荷矩陣如表4所示。

        表2 不同儲(chǔ)藏因子間的相關(guān)系數(shù)矩陣Table 2 Correlation coefficient matrix between different storage factors

        由表3和表4可知,第1主成分包含了原始信息量的31.321%,其大小主要由檢測(cè)糧溫、檢測(cè)倉(cāng)溫和檢測(cè)月份決定,命名為溫度因子;第2主成分包含了原始信息的23.719%,其大小主要由儲(chǔ)藏有效積溫和儲(chǔ)藏時(shí)間決定,命名為時(shí)間因子;第3主成分包含了原始信息的14.284%,其大小主要由初始水分決定,命名為水分因子;第4主成分包含了原始信息的11.279%,其大小主要由初始脂肪酸含量決定,命名為初始因子。

        結(jié)合相關(guān)性分析和因子分析的結(jié)果,在溫度因子中,3個(gè)代表因子極顯著相關(guān),檢測(cè)糧溫比檢測(cè)倉(cāng)溫更具有代表性,用以代替該因子;同樣,在時(shí)間因子中,2個(gè)代表因子極顯著相關(guān),儲(chǔ)藏有效積溫更為客觀影響脂肪酸含量的變化,用以代替該因子。因此,本文選擇初始脂肪酸含量、初始水分、儲(chǔ)藏有效積溫、檢測(cè)糧溫4個(gè)預(yù)測(cè)因子作為稻谷脂肪酸含量變化的主要影響因子,即用該4個(gè)預(yù)測(cè)因子預(yù)測(cè)稻谷脂肪酸含量。

        表3 特征值及累積貢獻(xiàn)率Table 3 Eigen value and cumulative variance contribution

        表4 因子負(fù)荷矩陣Table 4 Component matrix

        2.3 SVR和LSSVR模型參數(shù)優(yōu)化

        1)SVR模型參數(shù)優(yōu)化

        SVR模型參數(shù)設(shè)置:粒子群體的大小為30,慣性權(quán)重ω取初始值為0.9,加速度常數(shù)取c1=c2=2,最大迭代次數(shù)為100,判斷終止精度為10-4,正則化參數(shù)C、不敏感參數(shù)ε及核函數(shù)參數(shù)γ的初始搜索范圍分別設(shè)定為[1,1000]、[0.001,0.1]和[0.1,10],搜索過(guò)程中如果超過(guò)邊界則設(shè)為邊界值。通過(guò)PSO算法得到SVR模型的最優(yōu)參數(shù)正則化參數(shù)C、不敏感參數(shù)ε及核函數(shù)參數(shù)γ分別為569.3、0.05、2.7。

        2)LSSVR模型參數(shù)優(yōu)化

        LSSVR模型參數(shù)設(shè)置:粒子群體的大小為30,慣性權(quán)重ω取初始值為0.9,加速度常數(shù)取c1=c2=2,最大迭代次數(shù)為100,判斷終止精度為10-4,正則化參數(shù)C、和核函數(shù)參數(shù)γ的初始搜索范圍分別設(shè)定為[1,1000]和[0.0001,1],搜索過(guò)程中如果超過(guò)邊界則設(shè)為邊界值。LSSVR模型的最優(yōu)超參數(shù)正則化參數(shù)C’和核函數(shù)參數(shù)γ’分別為1000.0和0.003。

        2.4 仿真結(jié)果分析

        將經(jīng)過(guò)歸一化預(yù)處理后的201條樣本數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集,其中訓(xùn)練集樣本數(shù)占總樣本的80%,剩下的20%樣本用于模型性能測(cè)試。將劃分好的數(shù)據(jù)集分別輸入到MLR、ANN、SVR、LSSVR 4種模型,經(jīng)過(guò)仿真試驗(yàn)得到模型的測(cè)試集誤差曲線如圖1所示。由圖1可知,在所測(cè)試的41個(gè)樣本中,LSSVR和MLR2種模型的預(yù)測(cè)誤差波動(dòng)較小,預(yù)測(cè)誤差的范圍分別為:-0.759~0.764 mg/100 g,-0.764~0.802 mg/100 g;ANN和SVR2種模型的預(yù)測(cè)誤差波動(dòng)較大,預(yù)測(cè)誤差的范圍分別為:-0.787~0.902 mg/100 g,-0.814~0.879 mg/100 g。

        圖1 不同模型預(yù)測(cè)結(jié)果的誤差Fig.1 Errors of predicted results of different models

        表5給出了4種模型在測(cè)試集上預(yù)測(cè)性能的指標(biāo)統(tǒng)計(jì)結(jié)果。從表5可得,MLR和LSSVR對(duì)稻谷脂肪酸含量預(yù)測(cè)的MAPE相近,分別為1.615%和1.604%,表明LSSVR得到的結(jié)果要略優(yōu)于MLR;ANN對(duì)稻谷脂肪酸含量預(yù)測(cè)的MAPE為1.708%,相較于LSSVR而言,MAPE值增加了0.176%,表明ANN的預(yù)測(cè)能力要次于LSSVR,即LSSVR的預(yù)測(cè)精度更高;此外,還可看出LSSVR模型的MAPE要明顯低于SVR。對(duì)比4種預(yù)測(cè)模型,LSSVR的預(yù)測(cè)效果明顯優(yōu)于SVR和ANN,略優(yōu)于MLR,說(shuō)明LSSVR預(yù)測(cè)精準(zhǔn)度最高,該回歸模型的決定系數(shù)R2、MAE、MAPE、RMSE分別為0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g。試驗(yàn)結(jié)果表明,LSSVR和MLR對(duì)稻谷脂肪酸含量預(yù)測(cè)達(dá)到了較為理想的效果,預(yù)測(cè)精度高,可以用于儲(chǔ)藏期間稻谷的脂肪酸含量的預(yù)測(cè)。

