基于改进PSO―SVR馆藏文物保存环境温度预测.docVIP

基于改进PSO―SVR馆藏文物保存环境温度预测 　　摘要：提出一种PSO优化的SVR算法并应用于博物馆的环境温度预测。针对基本粒子群算法容易陷入局部最优值的问题，通过引入预测因子和斥力因子，提出一种动态更新速度和粒子并自适应权重的粒子群算法（DAPSO）。选定径向基函数作为SVR的核函数，分别使用PSO和DAPSO算法同时对c、γ和ε进行寻优，并建立温度预测模型。另外，模型采用交叉验证算法来避免过拟合。通过对比两种参数优化算法下模型对温度预测结果的均方误差和相关系数，证明本文提出的优化模型优于PSO-SVR模型。 　　关键词：SVR；DAPSO；温度预测模型；均方误差；相关系数 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）06-0183-04 　　Improved PSO-SVR for Cultural Relic Preservation Environment Temperature Prediction 　　YU Xiang， ZHANG Yun-fei 　　（Chongqing University of Posts and Telecommunications， Chongqing 400065， China） 　　Abstract： A SVR algorithm based on PSO was proposed to predict ambient temperature in the museum. Focused on the issue that the basic particle swarm optimization fell into local best value， an adaptive weights particle swarm optimization based on dynamically updating speeds and positions was proposed. The radial basis function was chosen to be the kernel of SVR. Both PSO and DAPSO were used to search the best values for c， g and p to build prediction model for museum ambient temperature. Besides， cross-validation algorithm was adopted to avoid over-fitting. In case of two kinds of parameter optimization algorithm， the prediction model’s MSE was compared. The results show that DAPSO-SVR is better than PSO-SVR. 　　Key words： SVR； DAPSO； temperature predict model； Mean Square Error； Correlation Coefficient 　　我国每年出土文物数量惊人，已有数千家的博物馆。博物馆文物保护方面，国内外一致认可“预防性保护”的原则。利用科技和现代装备显著提升我国文物保护与利用水平，工业和信息化部、国家文物局联合组织实施2013年文物保护装备产业化及应用示范项目。本文所研究的预测模型是针对该项目中的重点方向-馆藏文物保存环境监测评估系统中的数字传感器与无线监测终端演示系统而开展的。 　　国内外关于复杂的非线性系统建模主要采用模糊逻辑方法、混沌时间序列模型，神经网络等方法[1～3]，但这些方法存在影响因子确定困难、训练时间长、收敛速度慢和局部极小等缺点，最主要的是这些方法是基于经验风险最小化的，缺乏对数据样本的充分学习过程，在回归预测中，容易对样本数据产生过拟合，导致模型的泛化能力差，对预测结果的准确度产生很大的影响。 　　Vapnik[4]在统计学习理论基础上提出支持向量机，引入泛化误差界，寻求经验风险与置信风险和的最小化。支持向量学习算法在解决小样本、非线性问题中表现出特有的优势，将其推广应用到函数拟合回归预测，称为支持向量回归（support vector regression，SVR）。目前SVR已成为非线性时间序列预测的重要手段，被广泛应用到网络流量、交通运输等诸多领域[5，6]。SVR经过数年发展，其参数选择优化算法已成为研究热点[7，8]。参数寻优目前主要使用遗传算法（GA）、粒子群算法（PSO）等。GA-SVR算法参数寻优主要由概率决定，参数设置复杂，参数值