我国是个农业大国,是世界上最大的产粮国家,年平均总产量稳定在5亿-6亿吨,但是随着社会的发展和人口的不断增长,市场上对粮食的需求越来越大,粮食储备任务的压力与日俱增。机械通风是粮食储藏的关键技术,本论文着重研究储粮机械通风控制方法的相关技术,使得在粮食的储藏过程中能够降低能源消耗,减少决策的人力成本,具有一定的研究价值。本文围绕“储粮机械通风过程中的控制方法”展开,进行了两个方面的研究。一是研究了储粮传质传热机理数学模型,将模型预测控制方法应用到控制过程中,设计了粒子群-遗传混合优化算法,采用滚动优化方式,达到控制粮食温湿度的目的,同时进一步降低了整个控制过程中的能源消耗。二是对机器学习技术SVM及其优化方法进行研究,利用海量的粮食通风控制数据训练机器学习模型SVM,使得模型在历史数据上有很高的准确率,同时,当检测端传来了新的粮情当前数据时,模型有很高的预测准确率,能够给出准确的通风判断决策,达到保证粮食安全的目的。详细工作内容如下：首先,论述粮食安全储藏的重要性。进而简述粮食储藏的常用方法。在此背景下,着重论述研究储粮机械通风必要性和重要意义,介绍课题研究的任务、目标及主要工作内容。其次,详细讲述了控制系统所使用的传质传热机理模型,并对模型的离散化进行了深入探讨。再次,深入研究了控制系统框架。详细论述粒子群算法和遗传算法的流程以及优缺点。详细设计粒子群-遗传混合优化算法。详细论述粒子群算法的流程,并编写matlab程序进行仿真实验,同时针对粒子群-遗传混合优化算法的流程,编写matlab程序进行仿真实验。分析实验结果,验证算法的有效性。最后介绍了常用的机器学习方法的优缺点。将机器学习方法与传统的专家系统方法进行比较分析。深入研究了支持向量机模型以及支持向量机的优化方法。在理论研究的基础上,设计了SVM的训练与预测实验,将粮食通风控制数据经过预处理转换成SVM需要的训练格式,经过调整参数训练模型,并将模型用于粮食通风控制的预测之中,取得了良好的效果,验证了SVM模型在海量粮情数据应用的有效性和准确性。总之,本论文以模型预测为依托,以降低能耗为目的,针对储粮机械通风控制系统的方法的优化进行了研究。以SVM的理论和优化方法为基础,初步将机器学习技术应用到海量粮情通风控制数据之中。