[发明专利]基于极小负co-location模式的植被相克关系挖掘方法

权利要求书

1.基于极小负co-location模式的植被相克关系挖掘方法，其特征在于，具体步骤如下：

步骤S1、确定待挖掘区域内每种待挖掘植被各自的数量，将每种植被种类作为一个植被空间特征，得到一个植被空间特征集合F＝{f₁,f₂,...,f_m}，m为待挖掘区域植被种类总数，每个种类的植被中每株植被即为植被空间特征的一个植被空间实例，得到与植被空间特征集合F对应的植被空间实例集S＝{s_i},1≤i≤n，其中，n为待挖掘区域植株总数，植被空间实例s_i表示任意一株待挖掘植被；

步骤S2、确定所有植被空间特征的植被空间实例的邻居，得到与植被空间实例集S＝{s₁,s₂,...,s_n}对应的植被空间实例邻居表；

步骤S3、根据植被空间特征集合F和植被空间实例邻居表，从植被空间实例集S＝{s₁,s₂,...,s_n}中挖掘出所有的频繁正co-location模式；

步骤S4、按照所有的频繁正co-location模式的阶数，由低阶到高阶将任意两两不相交的频繁正co-location模式c组合，若组合结果为非频繁的正co-location模式，则将该合并结果作为候选负co-location模式，并以此产生所有的候选负co-location模式；

步骤S5、判断所有候选负co-location模式是否为极小负co-location模式；

所述频繁正co-location模式是用户可能感兴趣的共生植被集合，所述非频繁的正co-location模式是非共生植被集合，所述候选负co-location模式是可能相克的植被集合即包含相克关系的植被集合，所述极小负co-location模式是用户极可能感兴趣的相克植被集合；

所述植被空间实例s_i由三元组所属植被空间特征，实例号，空间位置描述，实例号指该株待挖掘植被在所属植被类型的所有植株中的排序序号，空间位置指该株待挖掘植被所在的空间位置；

所述步骤S2的具体实现过程如下：

给定一个空间邻近距离阈值d，按照每个植被空间特征的植被空间实例的实例号排序，并根据其植被空间实例的空间位置，计算植被空间实例集S＝{s₁,s₂,...,s_n}中任意一个植被空间实例与其他植被空间特征的植被空间实例之间的欧式距离，如果任意两参与计算的植被空间实例的欧式距离小于等于用户给定的空间邻近距离阈值d，则互称为邻居，进而确定出每个植被空间实例的邻居，得到与植被空间实例集S＝{s₁,s₂,...,s_n}对应的植被空间实例邻居表；

所述步骤S3的具体实现过程如下：

步骤S31、根据植被空间特征集合F，确定出所有co-location模式其中k为co-location模式c包含的植被空间特征的个数，称为该co-location模式c的阶；

步骤S32、基于植被空间实例集S＝{s₁,s₂,...,s_n}，搜索出任意一组植被空间实例的集合且{R(s_i,s_j)|1≤i≤k,1≤j≤k}，R(s_i,s_j)表示植被空间实例s_i和s_j互为邻居；

步骤S33、判断任意一个集合I是否满足：包含了该co-location模式c中的所有特征，且其中没有任何一个子集可以包含该co-location模式c中的所有特征，如满足，则该集合I被称为该co-location模式c的一个行实例，该co-location模式c的所有行实例的集合为其表实例，记为table_instance(c)；

步骤S34、依据确定的表实例table_instance(c)，计算该co-location模式c的参与度PI(c)，如PI(c)≥min_prev，min_prev为给定的参与度阈值，则称该co-location模式c为频繁正co-location模式，否则该co-location模式c为非频繁的正co-location模式；

所述步骤S34中co-location模式c的参与度PI(c)是co-location模式c的所有植被空间特征f_i(1≤i≤k)的参与率的最小值，即：

其中，PR(c,f_i)为植被空间特征f_i的参与率，表示植被空间特征f_i的植被空间实例在该co-location模式c的表实例中不重复出现的个数，|table_instance({f_i})|表示植被空间特征f_i的植被空间实例总数，π是关系的投影操作，表示同样的植被空间实例只能算一个，用以去除冗余；

所述步骤S5的具体实现过程如下：

步骤S51、对于一个含有k个正项特征的候选负co-location模式X是正项特征的集合，是负项特征集合，集合X和Y均为共生植被集合，表示共生植被集合X和共生植被集合Y相克，且判断集合X是否满足：X＝X₁∪X₂，且和是频繁的负co-location模式；并判断集合Y是否满足：且Y′是频繁正co-location模式；如集合X和Y均不满足上述条件，则执行步骤S52；

所述频繁的负co-location模式是用户可能感兴趣的相克植被集合，所述极小负co-location模式是频繁负co-location模式具有代表性的无损压缩子集；

步骤S52、判断频繁正co-location模式X的最大参与率是否满足max(PR(X,x_i))≤1-min_prev，1≤i≤k，PR(X,x_i))为频繁正co-location模式X中植被空间特征x_i的参与率；如满足，则其为极小负co-location模式，表示用户可能感兴趣的相克植被集合；如不满足，则执行步骤S53；

步骤S53、确定该候选负co-location模式的表实例，计算其参与度，并判断其参与度是否大于给定的参与度阈值，如大于，则其为极小负co-location模式；

所述步骤S53的具体实现过程如下：

步骤S531、根据步骤S2的植被空间实例集S＝{s₁,s₂,...,s_n}以及对应的植被空间实例邻居表，确定候选负co-location模式的表实例table_instance(T)；

步骤S532、通过该候选负co-location模式的表实例计算其参与度计算公式表示如下：

其中，PR(X∪Y,x_i)是植被空间特征x_i(x_i∈X)在模式X∪Y中的参与率；

步骤S533、给定参与度阈值min_prev，判断计算所得参与度是否满足如满足，则该候选co-location模式为极小负co-location模式。

2.根据权利要求1所述的基于极小负co-location模式的植被相克关系挖掘方法，其特征在于，所述步骤S5得到所有极小负co-location模式后，能够推导出所有频繁负co-location模式，得到所有的用户可能感兴趣的相克植被集合，具体实现过程如下：

(1)依据负项集对极小负co-location模式进行分组，将负项集相同的极小负co-location模式分为一组；

(2)取出同一组的极小负co-location模式的所有正项集，并将其存入正项集集合中；

(3)将正项集集合中任意两两不相交的正项集进行合并，若合并的结果是一个频繁正co-location模式，则将合并的结果与正项集集合再次进行两两不相交合并，并将前一次合并的结果加入至正项集集合中，对正项集集合进行更新，并判断若本次合并的结果是否为频繁正co-location模式，如是，则重复上述合并操作，直至合并的结果没有频繁正co-location模式；

(4)在步骤S3挖掘的频繁正co-location模式中找出该组极小负co-location模式的负项集的超集，并将其与该组极小负co-location模式的负项集都存入负项集集合中；

(5)将(2)中得到的正项集集合与(3)中得到的负项集集合进行两两不相交合并，正项集中的元素作为正项特征集，负项集中的元素作为负项特征集，组合的结果均为频繁负co-location模式，将结果存入到频繁负co-location模式集合中；

(6)返回(1)步骤，对下一组负项集相同的极小负co-location模式进行(2)～(5)的处理，直至完成所有依据负项集进行的分组，最后输出频繁负co-location模式集合。