CN103678683A - 一种面向精细农业的加权空间模糊聚类方法和设备 - Google Patents
一种面向精细农业的加权空间模糊聚类方法和设备 Download PDFInfo
- Publication number
- CN103678683A CN103678683A CN201310730716.2A CN201310730716A CN103678683A CN 103678683 A CN103678683 A CN 103678683A CN 201310730716 A CN201310730716 A CN 201310730716A CN 103678683 A CN103678683 A CN 103678683A
- Authority
- CN
- China
- Prior art keywords
- matrix
- fuzzy
- clustering
- calculate
- utilize
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000035558 fertility Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000003905 agrochemical Substances 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向精细农业的加权空间模糊聚类方法和设备。所述方法包括以下步骤: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。
Description
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aij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aij×aji=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,…,bm)。
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。
根据一个方面,上述aij的取值范围为1/9<aij<9。
根据一个方面,上述步骤1.2)包括:
1.2.1):任取一个n维归一化初始向量w(0);
1.2.3):对于预先给定的参数精度ε,如果则为所求特征向量;否则返回1.2.2);
1.2.5):如果CR<0.1,则通过一致性检验,重新构造下一层成对比较矩阵,返回1.2.1);否则,返回1.1),重新构造成对比较矩阵。
根据一个方面,上述RI可以从下表中取得,其中n为上面提到的初始向量w(0)的维度n:
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 |
根据一个方面,上述步骤2.3)包括:利用夹角余弦法,计算一个模糊集(i)与另一个模糊集(j)的贴近度(rij),作为模糊相似矩阵的元素,由此得到模糊相似矩阵R。
根据一个方面,上述步骤2.5)包括:将t(R)中不同数值元素从大到小进行排列,根据分类阈值,对t(R)依次取值,即可形成动态聚类视图。
根据一个方面,上述步骤3.4)包括:如果存在多个F值满足预定的置信值,则选择较大的F值作为最佳的F值。
根据另一个方面,本发明提供一种面向精细农业的加权空间模糊聚类设备,包括:存储设备;和处理器,其耦接到所述存储设备,并且被配置为: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。
本发明的有益效果主要表现在:考虑到聚类因素差异性,将空间数据挖掘和模糊聚类技术有机结合,提升农业数据的聚类质量。应用加权空间模糊聚类技术可以有效解决精准作业中土壤肥力分级、施肥方法确立和土壤肥力评价等关键问题,对精细农业生产中的智能决策,精准作业的实施,及推动信息技术与农业生产领域的交叉融合都有非常重要的意义。
附图说明
为了详细地理解本发明,现在结合附图描述下面的具体实施方式。
图1是根据本发明实施例的方法的流程图;
图2是根据本发明实施例的图1中步骤1的方法的流程图;
图3是根据本发明实施例的图1中步骤2的方法的流程图;
图4是根据本发明实施例的图1中步骤3的方法的流程图;以及
图5是根据本发明实施例的设备的框图。
具体实施方式
下面参考附图更详细地描述本发明的优选实施例。注意,贯穿以下描述,阐述细节以便提供对本发明的更彻底的理解。但是,本发明可以在没有这些具体细节的情况下实践。在其它情况下,没有示出或详细描述公知的元件以避免不必要地模糊本发明。因此,说明书和附图应当被认为是说明性的,而不是限制的意义上的。
图1示出了根据本发明实施例的面向精细农业的加权空间模糊聚类方法。参照图1,在步骤1)中,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。
然后在步骤2)中,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。
最后在步骤3)中,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。
