[發明專利]一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型

在審

• 申請號: 202011163847.3
• 申請日: 2020-10-27
• 公開（公告）號: CN112348238A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 蔣敏蘭;吳沛倫
• 申請（專利權）人: 浙江師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/00;G06N20/10
• 代理公司: 杭州中利知識產權代理事務所(普通合伙) 33301
• 代理人: 盧海龍

1.一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：包括步驟一、利用主成分分析了影響蛋雞產蛋率與最高舍溫、最低舍溫、體重、日齡、飼料消耗之間的關系；

步驟二、根據主成分分析的結果，對數據每一維特征賦予合適的權重；

步驟三、將權重賦予之后的結果作為PSO-SVM的輸入，使用PSO-SVM算法建立蛋雞產蛋率與最高舍溫、最低舍溫、體重、日齡、飼料消耗五維特征的回歸模型。

2.根據權利要求1所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：所述回歸模型建模步驟依次為：開始→讀取數據→主成分分析→每一維特征賦予權重→保存數據，并作為SVM輸入→PSO-SVM建立模型。

3.根據權利要求2所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：所述主成分分析步驟包括步驟1、選擇初始變量，根據選擇的初始變量中度量或取值范圍是否相同形成分析協方差矩陣或分析相關矩陣；

步驟2、用雅克比方法求分析協方差矩陣或分析相關矩陣的特征值和相應的特征向量后利用式求得貢獻率并選擇主成分，其表達式如下：式中p_i為每一個因子與產蛋率的相關性,E_j為主成分的特征值。

4.根據權利要求3所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：所述初始變量的記樣本數據為X＝(x₁，x₂，x₃，…，x_i，…，x₂₂₆)^T，共226個樣本，其中每個數據樣本x_i有6維特征，分別為日齡c1、最高舍溫c2、最低舍溫c3、飼料消耗c4、體重c5、產蛋率c6,即x_i＝(x_ic1，x_ic2，…，x_icj，…，x_icj)，對原始數據做標準化處理其中為Var(x_j)為

5.根據權利要求4所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：計算所述樣本相關系數矩陣相關系數計算方式為

6.根據權利要求3所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：所述貢獻率的計算方式為：

7.根據權利要求1所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：將SVM中優化問題的非等式約束替換為為等式約束后形成SLSVM模型，其表達式為：其中約束條件為：y_i(W*x_i+b＝1)，i＝1，2，…，m。

8.根據權利要求7所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：給SLSVM模型中的每一個樣本引入誤差特征ei,并在原始函數中加入誤差特征的L2正則項,優化項表示式為：約束條件為其中，λ為正則化參數。

9.根據權利要求1所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：通過所述粒子群優化算法(PSO)計算出當前搜索到的個體最優解來代替全局最優解，所述粒子群優化算法(PSO)的步驟依次為：開始→讀取訓練數據→讀取測試數據→初始化SVM參數→初始化PSO參數→生成隨機粒子→SVM回歸→計算適應度→更新最優結果→更新粒子→確認是否滿足停止條件，如滿足停止條件則結束，如不滿足停止條件則從新退回到所述SVM回歸步驟進行重新計算至滿足停止條件為止。

10.根據權利要求9所述的一種基于主成分分析的雞蛋產量預測PSO-SVM回歸模型，其特征在于：，所述所述粒子群優化算法(PSO)的計算公式為：

式中v為速度，x為位置，w是慣性因子，c₁、c₂是學習因子，pbest是個體最優位置，gbest是全局最優位置。