[发明专利]一种基于主成分分析的鸡蛋产量预测PSO-SVM回归模型

说明书

本发明提供一种基于主成分分析的鸡蛋产量预测PSO‑SVM回归模型，包括利用主成分分析了影响蛋鸡产蛋率与最高舍温、最低舍温、体重、日龄、饲料消耗之间的关系；根据主成分分析的结果，对数据每一维特征赋予合适的权重；将权重赋予之后的结果作为PSO‑SVM的输入，使用PSO‑SVM算法建立蛋鸡产蛋率与最高舍温、最低舍温、体重、日龄、饲料消耗五维特征的回归模型。利用主成分分析与相关性分析研究蛋鸡产蛋率与日龄、舍温、体重、饲料消耗等特征之间的相关性，根据6项特征的Pearson相关系数对各个特征赋予权重,对产蛋率影响较大的特征给予较大的权，在此基础上对赋权后的数据利用SVM进行鸡蛋产量回归建模，并使用PSO算法对SVM中参数进行优化，具有精度高、抗干扰性强等优点。

技术领域

本发明涉及数据建模、算法优化、数据分析技术领域，具体涉及一种基于主成分分析的鸡蛋产量预测PSO-SVM回归模型。

背景技术

鸡蛋作为蛋类消费品的主导者，为人体提供丰富的蛋白质、脂肪、矿物质和各种维生素等，营养价值极高。根据世界粮食与农业组织统计，2015年全球产蛋量超过7000万公吨，前五位产蛋国的产量占总需求的55％，其中我国产蛋量位居世界第一。引起鸡蛋产量变化的特征十分复杂，鸡蛋产量的变化可以反映一个时间段内养殖场中环境变化、蛋鸡的生长变化等诸多特征，提前预测鸡蛋产量数据可以提高养殖场的经济效益，同时也为养殖场下一阶段需要投入多少生产资源提供重要的参考依据。目前对鸡蛋产量预测大多使用传统方法进行建模，存在精度低、抗干扰能力差等缺点。

主成分分析是多元分析方法之一，其旨在利用降维思想，在信息损失允许范围内，将多个特征转化为几个综合特征，即主成分。主成分之间互不相关，但每个主成分都是原始特征的线性组合。

支持向量机(SVM)是Vapnik和Cortes等在统计学习理论的基础上提出的一种机器学习方法，该方法利用在逼近精度和模型复杂性之间折中，寻求风险最小化的思想，以达到良好的逼近效果，SVM回归通过非线性变换的方法将实际样本数据利用核函数映射到高维特征空间，再构造决策性函数实现线性回归。而支持向量机(SVM)在被提出后在分类和回归方面均有不错的性能，但仍然存在参数选择的问题，参数c(惩罚因子)与g(选择RBF核函数后产生的超参数)的选择会极大的影响SVM的性能，选择一个合适的参数成为需要解决的问题。粒子群优化算法(PSO)模拟鸟集群飞行觅食的行为，通过集体的协作使群体达到最优，可以为SVM模型选择最优的参数，本申请借助SVM回归理论，在主成分分析基础上建立了基于PSO-LSSVM的产蛋率多影响特征的高精度回归模型。

发明内容

为了解决现有技术中存在的某种或某些技术问题，本发明提供一种基于主成分分析的鸡蛋产量预测PSO-SVM回归模型，利用多个影响因素建立产蛋率回归模型，具有精度高、抗干扰性强等优点。

为解决上述现有的技术问题，本发明采用如下方案：一种基于主成分分析的鸡蛋产量预测PSO-SVM回归模型，包括步骤一、利用主成分分析了影响蛋鸡产蛋率与最高舍温、最低舍温、体重、日龄、饲料消耗之间的关系；

步骤二、根据主成分分析的结果，对数据每一维特征赋予合适的权重；

步骤三、将权重赋予之后的结果作为PSO-SVM的输入，使用PSO-SVM算法建立蛋鸡产蛋率与最高舍温、最低舍温、体重、日龄、饲料消耗五维特征的回归模型。

进一步地，所述回归模型建模步骤依次为：开始→读取数据→主成分分析→每一维特征赋予权重→保存数据，并作为SVM输入→PSO-SVM建立模型。

进一步地，所述主成分分析步骤包括步骤1、选择初始变量，根据选择的初始变量中度量或取值范围是否相同形成分析协方差矩阵或分析相关矩阵；

步骤2、用雅克比方法求分析协方差矩阵或分析相关矩阵的特征值和相应的特征向量后利用式求得贡献率并选择主成分，其表达式如下：