根据本发明的上述方法考虑了评价的各个因素之间的差异性。此外通过F统计量来确定分类数,避免了主观性。另外将模糊聚类和空间性结合起来,提高了聚类质量。
图2是根据本发明实施例的图1中步骤1的方法的流程图。根据图2,在步骤1.1)中,通过征求领域专家意见,给出相应打分表。根据打分表,构造成对比矩阵A=(aij)m×n。其中aij表示第i个因素相对于第j个因素的比较结果,比较时取1-9尺度,并且aij×aji=1。
在步骤1.2)中,利用幂法求解对比矩阵的最大特征值λ及其对应的特征向量w,计算单排序权向量并做一致性检验。该步骤具体包含如下步骤:
1.2.1:任取一个n维归一化初始向量w(0);
1.2.2:计算 并归一化即 其中k=1,2,…;
表1RI取值表
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 |
1.2.5:如果CR<0.1,则通过一致性检验,重新构造下一层成对比较矩阵,返回1.2.1;否则,返回1.1),重新构造成对比矩阵。
在步骤1.3)中,重复1.1)和1.2),直至计算出所有层权重,获得总目标权重向量B=(b1,b2,…,bm)。
图3是根据本发明实施例的图1中步骤2的方法的流程图。首先,根据实际问题建立原始数据矩阵D,如下所示,其中xij表示第i个数据的第j个属性的值。
为了使不同的量纲也可以比较,因此需要进行数据标准化。其具体方法是将数据压缩到[0,1]区间上。因此在步骤2.1)中,对输入的原始数据矩阵进行极差变换,即其中max{xij}和min{xij}分别表示第i个数据中最大的属性值和最小的属性值。
在步骤2.2)中,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,即
模糊聚类分析要求建立的模糊等价矩阵应具有三个性质:自反性、对称性和传递性,一般的模糊相似矩阵具有前两个性质。因此在步骤2.4)中,利用平方自合成法对模糊相似矩阵R进行改造成模糊等价矩阵t(R),即:R→R2→R4→…→R2(k+1)=R2k,其中 t(R)=R2k=(tij)m×m。
在步骤2.5)中,将t(R)中不同数值元素从大到小进行排列,根据不同的分类阈值λ,将t(R)依次取值,即可形成动态聚类视图(根据模糊聚类分析方法,不同的λ值会对应不同的分类数,且0<λ<1.即有一个λ值会跟一个分类数对应。)。
图4是根据本发明实施例的图1中步骤3的方法的流程图。在确定分类数时,通常是在动态聚类视图中进行的。目前采用的方法是调整分类阈值λ值以得到适当的分类,而不需要事先准确地估计好样本应分成几类。然而这种方法往往会在主观愿望上先进行分类,然后再去凑λ,从而导致分类结果随着主观意愿改变。因此,本发明提出了新的分类阈值λ确定方法:用F-统计量来确定最佳分类数以及最佳阈值λ,再根据λ值在动态聚类视图中进行分类,最终得到最佳分类数。具体过程如下:
在步骤3.3)中,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,即
其中分子代表类与类之间的距离,分母代表类内样本间的距离。因此,F值越大,说明类与类之间的距离大,分类就越好。
在步骤3.4)中,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。具体来说,对于置信值α=0.05,如果F>Fα(r-1,n-r),说明分类比较合理,通过查找F分布表,找到满足上述不等式的F,从而得到对应的分类数r和对应的分类阈值λ。如果满足不等式F>Fα(r-1,n-r)的F值不止一个,则可进一步考查F-Fα的大小,从较大者中找一个满意的F值即可。利用得到的分类数r和对应的分类阈值λ,对动态聚类视图中进行分类,从而得到动态聚类结果。
图5为用于执行根据本发明实施例的面向精细农业的加权空间模糊聚类方法的设备的框图。
本发明的各个方面可以用由计算机或诸如数字信号处理器(DSP)电路之类的专用组件执行的软件来实现。图5是可以用来执行本发明的各个方面的设备的示意性方框图。处理器提供计算资源。存储器表示诸如用于存储操作设备所需的程序并且可能用于执行本发明的各个方面的只读存储器(ROM)之类的某些形式的永久存储器和/或由用于处理的处理器使用的系统随机存取存储器(RAM)。I/O表示接收并且传输信号的接口电路。在示出的实施例中,所有主系统组件连接到总线,总线可以表示多于一个物理或逻辑总线;但是,总线结构不是执行本发明所必需的。
在由通用计算机系统执行的实施例中,附加组件可以被包括以用于联接到诸如键盘或鼠标和显示器之类的设备,并且用于控制具有诸如磁带或磁盘、或光学介质之类的存储介质的存储设备。存储介质可以用来记录用于操作系统、工具和应用的指令程序,并且可以包括执行本发明的各个方面的程序。
用于执行实践本发明的各个方面所需的功能的方法可以是以包括离散逻辑组件、集成电路、一个或多个ASIC和/或程序控制的处理器的多种方式实施的电子元件。通过在程序控制的处理器中运行实施本发明的程序可以利用常规程序设计方法被设计并且以常规程序设计语言来编写。其中实施这些组件和程序的方式对本发明说来不是重要的。
