[发明专利]植物适生地的分类方法及装置

权利要求书

1.一种植物适生地的分类方法，其特征在于，所述方法包括：

获取当前区域表征影响植物生长的地域特征数据集；

计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级；

根据所述适生等级对所述当前区域进行分类；

其中，所述计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级的步骤包括：

将所述地域特征数据集输入至预先训练好的植物适生地分类模型，通过所述植物适生地分类模型计算所述地域特征数据集与指定植物的适生数据集的相似距，以及，输出所述当前区域相对于所述指定植物的适生等级；

其中，所述植物适生地分类模型为通过所述指定植物的生长数据对神经网络训练得到的分类模型；所述生长数据为对所述地域特征数据集进行所述适生等级标记的数据；

所述方法还包括：

对所述生长数据进行预处理，得到训练数据集；

基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值；

利用所述训练数据集对赋值后的所述动量BP神经网络进行训练，构建所述植物适生地分类模型。

2.根据权利要求1所述方法，其特征在于，所述基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值的步骤包括：

预先设置所述粒子群参数，其中，所述粒子群参数包括粒子数目维数、允许最大迭代次数、目标误差、学习因子、惯性权重最大最小值、搜索最大速度以及随机设置初始搜索速度、位置和所述惯性权重；

更新所述粒子群中每一粒子的速度和位置；

利用适应度函数计算所述粒子群中每一粒子的适应值；

根据所述每一粒子适应值更新所述粒子群的个体极值和全局极值；

当达到预先设置的所述允许最大迭代次数或者所述目标误差时，输出所述粒子群的全局极值，反之，继续更新所述粒子群中每一粒子的速度和位置。

3.根据权利要求2所述方法，其特征在于，所述更新所述粒子群中每一粒子的速度和位置的步骤包括：

按照粒子在多维空间的速度转移公式对所述每一粒子的速度和位置进行更新，其中，所述速度转移公式表示为：

其中，表示所述粒子群数目，ξ，η表示(0,1)内均匀分布的随机数，c₁，c₂表示所述学习因子，w表示所述惯性权重，r表示约束因子，表示粒子i在k时刻在d维空间的个体极值位置，表示k时刻在d维空间的全局极值位置，表示粒子i在k时刻在d维空间的位置，表示粒子i在k时刻在d维空间的速度，当所述大于所述搜索最大速度时，将所述设置为所述搜索最大速度。

4.根据权利要求2所述方法，其特征在于，所述根据所述每一粒子适应值更新所述粒子群的个体极值和全局极值的步骤包括：

判断所述每一粒子的适应值是否大于预先设置的个体极值；

如果是，将所述个体极值更新成所述适应值；以及，

判断所述个体极值是否大于预先设置的全局极值；

如果是，将所述全局极值更新成所述个体极值。

5.根据权利要求2所述方法，其特征在于，所述适应度函数表达式为：

其中，m表示所述植物适生地分类模型输出节点的个数，p表示所述训练数据集数目，表示所述植物适生地分类模型期望输出值，y_pj表示所述植物适生地分类模型输出值。

6.一种植物适生地的分类装置，其特征在于，所述装置包括：

获取模块，用于获取当前区域表征影响植物生长的地域特征数据集；

计算模块，用于计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级；

分类模块，用于根据所述适生等级对所述当前区域进行分类；

其中，所述计算模块还用于：

将所述地域特征数据集输入至预先训练好的植物适生地分类模型，通过所述植物适生地分类模型计算所述地域特征数据集与指定植物的适生数据集的相似距，以及，输出所述当前区域相对于所述指定植物的适生等级；

其中，所述植物适生地分类模型为通过所述指定植物的生长数据对神经网络训练得到的分类模型；所述生长数据为对所述地域特征数据集进行所述适生等级标记的数据；

所述装置还包括：

预处理模块，用于对所述生长数据进行预处理，得到训练数据集；

赋值模块，用于基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值；

训练模块，用于利用所述训练数据集对赋值后的所述动量BP神经网络进行训练，构建所述植物适生地分类模型。