基于WOA-SVM的电场种子处理最优参数预测方法、系统及终端

本申请涉及高压电场种子处理技术领域，具体涉及一种基于woa-svm的电场种子处理最优参数预测方法、系统及终端。

背景技术：

种子作为农业生产中最基本的生产资料，是影响农产品产量和质量的重要因素，一直以来都受到人们的普遍重视，对萌发前的种子进行处理是农业生产中至关重要的一个环节，可以对种子进行消毒杀菌，同时增强种子在萌芽和幼苗生长发育阶段抗病虫害的能力，提高种子成活率。

但是传统的消毒杀菌处理种子的方法虽然可以实现种子成活率的提高，但是会对环境造成污染。因此高压电场种子处理技术作为一种快速、高效、成本低、可控性强、无污染的种子处理技术，近年来得到了迅速的推广和应用。不同的电场参数组合条件对种子活力具有不同的影响，探索准确的预测方法仍是目前的重要工作。

由于作物种子生物电磁效应和生理机制的复杂性以及电场参数条件的多样性，难以通过机理分析法建立电场处理种子的生物效应数学模型，一般通过实验方法建模获得作物种子最优电场参数处理条件，所需样本数量集大、普适性差且难以进行产业化应用。

技术实现要素：

本申请为了解决上述技术问题，提出了如下技术方案：

第一方面，本申请实施例提供了一种基于woa-svm的电场种子处理最优参数预测方法，所述方法包括：确定影响种子活力的电场参数指标；将经试验得到的数据进行数据剔除以及归一化处理；建立svm参数模型，采集各指标对应实际数据并分为训练和测试数据，利用woa搜索算法对svm参数模型寻优；将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型；将训练完毕的svm参数模型输入libsvm的预测函数中，得到测试样本的预测值。

采用上述实现方式，从影响种子的电场参数方面着手，设计基于svm的电场处理种子关键参数回归预测模型，解决了传统电场种子处理参数实验建模方法普适性差的问题，从而可以提高电场种子处理最优参数的预测结果。

结合第一方面，在第一方面第一种可能的实现方式中，所述确定影响种子活力的电场参数指标包括：以电源电压、脉冲频率、作用时间作为影响种子活力的因素，以综合发芽指数作为种子活力指标。

结合第一方面，在第一方面第二种可能的实现方式中，将经试验得到的数据进行数据剔除包括：利用拉依达准则剔除异常数据，假设样本数据集为x，平均值为样本偏差为vi，样本标准差为σ计算公式：若公式vi＞3σ,i＝1,2,...n成立，则认为xi为异常数据，将其剔除，重复使用拉依达准则直至无异常数据可剔除为止。

结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，将经试验得到的数据进行归一化处理包括：数据归一化基于以下公式：式中：x为试验样本向量，xmin为试验样本向量的最小值，xmax为试验样本向量的最大值，x′为归一化处理后的样本数据向量。

结合第一方面，在第一方面第四种可能的实现方式中，建立svm参数模型中核函数选用高斯核和多项式核为基核线性叠加后的混合核函数，高斯核和多项式核为基核线性叠加后的混合核函数支持向量机，数学表达式为：kpoly为多项式核函数，krbf为高斯核函数，为多项式核函数的权重值。

结合第一方面，在第一方面第五种可能的实现方式中，所述将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型包括：

训练进行预测回归的支持向量回归模型，训练过程包括：计算样本数据的平均偏差和方差，得到特征数据，按照样本顺序，从特征数据中选取前h个连续的特征数据构成时间序列，按照预设的映射维数m，建立行数为h-m+1，列数为m的训练数据集；

利用训练数据集训练支持向量回归svm模型，采用鲸鱼优化算法优化svm的关键参数，svm的关键参数包括核函数的惩罚因子c、高斯核函数的参数g以及权重系数δ，将使得训练数据集预测相关系数r最高的svm模型参数作为svm模型的最优参数组合，得到训练好的支持向量回归svm模型，以通过训练好的支持向量回归svm模型对电场参数组合条件进行预测，相关系数r的计算公式为：xi和xi‘分别为真实值和预测值，i＝1,2,…,n。

