基于图像处理和SVR的土壤容重与土壤孔隙度预测

土壤容重和土壤孔隙度是衡量土壤结构的重要参数。传统的土壤容重、土壤孔隙度获取方法费时费力,且大多数预测模型的输入变量获取难度较高。该研究利用土壤粗糙度、土壤阻力与土壤容重的相关关系,以土壤表面图像的颜色参数和纹理参数表征土壤粗糙度,同使用车载式土壤阻力测量系统获得的土壤阻力一起,从信息融合的角度构建了支持向量机回归(Support Vector Regression,SVR)土壤容重预测模型和SVR土壤孔隙度预测模型。图像处理使用HSV颜色空间进行阈值分割,得到HSV颜色参数,纹理参数使用灰度共生矩阵的能量、熵、对比度和逆方差。使用主成分分析对颜色参数和纹理参数进行主成分提取。将SVR模型的预测结果同环刀法测得的标准值进行相关性分析,决定系数R^(2)达到了0.867。土壤孔隙度SVR预测模型决定系数R^(2)达到了0.743。在相同的运行环境下,将SVR模型与决策树回归模型结果做了对比,决策树回归对土壤容重和土壤孔隙度的预测精度R^(2)分别为0.734和0.690,验证得到SVR预测模型具有更好的预测精度。研究可为节省试验成本,以及快速、有效预测土壤容重和土壤孔隙度提供方法和参考。

APSO_SVR模型在我国大豆价格预测的应用研究

国内大豆价格受到多重因素影响,如大豆进口量、国内大豆供给量、中国居民消费价格指数等,因此呈现非线性等特点。大豆价格的剧烈波动会对农户的种植结构和国家政策产生影响,因此准确预测大豆价格具有重要意义。支持向量回归(SVR)因其优越的寻优能力和较高的预测精确度而被广泛应用于非线性时间序列回归中。本文提出一种自适应粒子群算法(APSO)优化的SVR模型来预测我国大豆价格,该模型通过将现实空间内的数据映射到高维空间内,在高维空间内构造线性回归函数,从而判别原有空间内数据之间的关系。在SVR模型参数优化时,由于粒子群算法易陷入局部最优解,因此采用惯性权重更新和适应度变异的粒子群算法(APSO)对预测模型参数进行优化。采用2009年1月-2016年12月的国内大豆价格月度数据进行预测,结果表明APSO优化的SVR模型在大豆价格预测中精度较高,且能准确反应大豆价格的未来趋势,为从事大豆种植者及经营者提供决策依据。

一种改进的基于DE-SVR的上证指数预测模型

文章在现有研究的基础上,选取引起上证综合指数波动的八个主要因素,建立一种改进的基于微分进化算法的支持向量机的上证指数预测模型,并与多元回归、多维灰色模型、基于微分进化算法的多维灰色模型、DE-SVR预测模型的预测效果与精度进行对比分析,证实该模型具有较高的预测精度,是一进行有效预测的新方法。

基于组合模型的农产品物价预测算法

当今时代,科学技术高速发展,涌现出一批新技术,数据挖掘、机器学习等新科学领域被深入研究,众多智能算法逐渐出现,同时被应用到了不同的领域中.本文构建了一种基于BP (Back Propagation)神经网络和SVR(Support Vector Regression)支持向量回归机的组合模型.依托于农产品价格数据进行实例验证分析,结果表明相对于单一的预测模型, BP-SVR-BP组合模型在预测精度上有了很大的提升,拟合效果更加逼近真实数据曲线,能够客观真实的反应农产品物价变化规律.

风电轴承环成形缺陷数值模拟与工艺优化

风电轴承环属于大型异形环状零件,环件轧制技术是目前成形该类零件的主要方法。环件轧制过程中金属流动复杂,轧制孔型与环件之间接触情况复杂,同时由于轧制用毛坯、轧制工艺参数等原因,导致轧制过程中出现多种缺陷,缺陷的出现降低了环件质量,甚至使零件报废。该文针对风电轴承环轧制过程中出现的直径不扩大、椭圆度缺陷,运用Deform 3D软件对0134090003p6轴承成形过程进行模拟,提出当环件轧制到一定尺寸时,改用胀形工艺成形,获得了精度较高的环件,该工艺具有一定工程实用价值。并运用正交试验设计,发现影响胀形环件综合性能的主要因素是胀形坯料的尺寸形状,同时得到了该工艺的近似最优参数组合。采用粒子群优化算法优化相应的SVR参数,用训练好的SVR模型对胀形结果进行预测,得到一个可以预测环件胀形性能的SVR模型,该模型对工程实践有较好的辅助价值。