[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

说明书

技术领域

本发明涉及信息数据处理的技术，尤其是一种面向精细农业的加权空间模糊聚类方法和设备。

背景技术

精细农业，是指基于变异的一种田间管理手段，是由信息技术支持的根据空间变异，定位、定时、定量地实施一整套现代化农事操作技术与管理的系统。精细农业是通过GPS、RS、GIS等技术和自动化技术的综合应用,按照农作物生长田间每一块操作单元上的具体条件,相应调整种子、化肥、农药等物资投入,达到减少投入、增加收入、保护农业生态环境的目的。

在精细农业的实施过程中，由于采用了“3S”（GPS、GIS、RS）和传感器技术，积累了大量的空间数据，也拉大了“空间数据的生产能力远远大于空间数据解析能力”的差距。这些数据真实，具体地反映了农业生产作业的本质状况，是指导区域精细作业的宝贵材富。但由于农业生产的复杂性，使得农业数据具有丰富、多维、动态、不完整等特性，使得这些数据并未得到充分利用，导致了我们淹没在数据的海洋中，数据丰富，但是知识贫乏。因此，将不同的空间数据挖掘方法应用到精细农业中，对精细农业中的智能决策是非常可行和十分必要的。

应用聚类和分类算法处理农业问题在国际上已经有很多成功先例。由于模糊聚类分析可借助于模糊数学手段，实现对存在模糊性的现实事物进行分类和预测。因此具有描述样本类属中间性的优点，能客观地反映现实世界，现已成为当今聚类分析研究的主流。比较典型的模糊聚类分析方法有：基于相似性关系和模糊关系的方法、基于模糊等价关系的传递闭包方法、基于模糊凸轮的最大树方法以及基于数据集的凸分解、动态规划和难以辨识关系等方法。但这些模糊聚类算法主要存在以下几个问题。第一，在聚类过程中，算法认为各个因素是同等重要的，没有考虑评价的各个因素之间的差异性。第二，聚类前都需要事先确定分类数，而这个值往往是通过经验给出的，具有很大的主观性。第三，现实事物常常和空间信息联系在一起的，但是目前还没有将模糊聚类和空间性有机结合起来。

发明内容

本发明的目的在于克服现有模糊聚类算法的不足之处，但是本发明不限于解决全部上述问题，而是可以解决上述问题中的一个或多个，或者可以解决除了上述问题以外的问题。本发明提出一种考虑到聚类因素差异性，融合空间数据挖掘和模糊聚类技术的加权空间模糊聚类方法。

在一个方面，本发明提供一种面向精细农业的加权空间模糊聚类方法，所述包括以下步骤：

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。

根据一个方面，上述步骤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)。

根据一个方面，上述步骤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。

根据一个方面，上述步骤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。