结合第一方面第五种可能的实现方式，在第一方面第六种可能的实现方式中，所述采用鲸鱼优化算法优化svm的关键参数包括：读入搜索条件，初始化鲸群位置以及鲸鱼优化算法的参数；计算鲸群初始位置的参数值，记录当前最优解；计算收敛因子及摆动因子；更新鲸群空间位置；计算更新后鲸群位置向量对应的适应度值；比较更新前后鲸群位置向量对应的适应度值，确定下一代鲸群的位置；判断是否满足预设条件，如果满足则输出最优鲸群个体所对应位置以及对应的参数值；或则，如果不满足，则重新计算收敛因子及摆动因子，直至满足预设条件。

结合第一方面，在第一方面第七种可能的实现方式中，还包括：将测试样本的预测值反归一化，画图对比分析测试样本的真实值和预测值，获得电场参数预测结果，包括：数据反归一化基于以下公式：x”＝x'(xmax-xmin)+xmin，式中：xmin为试验样本向量的最小值；xmax为试验样本向量的最大值；x'为归一化处理后的样本数据向量，x”为反归一化后的输出数据向量。

第二方面，本申请实施例提供了一种基于woa-svm的电场种子处理最优参数预测系统，其特征在于，所述系统包括：确定模块，用于确定影响种子活力的电场参数指标；数据处理模块，用于将经试验得到的数据进行数据剔除以及归一化处理；模型建立模块，用于建立svm参数模型，采集各指标对应实际数据并分为训练和测试数据，利用woa搜索算法对svm参数模型寻优；模型训练模块，用于将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型；预测值获取模块，用于将训练完毕的svm参数模型输入libsvm的预测函数中，得到测试样本的预测值。

第三方面，本申请实施例提供了一种终端，包括：处理器；用于存储所述处理器处理可执行指令的存储器；所述处理器执行第一方面或第一方面任一实现方式所述的基于woa-svm的电场种子处理最优参数预测方法，对电场种子处理最优参数进行预测。

附图说明

图1为本申请实施例提供的一种基于woa-svm的电场种子处理最优参数预测方法的流程示意图；

图2为本申请实施例提供的训练集真实值与预测值的结果对比示意图；

图3为本申请实施例提供的预测集真实值与预测值的结果对比示意图；

图4为本申请实施例提供的一种基于woa-svm的电场种子处理最优参数预测系统的示意图；

图5为本申请实施例提供的一种终端的示意图。

具体实施方式

下面结合附图与具体实施方式对本方案进行阐述。

图1为本申请实施例提供的一种基于woa-svm的电场种子处理最优参数预测方法的流程示意图，参见图1，本实施例提供的基于woa-svm的电场种子处理最优参数预测方法包括：

s101，确定影响种子活力的电场参数指标。

本实施例中以电源电压、脉冲频率、作用时间作为影响种子活力的因素，以综合发芽指数作为种子活力指标。

s102，将经试验得到的数据进行数据剔除以及归一化处理。

将经试验得到的数据进行数据剔除包括：利用拉依达准则剔除异常数据，假设样本数据集为x，平均值为样本偏差为vi，样本标准差为σ计算公式：若公式vi＞3σ,i＝1,2,...n成立，则认为xi为异常数据，将其剔除，重复使用拉依达准则直至无异常数据可剔除为止。

将经试验得到的数据进行归一化处理包括：数据归一化基于以下公式：式中：x为试验样本向量，xmin为试验样本向量的最小值，xmax为试验样本向量的最大值，x′为归一化处理后的样本数据向量。

s103，建立svm参数模型，采集各指标对应实际数据并分为训练和测试数据，利用woa搜索算法对svm参数模型寻优。

建立svm参数模型中核函数选用高斯核和多项式核为基核线性叠加后的混合核函数，高斯核和多项式核为基核线性叠加后的混合核函数支持向量机，数学表达式为：kpoly为多项式核函数，krbf为高斯核函数，为多项式核函数的权重值。

s104，将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型。

训练进行预测回归的支持向量回归模型，训练过程包括：计算样本数据的平均偏差和方差，得到特征数据，按照样本顺序，从特征数据中选取前h个连续的特征数据构成时间序列，按照预设的映射维数m，建立行数为h-m+1，列数为m的训练数据集；

利用训练数据集训练支持向量回归svm模型，采用鲸鱼优化算法优化svm的关键参数，svm的关键参数包括核函数的惩罚因子c、高斯核函数的参数g以及权重系数δ，将使得训练数据集预测相关系数r最高的svm模型参数作为svm模型的最优参数组合，得到训练好的支持向量回归svm模型，以通过训练好的支持向量回归svm模型对电场参数组合条件进行预测，相关系数r的计算公式为：xi和xi‘分别为真实值和预测值，i＝1,2,…,n。

