采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度,降低数据冗余度和差异性对预测结果的影响,提出一种基于智能优化特征子集选取和模糊聚类改进SVR(Support Vector Regression)的温度预测模型。首先,构建最优特征子集选取模型,通过设计最优特征子集选取指标,以降低特征之间冗余度和数据维度;采用改进的离散灰狼算法对特征子集选取模型进行求解,以实现最优特征子集选取。其次,建立模糊聚类改进SVR预测机制,通过设计多度量核FCM(Fuzzy C-means)算法,以实现数据样本自动分类;提出与数据样本分类相对应的SVR预测算法,并采用灰狼算法对SVR参数进行优化,最大程度降低样本数据差异性对预测精度的影响。最后,融合最优特征子集选取和模糊聚类改进SVR预测机制,以实现养殖禽舍温度高精度预测。仿真结果表明,该算法实现不同季节条件下养殖禽舍温度的高精度预测,相比于其他预测算法,预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能,具有一定的推广应用价值。