%A 谭念, 王学顺, 黄安民, 王晨 %T 基于灰狼算法SVM的NIR杉木密度预测 %0 Journal Article %D 2018 %J 林业科学 %R 10.11707/j.1001-7488.20181215 %P 137-141 %V 54 %N 12 %U {http://www.linyekexue.net/CN/abstract/article_8000.shtml} %8 2018-12-25 %X [目的]提出一种基于灰狼算法支持向量机(GWO-SVM)的木材密度预测模型,利用近红外光谱(NIR)对杉木密度进行预测,为杉木性质定量分析提供理论依据。[方法]将109个杉木样品光谱数据和样品密度数据进行归一化,选取88个样品作为训练集、21个样品作为测试集,对2 151维光谱数据提取主成分,以主成分作为输入变量,以杉木样本密度作为输出变量,建立杉木密度多元线性回归(MLR)模型、SVM模型和GWO-SVM模型,采用决定系数(R2)、均方误差(MSE)和平均绝对百分误差(MAPE)对3种模型的预测结果进行比较分析。[结果]对光谱数据进行主成分分析并选择5个主成分,其累积贡献率达98.7%。MLR模型的R2为0.771 4,MSE为0.000 282 1,MAPE为3.009 23%;SVM模型的R2为0.923 8,MSE为0.000 233 1,MAPE为2.794 50%;灰狼算法对SVM进行参数寻优,获得的最优参数分别为C=18.366 6、σ=0.043 3,GWO-SVM模型的R2为0.919 2,MSE为0.000 183 4,MAPE为2.496 37%。3种模型的平均绝对百分误差均在可接受范围内,且GWO-SVM模型的平均绝对百分误差最小,预测效果最好。[结论]从预测精度分析,GWO-SVM模型明显优于MLR模型和SVM模型;从模型决定系数分析,GWO-SVM模型和SVM模型均优于MLR模型。灰狼算法优化支持向量机结合近红外光谱对杉木密度进行预测分析合理、高效。