2020 年 10 期 工藝創(chuàng)新 科技創(chuàng)新與應用 Technology Innovation and Application 基于改進支持向量機的溫室大棚溫度預測 崔麗珍 邊澤山 內蒙古科技大學 信息工程學院 內蒙古 包頭 014000 1 概述 我國是農業(yè)生產大國 目前現(xiàn)代農業(yè)發(fā)展也已經進入 全面發(fā)展的新時期 因此 準確的溫室環(huán)境參數對溫室環(huán) 境科學化管理有著十分重要的經濟和現(xiàn)實價值 而溫度作 為影響作物生長的重要因素之一 探尋有效的分析方法 最大限度的調控溫度降低災害成為急需解決的技術問題 支持向量機以風險最小化為原則 通過引入核函數為非線 性問題提供高效解決方案 目前已經廣泛應用到電力負荷 預測 風速 混煤灰熔點預測等方面 1 2 本文選擇改進SVM 方法構建溫室大棚溫度預測模型 模型的輸入因子包括棚 內光照強度 濕度 風速 同時為了獲得更高的精確度 在 SVM中引入RBF核函數 及網格搜索方法對SVM中的參 數進行動態(tài)尋優(yōu) 根據實驗預測結果可知 采用所提方法 可以高效 準確的把控溫室大棚內的溫度值 能夠為農業(yè) 溫室溫度預測提供參考依據 圖1 網格搜索優(yōu)化SVM參數流程圖 2 大棚溫度預測 支持向量機建立模型的主要思想是尋找一個分類超 平面 使得正面和反面的隔離邊緣最大化 實現(xiàn)結構風險 的最小化 SVM用于解決回歸問題時 主要目標是尋求一 個反映樣本的最優(yōu)函數關系 即 K x i x 是核函數 可實現(xiàn)輸入樣本數據非線性到線性 的映射 核函數主要有多項式核函數 Polynomial kernel function 徑向基核函數 Radial Basis Function RBF 等 采用不同函數作為SVM的核函數 可以實現(xiàn)低維輸入空 間不同類型的非線性決策面學習機器 在眾多不同領域的 研究中 RBF核函數都變現(xiàn)出比其他核函數的建模效果更 好 因此本文選用常用且效果較好的RBF函數作為SVM 的核函數 3 網格搜索 Grid Search GS 算法是一種窮盡式的搜索 算法 遍歷所有參數組合 且適用于參數個數較少 樣本量 不是很大的模型建立 本文中SVM算法預測時需要訓練 的參數只有懲罰因子和核參數 參數個數較少 所以選用 網格搜索優(yōu)化SVM模型參數 3 結果與分析 本實驗選取內蒙古包頭市天佑溫室大棚為分析對象 以 CC2530 射頻芯片為核心的氣象數據采集終端 通過 Zigbee協(xié)議上傳到網關 利用NodeMCU通過MQTT協(xié)議 進行數據發(fā)送和接收 并將數據保存于MySQL中 4 采集 的因子有光照強度 濕度 風速 選取2019年6月20日到 摘 要 針對溫室大棚中影響溫度預測的因素以及溫室大棚溫度變化存在的非線性問題 提出基于改進支持向量機的溫度預測模 型 支持向量機選擇性能較好的RBF核函數 結合網格搜索算法對支持向量機的核參數和懲罰因子進行動態(tài)尋優(yōu) 考慮光照強度 濕 度 風速對溫度的影響 實驗結果表明 與其他模型相比 改進的支持向量機預測誤差更小 精度更好 關鍵詞 溫度預測 改進支持向量機 溫室大棚 中圖分類號 TP27 文獻標志碼 A 文章編號 2095 2945 2020 10 0101 02 Abstract Aiming at the factors affecting the temperature prediction in greenhouse and the nonlinear problem of greenhouse tem perature change a temperature prediction model based on improved support vector machine SVM is proposed The support vector machine selects the RBF kernel function with better performance and combines the grid search algorithm to dynamically optimize the kernel parameters and penalty factors of support