基于ε-SVR的风筛式清选装置清选性能预测研究.docVIP

基于ε-SVR的风筛式清选装置清选性能预测研究 梁振伟 李耀明 周全 马征 魏纯才 王建鹏 江苏大学现代农业装备与技术教育部重点实验室 X 关注成功！ 加关注后您将方便地在 我的关注中得到本文献的被引频次变化的通知！ 新浪微博 腾讯微博 人人网 开心网 豆瓣网 网易微博 摘????要： 在分析传统预测模型不足之处的基础上, 为了能方便地预测清选参数对清选性能的影响, 将一种支持向量机模型引入风筛式清选装置的清选性能预测领域, 探讨了样本容量大小对ε-SVR回归模型预测性能的影响, 并与BP预测模型进行了对比。分析结果表明:采用非启发式Grid Search方法及启发式GA和PSO方法寻求ε-SVR模型最佳参数, 可避免凭经验选取参数的随机性, 在具有小样本的清选性能预测中, ε-SVR模型预测性能优于BP模型。 关键词： 清选; 联合收获机; 风筛式; ε-SVR; 作者简介：梁振伟 (1988-) , 男, 山东鱼台人, 博士研究生, (E-mail) Liangzhenwei518@126.com。 作者简介：李耀明 (1959-) , 男, 江苏张家港人, 教授, 博士生导师, (E-mail) ymli@。 收稿日期：2017-02-14 基金：国家重点研发计划项目 (2016YFD0702004) Prediction for Working Performance of Air-and-screen Cleaning Unit Based on the ε-SVR Method Liang Zhenwei Li Yaoming Zhou Quan Ma Zheng Wei Chuncai Wang Jianpeng Key Laboratory of Modern Agricultural Equipment and Technology, Ministry of Education, Jiangsu University; Abstract： On the basis of analyzing disadvantages of conventional prediction model of air-and-screen cleaning device, a new regression model based on support vector machine was proposed to predict and control of cleaning process precisely.Parameters ofε-SVR models were determined utilizing non-heuristic Grid Search、heuristic GA and PSO which could avoidthe choice of randomness.The effect of samples in different on prediction performance ofε-SVR was analyzed compared with BP.The results indicate that the prediction property ofε-SVR is better than BP especially for small sample space. Keyword： cleaning; combine harrester; air screen; ε-SVR; Received： 2017-02-14 0 引言 收获机械的清选性能评价是多目标、多层次、多因素的, 评价关系是模糊非线性的, 至今没有一种统一的确定预测模型。以往建立的关于清选预测模型主要运用回归分析法[1]及人工神经网络法[2]等, 都是基于传统的经验风险最小化原则 (ERM) , 对于大样本能给出较好的结果;但传统的试验研究需要耗费相当多的人力物力, 同时在具有小样本的清选性能预测中, ERM原则并不能保证期望预测风险最小化。为此, 拟借助在统计学习理论的基础上发展的分支支持向量机 (Support Vector Machine, SVM) 建立精度高、泛化能力强、随机波动性小的清选性能预测模型。 支持向量机方法属于机器学习理论发展的最新阶段, 首先是着眼于解决分类 (模式识别) 问题, 通过引入不敏感损失函数ε的概念, 也可以解决线性与非线性函数的回归问题[3]。SVM的核心是基于VC维理论和结构风险最小化的原则, 优点是可专门针对有限样本, 其目标是得到现有信息下的最优解, 算法最终转化为一个对偶寻优问题, 得到的将是全局最优解。它避免了人工神经网络等方法的网络样本需求大、结