        表5 不同模型預(yù)測(cè)性能對(duì)比Table 5 Comparisons of predictive performances of different models

        3 結(jié)論與討論

        本文基于機(jī)器學(xué)習(xí)中多種方法,結(jié)合實(shí)際儲(chǔ)藏?cái)?shù)據(jù)對(duì)稻谷脂肪酸含量預(yù)測(cè)方法進(jìn)行了研究,結(jié)論如下:

        1)利用主成分分析方法確定了初始脂肪酸含量、初始水分、檢測(cè)糧溫、儲(chǔ)藏有效積溫4個(gè)預(yù)測(cè)因子作為脂肪酸含量的主要影響因子。

        2)將選擇的關(guān)鍵預(yù)測(cè)因子分別輸入到多元線性回歸(multiple linear regression,MLR)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、 支 持 向 量 回 歸(support vector regression,SVR)、最小二乘支持向量回歸(least square support vector regression,LSSVR)模型進(jìn)行了仿真試驗(yàn)。在測(cè)試集中LSSVR模型預(yù)測(cè)結(jié)果的決定系數(shù)R2、MAE、MAPE、RMSE分別為0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g,略優(yōu)于MLR,明顯優(yōu)于ANN和SVR。仿真結(jié)果表明,LSSVR和MLR對(duì)稻谷脂肪酸含量預(yù)測(cè)精度高,達(dá)到了較為理想的效果,可以用于儲(chǔ)藏期間稻谷的脂肪酸含量的預(yù)測(cè)。

        因獲取儲(chǔ)糧數(shù)據(jù)數(shù)量有限,下步可嘗試擴(kuò)大訓(xùn)練樣本和測(cè)試樣本數(shù)量,使用更多的數(shù)據(jù)訓(xùn)練MLR、ANN、SVR、LSSVR模型。同時(shí)可將天氣、濕度、品種、糧倉(cāng)狀況等因素納入特征范圍,進(jìn)一步提高預(yù)測(cè)精度。

        猜你喜歡
        糧溫有效積溫儲(chǔ)藏
        準(zhǔn)低溫儲(chǔ)藏大米覆膜磷化氫熏蒸效果研究
        有效積溫與不同供氮水平夏玉米干物質(zhì)和氮素積累定量化研究
        收斂式有效積溫與馬鈴薯植株性狀變化的相關(guān)性
        不同裝糧高度和跨度的高大平房倉(cāng)糧溫分布規(guī)律研究*
        糧食加工(2022年3期)2022-06-30 11:52:30
        淺圓倉(cāng)不同通風(fēng)方式降溫效果和耗能對(duì)比*
        淺圓倉(cāng)東西面靠墻糧溫變化研究*
        貴州省中東部水稻有效積溫對(duì)氣候變化的響應(yīng)
        貴州省中東部水稻有效積溫對(duì)氣候變化的響應(yīng)
        西藥藥品的儲(chǔ)藏探討
        便于儲(chǔ)藏的美味
        av网站韩日在线观看免费| 76少妇精品导航| 国产精品高潮无码毛片| 热热久久超碰精品中文字幕 | 香蕉成人啪国产精品视频综合网| 成人国产一区二区三区精品不卡 | 亚洲一区二区三区在线看| 午夜时刻免费入口| 日本亚洲国产一区二区三区| 亚洲精品99久久久久久| 免费人妖一区二区三区| 国产亚洲一区二区在线观看 | 人妻丰满熟妇AV无码片| 亚洲一区二区三区高清视频| 91成人自拍国语对白| 成人h视频在线观看| 中文字幕一区二区三区在线不卡| 视频一区中文字幕日韩| 最美女人体内射精一区二区 | 中文无码久久精品| 欧美成人在线A免费观看| 日本女优中文字幕有码| 亚洲精品无码久久久久y| 国产免费丝袜调教视频| 欧美成人高清手机在线视频| 天堂一区二区三区精品| 放荡的少妇2欧美版| 久久天天躁夜夜躁狠狠躁2022 | 亚洲av毛片在线播放| 国产精品无码素人福利| 国产精品福利自产拍久久| 亚洲AV无码乱码精品国产草莓| 亚洲av产在线精品亚洲第三站 | 国语对白免费观看123| 成年无码av片在线| 毛片无遮挡高清免费久久| 日本在线观看三级视频| 精品国产第一国产综合精品| 国产一品道av在线一二三区| 亚洲天堂av另类在线播放| 国产av在线观看久久|