vector machine considering the effect of light intensity humidity wind level on temperature The experimental results show that the improved support vector machine has smaller prediction error and better accuracy compared with other models Keywords temperature prediction improved support vector machine greenhouse 作者簡介 崔麗珍 1968 女 碩士 教授 碩士研究生導師 研究方向 無線傳感器網絡等 G1 G2 G1 G2G1 G2 G1 G2 G1 G2 c1 c2 c3c3 c4 y f x x b a a K x x bG3 G3 G4G5G6 G7 G3 G8 G7 G9 101 2020年 10期工藝創(chuàng)新 科技創(chuàng)新與應用 Technology Innovation and Application 2019年7月20日作為模型的訓練集 2019年 7 月 21 日 到2019年7月29日的數據集作為測試的數據集 同時為 解決變量間單位及數量級不一致的問題 在模型訓練時對 數據進行歸一化處理 完成模型后對其進行反歸一化處 理 實驗通過python語言編寫 首先進行模型訓練調優(yōu) 訓練過程中 設置C的取值范圍為 0 100 步長為1 gam ma的取值范圍為 0 2 8 步長為0 01 訓練出的參數C 15 gamma 0 41 并與線性回歸模型 未優(yōu)化的支持向量機模 型進行對比 實驗結果利用均方根誤差和決定系數作為模 型評估指標 表1 模型評估結果 式中 Y i 為真實溫度值 f x i 模型預測的溫度值 均方 根誤差是用來衡量觀測值與真實值直接的偏差 決定系數 用來說明因變量變化的可靠程度 RMSE越小 R 2 越大 表 明模型預測精度越高 不同模型的評估結果如表1所示 算法模型預測的溫度值如圖2所示 由圖2和表1可知 本文所提的改進的支持向量機算 法對溫室大棚的溫度預測效果更好 精度更高 4 結束語 本文考慮大棚內光照強度 濕度 風速對棚內溫度預 測的影響 提出了一種RBF為SVM核函數 網格搜索算法 對其進行參數優(yōu)化的溫度預測模型 對輸入的數據進行歸 一化處理 對溫度預測模型中的參數進行動態(tài)尋優(yōu) 并與 其他模型進行對比分析 結果顯示所提改進支持向量機模 型對大棚溫度預測效果更好 性能更優(yōu) 更能滿足實踐生 產需要 另外 支持向量機是根據支持向量構建推理模型 對輸入因子的數量沒有明顯的限制 因此可以通過增加影 響因子 對預測模型進一步完善 使模型更具實用性 同 時 本文所建立的模型只適用于特定時間特定環(huán)境的大棚 氣候 其他大棚溫度預測模型要根據具體采集數據調整模 型參數 參考文獻 1 周新志 邵倫 李榮昆 等 基于小波去噪和改進型PSO SVM的 微波加熱溫度預測模型研究 J 化工學報 2018 69 S2 291 299 2 王紅娜 基于支持向量機的混煤灰熔點預測 D 華北電力大學 2017 3 朱樹先 李蕓 祝勇俊 等 RBF支持向量機用于多類混疊的人 臉識別研究 J 控制工程 2019 26 04 773 776 4 崔麗珍 徐錦濤 丁福星 等 基于物聯(lián)網的農業(yè)大棚氣象數據監(jiān) 測系統(tǒng)設計 J 電子技術應用 2018 44 12 73 76 80 G1 G2G1 G2 G1 G2 c1 c2 c3 c4 c2c3 c2 c1 c4 y f x RMSE n y f R 1 y y G3 G4 G3 G4 G3 G5 G6 G7G8 G7G3 G8 G7 G8 G7G8 G9 GA GB GB GB G1 G1G2G3 G4G5G6G7G8G9G3 GAGBGCG3 GDGAGEGAGBGCG3 GFGCGAG10G3 G11G12G13G14G3 G11G12G15G16G3 G17G12G18G11G3 GF c1 G3 G17G12G18G16G3 G17G12G19G11G3 G17G12G19G14G3 圖2 溫度預測結果 102