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。