[發(fā)明專利]一種基于主成分分析的雞蛋產(chǎn)量預(yù)測(cè)PSO-SVM回歸模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202011163847.3
• 申請(qǐng)日: 2020-10-27
• 公開(kāi)（公告）號(hào): CN112348238A
• 公開(kāi)（公告）日: 2021-02-09
• 發(fā)明（設(shè)計(jì)）人: 蔣敏蘭;吳沛?zhèn)?/a>
• 申請(qǐng)（專利權(quán)）人: 浙江師范大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06N3/00;G06N20/10
• 代理公司: 杭州中利知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33301
• 代理人: 盧海龍

本發(fā)明提供一種基于主成分分析的雞蛋產(chǎn)量預(yù)測(cè)PSO?SVM回歸模型，包括利用主成分分析了影響蛋雞產(chǎn)蛋率與最高舍溫、最低舍溫、體重、日齡、飼料消耗之間的關(guān)系；根據(jù)主成分分析的結(jié)果，對(duì)數(shù)據(jù)每一維特征賦予合適的權(quán)重；將權(quán)重賦予之后的結(jié)果作為PSO?SVM的輸入，使用PSO?SVM算法建立蛋雞產(chǎn)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。利用主成分分析與相關(guān)性分析研究蛋雞產(chǎn)蛋率與日齡、舍溫、體重、飼料消耗等特征之間的相關(guān)性，根據(jù)6項(xiàng)特征的Pearson相關(guān)系數(shù)對(duì)各個(gè)特征賦予權(quán)重,對(duì)產(chǎn)蛋率影響較大的特征給予較大的權(quán)，在此基礎(chǔ)上對(duì)賦權(quán)后的數(shù)據(jù)利用SVM進(jìn)行雞蛋產(chǎn)量回歸建模，并使用PSO算法對(duì)SVM中參數(shù)進(jìn)行優(yōu)化，具有精度高、抗干擾性強(qiáng)等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)建模、算法優(yōu)化、數(shù)據(jù)分析技術(shù)領(lǐng)域，具體涉及一種基于主成分分析的雞蛋產(chǎn)量預(yù)測(cè)PSO-SVM回歸模型。

背景技術(shù)

雞蛋作為蛋類消費(fèi)品的主導(dǎo)者，為人體提供豐富的蛋白質(zhì)、脂肪、礦物質(zhì)和各種維生素等，營(yíng)養(yǎng)價(jià)值極高。根據(jù)世界糧食與農(nóng)業(yè)組織統(tǒng)計(jì)，2015年全球產(chǎn)蛋量超過(guò)7000萬(wàn)公噸，前五位產(chǎn)蛋國(guó)的產(chǎn)量占總需求的55％，其中我國(guó)產(chǎn)蛋量位居世界第一。引起雞蛋產(chǎn)量變化的特征十分復(fù)雜，雞蛋產(chǎn)量的變化可以反映一個(gè)時(shí)間段內(nèi)養(yǎng)殖場(chǎng)中環(huán)境變化、蛋雞的生長(zhǎng)變化等諸多特征，提前預(yù)測(cè)雞蛋產(chǎn)量數(shù)據(jù)可以提高養(yǎng)殖場(chǎng)的經(jīng)濟(jì)效益，同時(shí)也為養(yǎng)殖場(chǎng)下一階段需要投入多少生產(chǎn)資源提供重要的參考依據(jù)。目前對(duì)雞蛋產(chǎn)量預(yù)測(cè)大多使用傳統(tǒng)方法進(jìn)行建模，存在精度低、抗干擾能力差等缺點(diǎn)。

主成分分析是多元分析方法之一，其旨在利用降維思想，在信息損失允許范圍內(nèi)，將多個(gè)特征轉(zhuǎn)化為幾個(gè)綜合特征，即主成分。主成分之間互不相關(guān)，但每個(gè)主成分都是原始特征的線性組合。

支持向量機(jī)(SVM)是Vapnik和Cortes等在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的一種機(jī)器學(xué)習(xí)方法，該方法利用在逼近精度和模型復(fù)雜性之間折中，尋求風(fēng)險(xiǎn)最小化的思想，以達(dá)到良好的逼近效果，SVM回歸通過(guò)非線性變換的方法將實(shí)際樣本數(shù)據(jù)利用核函數(shù)映射到高維特征空間，再構(gòu)造決策性函數(shù)實(shí)現(xiàn)線性回歸。而支持向量機(jī)(SVM)在被提出后在分類和回歸方面均有不錯(cuò)的性能，但仍然存在參數(shù)選擇的問(wèn)題，參數(shù)c(懲罰因子)與g(選擇RBF核函數(shù)后產(chǎn)生的超參數(shù))的選擇會(huì)極大的影響SVM的性能，選擇一個(gè)合適的參數(shù)成為需要解決的問(wèn)題。粒子群優(yōu)化算法(PSO)模擬鳥(niǎo)集群飛行覓食的行為，通過(guò)集體的協(xié)作使群體達(dá)到最優(yōu)，可以為SVM模型選擇最優(yōu)的參數(shù)，本申請(qǐng)借助SVM回歸理論，在主成分分析基礎(chǔ)上建立了基于PSO-LSSVM的產(chǎn)蛋率多影響特征的高精度回歸模型。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的某種或某些技術(shù)問(wèn)題，本發(fā)明提供一種基于主成分分析的雞蛋產(chǎn)量預(yù)測(cè)PSO-SVM回歸模型，利用多個(gè)影響因素建立產(chǎn)蛋率回歸模型，具有精度高、抗干擾性強(qiáng)等優(yōu)點(diǎn)。

為解決上述現(xiàn)有的技術(shù)問(wèn)題，本發(fā)明采用如下方案：一種基于主成分分析的雞蛋產(chǎn)量預(yù)測(cè)PSO-SVM回歸模型，包括步驟一、利用主成分分析了影響蛋雞產(chǎn)蛋率與最高舍溫、最低舍溫、體重、日齡、飼料消耗之間的關(guān)系；

步驟二、根據(jù)主成分分析的結(jié)果，對(duì)數(shù)據(jù)每一維特征賦予合適的權(quán)重；

步驟三、將權(quán)重賦予之后的結(jié)果作為PSO-SVM的輸入，使用PSO-SVM算法建立蛋雞產(chǎn)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。

進(jìn)一步地，所述回歸模型建模步驟依次為：開(kāi)始→讀取數(shù)據(jù)→主成分分析→每一維特征賦予權(quán)重→保存數(shù)據(jù)，并作為SVM輸入→PSO-SVM建立模型。

進(jìn)一步地，所述主成分分析步驟包括步驟1、選擇初始變量，根據(jù)選擇的初始變量中度量或取值范圍是否相同形成分析協(xié)方差矩陣或分析相關(guān)矩陣；

步驟2、用雅克比方法求分析協(xié)方差矩陣或分析相關(guān)矩陣的特征值和相應(yīng)的特征向量后利用式求得貢獻(xiàn)率并選擇主成分，其表達(dá)式如下：