[发明专利]一种面向精细农业的加权空间模糊聚类方法和设备

权利要求书

1.一种面向精细农业的加权空间模糊聚类方法，包括以下步骤：

1）根据输入的各个指标的数据，运用层次分析法（AHP）计算各个指标的权重系数，以获得总目标权重矩阵；

2）根据输入的原始数据矩阵，利用所述总目标权重矩阵，建立模糊等价矩阵，并且根据不同的分类阈值，对模糊等价矩阵进行分类，以得到动态聚类视图；以及

3）利用F统计量，计算最佳分类阈值和最佳分类数，并且对动态聚类视图进行分类，以得到动态聚类结果。

2.根据权利要求1所述的加权空间模糊聚类方法，其中步骤1）包括：

1.1）利用输入的各个指标的数据，构造成对比较矩阵A，其中所述成对比较矩阵A中的每个元素a_ij表示该指标的第i个因素相对于该指标的第j个因素的比较结果，并且其中a_ij×a_ji=1；

1.2）利用幂法求解所述成对比较矩阵的最大特征值λ及其对应的特征向量w，计算单排序权向量并进行一致性检验；以及

1.3）重复步骤1.1）和1.2），直至计算出所有层权重，获得总目标权重矩阵B=(b₁,b₂,…,b_m)。

3.根据权利要求2所述的加权空间模糊聚类方法，其中步骤2）包括：

2.1）对输入的原始数据矩阵进行极差变换；

2.2）将极差变换后的矩阵与所述总目标权重矩阵相乘以得到模糊矩阵；

2.3）针对该模糊矩阵，利用夹角余弦法，得到模糊相似矩阵；

2.4）对该模糊相似矩阵执行平方自合成运算，以得到模糊等价矩阵；以及

2.5）根据不同的分类阈值，对模糊等价矩阵进行分类，以得到动态聚类视图。

4.根据权利要求3所述的加权空间模糊聚类方法，其中步骤3）包括：

3.1）计算输入的原始数据矩阵的总体样本的中心向量；

3.2）针对某一分类阈值以及对应的分类数目，计算各个类的聚类中心向量；

3.3）利用总体样本的中心向量和各个类的聚类中心向量计算F统计量；

3.4）根据预定的置信值，确定最佳F值，相应地获得最佳分类阈值和分类数目，并且在动态聚类视图中进行分类，从而得到动态聚类结果。

5.根据权利要求2所述的加权空间模糊聚类方法，其中a_ij的取值范围为1/9<a_ij<9。