[发明专利]玉米良种选育方法

摘要

本发明公开了一种玉米良种选育方法，包括选取样本集、横向降维、纵向约简、分类预测等步骤。本发明方法简便，极大的减少了人工良种选育中劳动强度，提高了玉米良种选育的决策效率和准确性。

主权项

一种玉米良种选育方法，其特征是：包括下列步骤：(1) 选取样本集选取原始玉米样本集中的多个子类玉米、多个重要属性作为分析对象，以应用融合的数据挖掘算法；(2) 横向降维1) 标准化所选样本集；2) 计算所选择的多个属性的相关系数矩阵，分析相关系数矩阵，并标记关联属性集M1；3)通过计算系数因子，可得到主成分的前几列系数矩阵，并标记关联属性集M2；4)合并关联属性集M1、M2中相关的集合，得到几组相关性较强的属性组，且每一组属性组中的属性也分别高关联；5) 根据所得的关联属性组，选择相应的主成分式子，并根据属性在主成分式子中的系数因子，确定该属性在相应成分中所占的比重，作为权重，可得新的特征值集合，用于后续算法的处理；(3) 纵向约简1) 异常点检测；检测新的特征集中超过[‑1.5，1.5]范围的特殊样本点，并进行异常分析；2) 划分网格；利用网格技术，选择划分参数，对新形成的特征集合进行网格划分，代替原先的等份划分； 3) 改进的k‑means方法，分别对划分的网格中的数据点进行改进的k‑means进行聚类；该改进k‑means算法如下：首先通过最远距离来实现初始聚类中心的选择，其次再对数据集进行传统k‑means 算法的聚类；4) 合并局部簇类，形成最终的聚类结果。对于网格中聚类得到的很多小的簇类，采用原始CURE 聚类算法的merge方法，用固定数目个代表点代替原始单一的数据点，通过堆这一数据结构查找最近的簇类，进而合并上一步得到的小型簇类，得到最终的聚类结果；(4) 分类预测1) 输入判断属性；输入一个玉米判断属性，对此样本点进行横向降维处理，得到新的特征值组，对样本点进行后续的决策树分析；2) 确定分类属性；3) 设置默认的规模阈值；4) 连续属性离散化；将特征值按数值由小到大排序，当对应样本的分类属性发生变化时，则将上下两个样本极为划分点。通过计算每个划分点的期望，找出值最小的划分点，则可确定为最优划分阈值；5) 决策树根节点的确定；A. 按C4.5分类规则进行根节点的确定；6) 最终决策树的建立；按照第4、5 步的方法，继续建立决策树的下层子树，直到所有的样本点都分类完毕为止，由此可得最终的分类决策树；7) 最优玉米双亲的确定根据最终的决策树模型，根据欧几里德距离，选择与该样本点最为相似的一个玉米品种，并将该品种的父类玉米作为培育良种的最优双亲。