具体地，采用鲸鱼优化算法优化svm的关键参数包括：读入搜索条件，初始化鲸群位置以及鲸鱼优化算法的参数；计算鲸群初始位置的参数值，记录当前最优解；计算收敛因子及摆动因子；更新鲸群空间位置；计算更新后鲸群位置向量对应的适应度值；比较更新前后鲸群位置向量对应的适应度值，确定下一代鲸群的位置；判断是否满足预设条件，如果满足则输出最优鲸群个体所对应位置以及对应的参数值；或则，如果不满足，则重新计算收敛因子及摆动因子，直至满足预设条件。

s105，将训练完毕的svm参数模型输入libsvm的预测函数中，得到测试样本的预测值。

本实施例还包括将测试样本的预测值反归一化，画图对比分析测试样本的真实值和预测值，获得电场参数预测结果，包括：数据反归一化基于以下公式：x”＝x'(xmax-xmin)+xmin，式中：xmin为试验样本向量的最小值；xmax为试验样本向量的最大值；x'为归一化处理后的样本数据向量，x”为反归一化后的输出数据向量。

本实施例以不同电源电压、脉冲频率以及作用时间三种电场参数的不同组合条件对陈年棉种进行电场处理，进行发芽实验，收集实验数据。模型建立和电场参数预测过程为：

选取一部分数据作为训练数据，采用不同的核函数建立出不同精度的预测模型，然后用精度较高的预测模型作为能够预测最优电场参数的方法。

分别将电源电压、脉冲频率以及作用时间作为输入特征值，综合活力指数作为输出特征值。前20组数据用来模型训练，后5组数据用来测试模型准确度。

用函数mapminmax对数据进行归一化处理，防止特征值范围过大或过小，影响模型的精确度。

选择svm的类型为ε-svr，选择高斯核和多项式核为基核线性叠加后的混合核函数作为该模型的内积核函数，混合核函数的公式为：

采用鲸鱼优化算法来对参数进行寻优，寻得一组最佳参数(c、g、δ)，使得mes(均方误差)最小。

经验证，参数c＝169.3455，g＝0.022933，δ＝0.30下的模型效果较好，将最佳参数(c、g、δ)带入libsvm算法中进行训练，得到训练好的模型。

将训练好的模型输入libsvm的预测函数中，得到测试样本的预测值。

将测试样本的预测值反归一化，画图对比分析测试样本的真实值和预测值。

图2显示了训练集真实值与预测值的结果对比。

图3示了预测集真实值与预测值的结果对比。

模型在使用测试集数据预测下的准确率见表1，由表1可知在混合核函数下，使用测试集数据预测的模型的准确率，其预测值与实际值间的相关系数为81.8874％，均方误差为0.018350，这种精度在预测中是可以接受的。

表1预测试验数据值分析表

本实施例在用测试集数据检验模型精度的同时也用训练集的数据检验模型的精度，因为训练集的数据变化波动不大，故训练集的数据预测结果较好；预测集的数据波动较大，故其预测结果不如测试集，但其精度也满足要求。

与上述实施例提供的一种基于woa-svm的电场种子处理最优参数预测方法相对应，本申请还提供了一种基于woa-svm的电场种子处理最优参数预测系统的实施例，参见图4，基于woa-svm的电场种子处理最优参数预测系统20包括：确定模块201、数据处理模块202、模型建立模块203、模型训练模块204和预测值获取模块205。

所述确定模块201，用于确定影响种子活力的电场参数指标。

以电源电压、脉冲频率、作用时间作为影响种子活力的因素，以综合发芽指数作为种子活力指标。

所述数据处理模块202，用于将经试验得到的数据进行数据剔除以及归一化处理。

利用拉依达准则剔除异常数据，假设样本数据集为x，平均值为样本偏差为vi，样本标准差为σ计算公式：若公式vi＞3σ,i＝1,2,...n成立，则认为xi为异常数据，将其剔除，重复使用拉依达准则直至无异常数据可剔除为止。数据归一化基于以下公式：式中：x为试验样本向量，xmin为试验样本向量的最小值，xmax为试验样本向量的最大值，x′为归一化处理后的样本数据向量。

