PSO嵌入SVM算法的活立木材積預(yù)報研究-論文.pdf

《PSO嵌入SVM算法的活立木材積預(yù)報研究-論文.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、第34卷，第1期光譜學(xué)與光譜分析Vo1．34，No．1，pp175—1792014年1月SpectroscopyandSpectralAnalysisJanuary，2014PSO嵌入SVM算法的活立木材積預(yù)報研究焦有權(quán)，馮仲科h，趙禮曦。，徐偉恒，曹忠1．北京林業(yè)大學(xué)測繪與3S研究中心，北京1000832．北京農(nóng)業(yè)職業(yè)學(xué)院，北京1024423．中國農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京1000834．西南林業(yè)大學(xué)計算機(jī)與信息學(xué)院，云南昆明650224摘要為了建立立木材積模型，每年有數(shù)十萬棵優(yōu)質(zhì)活立木被

2、伐倒，這是一種破壞性較大的實(shí)驗(yàn)。應(yīng)用光電經(jīng)緯儀自動量測與手工量測活立木地徑、胸徑相結(jié)合，通過活立木材積計算軟件批量計算，獲得中林系107楊(Zhonglinaspel'15No．107)的胸徑、樹高、樹干材積值400組數(shù)據(jù)集。采用粒子群算法嵌入支持向量機(jī)(PSO-SVM)建立了非線性智能活立木材積預(yù)報模型，并以400組實(shí)驗(yàn)數(shù)據(jù)集作為研究資料，隨機(jī)抽選300組數(shù)據(jù)的胸徑和樹高作為輸入值，材積為輸出值，用MATLAB軟件運(yùn)行PSO-SVM工具箱，訓(xùn)練得到PSO-SVM模型，用100組數(shù)據(jù)進(jìn)行檢驗(yàn)預(yù)測。

3、研究表明，PSO-SVM算法模型預(yù)測值與實(shí)測值間復(fù)相關(guān)系數(shù)r為0．91，r值比Spurr二元材積模型計算值高出2，平均絕對誤差率提高0．44。引用經(jīng)典Spurr二元材積模型計算值和PSO-SVM模型預(yù)報值進(jìn)行對比，認(rèn)為將PSO算法引入到SVM參數(shù)優(yōu)化中，使活立木材積預(yù)報具有自學(xué)習(xí)能力和自適應(yīng)能力，PSO-SVM模型對樣本數(shù)量要求較小、預(yù)報準(zhǔn)確率高、學(xué)習(xí)速度快，具有很好的推廣價值與應(yīng)用前景。關(guān)鍵詞粒子群算法(PSO)；支持向量機(jī)(SVM)；活立木材積；光電經(jīng)緯儀中圖分類號：$758文獻(xiàn)標(biāo)識碼：ADO

4、I：10．3964／j．issn．1000—0593(2014)01—0175—05用于小樣本預(yù)測問題l7]。粒子群算法(particleswarmopti—引言mization，PSO)是一種進(jìn)化計算技術(shù)[g，與其他優(yōu)化算法比較，PSO算法具有運(yùn)算速度快，局部搜索能力強(qiáng)，參數(shù)設(shè)材積表是按樹干材積與其胸徑、樹高和干形之間的回歸置簡單等優(yōu)點(diǎn)[1，可以用到SVM預(yù)測參數(shù)尋優(yōu)。為了解決關(guān)系編制的【】]。德國柯塔(Cotta，1804)編制了山毛櫸材積活立木不伐倒而進(jìn)行材積計測和預(yù)報的難題，本工作提出一表

5、。中國國家農(nóng)林部在2o世紀(jì)70年代編制了我國35個種將PSO嵌入SVM算法的改進(jìn)算法模型，試圖解決該難針葉樹種、21個闊葉樹種的大區(qū)域二元材積表。編制立木材題。積表的關(guān)鍵點(diǎn)是確定材積方程，如邁耶、斯泊爾、高田合彥、孟憲宇等數(shù)十種之多l(xiāng)3]，孟憲宇用14個樹種的3682株供1支持向量回歸機(jī)算法試木作對比[6]，分析了各類材積方程的精度，這些材積方程通常是多元或多項(xiàng)式回歸方程，是以大量實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，1．18-SVR標(biāo)準(zhǔn)算法獲得的經(jīng)驗(yàn)方程。隨著現(xiàn)代計算理論和技術(shù)的發(fā)展，急待提支持向量機(jī)最初是用于分類問

6、題的，當(dāng)處理回歸問題出新的立木材積方程及模型，為編制精準(zhǔn)材積表服務(wù)。時，可以得到相應(yīng)的支持向量回歸機(jī)算法。設(shè)給定回歸訓(xùn)練傳統(tǒng)的材積經(jīng)驗(yàn)方程實(shí)質(zhì)是一種預(yù)測方法，通常需要大樣本集樣本，才能獲得較好的預(yù)測效果，而在森林活立木材積計測T一{(1，Y1)，?，(xk，yk))∈(X×y)(1)中，每個樹種材積樣本數(shù)量有限，傳統(tǒng)的預(yù)測方法無法解決其中五∈X—R”，y∈Y—R，i一1，2，?，k。選擇￡為這一問題。支持向量機(jī)(supportvectormachine，SVM)常被不敏感損失函數(shù)收稿日期：2013

7、—06—17。修訂日期：2013—09—12基金項(xiàng)目：國家科技推廣項(xiàng)目(201146)，國家科技支撐計劃項(xiàng)目(2012BAH34B01)，林業(yè)公益性行業(yè)科研專項(xiàng)項(xiàng)目(201404415)資助作者簡介：焦有權(quán)，1976年生，北京林業(yè)大學(xué)林學(xué)院博士研究生e-mail：jiaoyouquan@163．corn*通訊聯(lián)系人e-mail：fengzhongke@126．com176光譜學(xué)與光譜分析第34卷c(x，，廠(z))=f一廠(z)I(2)維的全局極值點(diǎn)的位置。w為初始慣性權(quán)值，一般取0～JY一廠(z

8、)f一max{0，lY一，()l一￡)(3)1．4，W的減小可以使得所需的迭代次數(shù)變小，將W設(shè)為隨則得到支持向量回歸機(jī)相對應(yīng)的原始最優(yōu)化問題為時間線性減小。為防止粒子遠(yuǎn)離搜索空間，粒子的每一維速度都會被鉗位在[一t，+t]之間，t太大，粒子"∈．1m，￡i．bER專llWll+c∑一i=1(8+)(4)將飛離最好解，太小將會陷入局部最優(yōu)。S．t．E(w·)+一≤e+8，i一1，2，?，k，算法開始時，首先確定粒子規(guī)模和粒子維數(shù)，初始化一Y一E(w·五)+≤￡+，i一1，2，?，k，