基于SVM畜禽舍废气监测缺失数据恢复.docVIP

基于SVM畜禽舍废气监测缺失数据恢复 　　摘要： 针对畜禽舍内废气浓度监测过程中因传感器故障造成部分数据缺失的问题，提出一种基于支持向量机的缺失数据恢复方法。该方法综合考虑畜禽舍内废气浓度对应的时间、空间和环境等多种影响因素，建立支持向量机回归模型对缺失的监测数据进行恢复性估算；为了获得更好的估算结果，使用量子遗传算法结合标准遗传算法对回归模型的参数进行优化。以氨气浓度为例，用某养殖场3 d的监测数据测试该方法，缺失数据估算的最大相对误差为604%，平均相对误差为1 94%，可见估算值与实际监测值的误差很小。测试结果表明，本研究提出的方法可以有效地对缺失性数据进行恢复，为畜禽舍废气监测提供可行的数据恢复方法。 　　关键词： 遗传算法；量子遗传算法；支持向量机；废气监测；数据恢复 　　中图分类号： TP274 文献标志码： A 　　文章编号：1002-1302（2015）08-0421-03 　　伴随着畜禽养殖的规模化发展，畜禽饲养过程中产生的各种有害气体，不仅直接影响工作人员和邻近居民的身体健康，还对畜禽本身的健康生长和食品安全产生重大影响 [1]。因此，在畜禽舍内安装多种有害气体浓度检测传感器，实时监测相应的废气浓度，进而精确计算废气的排放量，对分析各种有害气体的排放规律和影响因素 [2]，进而采取有效措施控制和处理有害气体具有重要意义。然而，畜禽舍内的复杂环境可能导致传感器损坏，进而造成监测数据缺失 [3]。为了保证监测数据的完整性，须要对缺失的废气浓度监测数据进行恢复。但畜禽舍内的废气浓度与时间、空间和环境等多种因素相关，各因素之间存在相互作用，是复杂的非线性系统，使用线性插值法进行缺失数据恢复误差较大。朱伟兴等提出使用神经网络进行废气监测缺失数据处理，并取得了较好的估算结果 [4-5]；但神经网络存在局部极小值问题，容易出现过学习，且结构和类型的选择过分依赖经验。支持向量机（support vector machine，SVM）是基于小样本统计学习理论和结构风险最小化原则的机器学习方法，具有良好的泛化能力，解决了神经网络的不足，能够有效地处理各种非线性问题，广泛用于各种回归预测问题的求解 [6-7]。SVM相关参数的选取直接关系到SVM的预测精度，相关学者提出使用粒子群算法（particle swarm optimization，PSO）、遗传算法（genetic algorithm，GA）等智能算法 [8-9]对SVM的参数进行优化。其中，GA具有很强的鲁棒性和全局优化搜索能力，适合复杂优化问题的求解，但其存在早熟问题。因此，本研究将量子遗传算法（quantum genetic algorithm，QGA）与标准GA相结合构建混合遗传算法（hybrid genetic algorithm，HGA），并利用HGA对SVM回归模型的参数进行优化，提出一种基于 HGA-SVM 预测模型的畜禽舍废气监测缺失数据恢复方法。 　　1 材料与方法 　　1 1 SVM回归模型理论 　　SVM回归的目标就是要寻求函数f（x），使其在训练后能够通过样本以外的自变量x预测对应的因变量，即寻求回归函数： 　　f（x）=（[WTHX]w[WTBX]Tx）+b。 （1） 　　式中：[WTHX]w[WTBX]为权重；b为阈值。所求的回归函数 f（x） 是使下面的目标函数最小： 　　g（x）=min[JB（（][SX（]1[]2[SX）]|[WTHX]w[WTBX]|2+c?Remp[JB））]。 （2） 　　式中：c为惩罚因子；Remp为训练误差。 　　SVM非线性回归的基本思想是利用非线性变换将原问题映射到高维特征空间的线性问题上，并在该空间中进行线性回归，而这种非线性变换是通过定义适当的内积函数实现的。在高维特征空间中，线性问题中的内积运算可以用核函数代替，常用的核函数有线性核函数、多项式核函数、径向基（radial basis function，RBF）核函数、Sigmoid核函数等。由文献[10]可知，在求解非线性多因素预测问题时，RBF核函数SVM回归模型的预测精度最高。最常用的RBF核函数是高斯核函数，其计算公式如下： 　　K（u，v）=exp（-γ|u-v|2）。 （3） 　　式中：r=[SX（]1[]2σ2[SX）]；u为空间内任一点；v为中心点；σ为宽度参数。 　　本研究应用LibSVM工具箱设计并实现缺失数据SVM预测模型，采用的SVM类型为epsilon支持向量回归机（epsilon-support vector regression，epsilon-SVR），采用的核函数为RBF高斯核函数，待优化参数包括惩罚参数c、核函数参数γ和不敏感损失函数参数ε。 　　1 2 HGA优化SVM回归模