所述模型建立模块203，用于建立svm参数模型，采集各指标对应实际数据并分为训练和测试数据，利用woa搜索算法对svm参数模型寻优。

建立svm参数模型中核函数选用高斯核和多项式核为基核线性叠加后的混合核函数，高斯核和多项式核为基核线性叠加后的混合核函数支持向量机，数学表达式为：kpoly为多项式核函数，krbf为高斯核函数，为多项式核函数的权重值。

所述模型训练模块204，用于将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型。

训练进行预测回归的支持向量回归模型，训练过程包括：计算样本数据的平均偏差和方差，得到特征数据，按照样本顺序，从特征数据中选取前h个连续的特征数据构成时间序列，按照预设的映射维数m，建立行数为h-m+1，列数为m的训练数据集；

利用训练数据集训练支持向量回归svm模型，采用鲸鱼优化算法优化svm的关键参数，svm的关键参数包括核函数的惩罚因子c、高斯核函数的参数g以及权重系数δ，将使得训练数据集预测相关系数r最高的svm模型参数作为svm模型的最优参数组合，得到训练好的支持向量回归svm模型，以通过训练好的支持向量回归svm模型对电场参数组合条件进行预测，相关系数r的计算公式为：xi和xi‘分别为真实值和预测值，i＝1,2,…,n。

所述采用鲸鱼优化算法优化svm的关键参数包括：读入搜索条件，初始化鲸群位置以及鲸鱼优化算法的参数；计算鲸群初始位置的参数值，记录当前最优解；计算收敛因子及摆动因子；更新鲸群空间位置；计算更新后鲸群位置向量对应的适应度值；比较更新前后鲸群位置向量对应的适应度值，确定下一代鲸群的位置；判断是否满足预设条件，如果满足则输出最优鲸群个体所对应位置以及对应的参数值；或则，如果不满足，则重新计算收敛因子及摆动因子，直至满足预设条件。

所述预测值获取模块205，用于将训练完毕的svm参数模型输入libsvm的预测函数中，得到测试样本的预测值。

本实施例还包括：将测试样本的预测值反归一化，画图对比分析测试样本的真实值和预测值，获得电场参数预测结果，包括：数据反归一化基于以下公式：x”＝x'(xmax-xmin)+xmin，式中：xmin为试验样本向量的最小值；xmax为试验样本向量的最大值；x'为归一化处理后的样本数据向量，x”为反归一化后的输出数据向量。

本申请实施例还提供了一种终端的实施例，参见图5，终端30包括处理器301、存储器302和通信接口303。

在图5中，处理器301、存储器302和通信接口303可以通过总线相互连接；总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器301通常是控制终端30的整体功能，例如终端30的启动、以及终端30启动后确定影响种子活力的电场参数指标；将经试验得到的数据进行数据剔除以及归一化处理；建立svm参数模型，采集各指标对应实际数据并分为训练和测试数据，利用woa搜索算法对svm参数模型寻优；将寻优后得到的svm参数输入所述svm参数模型，得到训练完毕的svm参数模型；将训练完毕的svm参数模型输入libsvm的预测函数中，得到测试样本的预测值。

处理器301可以是通用处理器，例如，中央处理器(英文：centralprocessingunit，缩写：cpu)，网络处理器(英文：networkprocessor，缩写：np)或者cpu和np的组合。处理器也可以是微处理器(mcu)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(asic)，可编程逻辑器件(pld)或其组合。上述pld可以是复杂可编程逻辑器件(cpld)，现场可编程逻辑门阵列(fpga)等。

存储器302被配置为存储计算机可执行指令以支持终端30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

启动终端30后，处理器301和存储器302上电，处理器301读取并执行存储在存储器302内的计算机可执行指令，以完成上述的基于woa-svm的电场种子处理最优参数预测方法实施例中的全部或部分步骤。

通信接口303用于终端30传输数据，例如实现与电场种子处理机的通信等。通信接口303包括有线通信接口，还可以包括无线通信接口。其中，有线通信接口包括usb接口、microusb接口，还可以包括以太网接口。无线通信接口可以为wlan接口，蜂窝网络通信接口或其组合等。

在一个示意性实施例中，本申请实施例提供的终端30还包括电源组件，电源组件为终端30的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为终端30生成、管理和分配电力相关联的组件。

通信组件，通信组件被配置为便于终端30和其他设备之间有线或无线方式的通信。终端30可以接入基于通信标准的无线网络，如wifi，4g或5g，或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在一个示意性实施例中，终端30可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)或其他电子元件实现。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。