基于优化支持向量机的玉米淀粉含量估计

作者：冯惠妍

来源：科学技术创新, 2022, (27): 21-26.

• 近红外光谱
• SVM
• PSO
• 玉米淀粉

为了优化回归模型参数和提高模型的预测性能，建立了一个基于粒子群算法优化支持向量机的回归预测模型，实现了对玉米淀粉含量的有效估计。研究基于公开的玉米光谱数据集，首先分别采用源光谱、标准正态变量变换(Standard Normal Variate transform,SNV)、SNV+SG (Savitzky-Golay)卷积平滑算法、MSC(Mutiplicative Scatter Correction,MSC)多元散射校正、MSC+SNV、一阶求导(First order derivation,FD)、MSC+SNV+FD方法对光谱数据进行预处理，去除数据噪音等冗余信息；其次使用主成分分析(Principal Component Analysis,PCA)算法进行高维光谱数据的特征提取，获得数据的有效特征；最后结合粒子群优化算法(Particle Swarm Optimization,PSO)参数寻优支持向量回归(Support Vector Regression,SVR)建模中的重要参数，实现对玉米淀粉含量的预测建模。实验对比不同预处理方法、PSO优化过程中不同粒子数时的模型预测效果。实验结果表明：MSC+SNV预处理时，PSO算法中粒子数参数为60时，训练集的RMSE为0.1 754,R2为0.9 583，预测集的RMSE为0.2 036,R2为0.8 863，预测相对分析误差RPD为3.0 631，模型具有很好的预测效果。

• 单位
  黑龙江八一农垦大学