本发明的程序实施方式可以通过包括存储介质的各种机器可读介质传送,其是利用包括磁带、卡或盘、光学卡或盘、和包括文件的介质上的可检测标记的基本上任何记录技术记录信息的非瞬时介质。
本发明的有益效果主要表现在:考虑到聚类因素差异性,将空间数据挖掘和模糊聚类技术有机结合,提升农业数据的聚类质量。应用加权空间模糊聚类技术可以有效解决精准作业中土壤肥力分级、施肥方法确立和土壤肥力评价等关键问题,对精细农业生产中的智能决策,精准作业的实施,及推动信息技术与农业生产领域的交叉融合都有非常重要的意义。
此外,对于本领域的普通技术人员来说可显而易见的得出其他优点和修改。因此,具有更广方面的本发明并不局限于这里所示出的并且所描述的具体说明及示例性实施例。因此,在不脱离由随后权利要求及其等价体所定义的一般发明构思的精神和范围的情况下,可对其做出各种修改。
Claims (12)
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aij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aij×aji=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,…,bm)。
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aij的取值范围为1/9<aij<9。
7.根据权利要求6所述的加权空间模糊聚类方法,其中,RI可以从下表中取得,其中n为初始向量w(0)的维度n:
8.根据权利要求3所述的加权空间模糊聚类方法,其中,步骤2.3)包括:利用夹角余弦法,计算一个模糊集(i)与另一个模糊集(j)的贴近度(rij),作为模糊相似矩阵的元素,由此得到模糊相似矩阵R。
10.根据权利要求9所述的加权空间模糊聚类方法,其中,步骤2.5)包括:将t(R)中不同数值元素从大到小进行排列,根据不同的分类阈值,对t(R)依次取值,即可形成动态聚类视图。
11.根据权利要求4所述的加权空间模糊聚类方法,其中步骤3.4)包括:如果存在多个F值满足预定的置信值,则选择较大的F值作为最佳的F值。
12.一种面向精细农业的加权空间模糊聚类设备,包括:
存储设备;和
处理器,其耦接到所述存储设备,并且被配置为:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310730716.2A CN103678683A (zh) | 2013-12-26 | 2013-12-26 | 一种面向精细农业的加权空间模糊聚类方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310730716.2A CN103678683A (zh) | 2013-12-26 | 2013-12-26 | 一种面向精细农业的加权空间模糊聚类方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103678683A true CN103678683A (zh) | 2014-03-26 |
Family
ID=50316227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310730716.2A Pending CN103678683A (zh) | 2013-12-26 | 2013-12-26 | 一种面向精细农业的加权空间模糊聚类方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103678683A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331836A (zh) * | 2014-11-24 | 2015-02-04 | 浙江省公众信息产业有限公司 | 农作物决策支持方法和装置 |
CN107169874A (zh) * | 2017-04-18 | 2017-09-15 | 山西农业大学 | 一种山区生态养殖的综合效益评价指标系统 |
CN109949070A (zh) * | 2019-01-28 | 2019-06-28 | 平安科技(深圳)有限公司 | 用户黏度评估方法、装置、计算机设备及存储介质 |
CN111814016A (zh) * | 2020-07-13 | 2020-10-23 | 重庆邮电大学 | 一种混合粒度多视图新闻数据聚类方法 |
CN114689980A (zh) * | 2022-06-01 | 2022-07-01 | 深圳市明珞锋科技有限责任公司 | 一种充电机异常事故报警装置 |
-
2013
- 2013-12-26 CN CN201310730716.2A patent/CN103678683A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331836A (zh) * | 2014-11-24 | 2015-02-04 | 浙江省公众信息产业有限公司 | 农作物决策支持方法和装置 |
CN104331836B (zh) * | 2014-11-24 | 2017-09-15 | 浙江省公众信息产业有限公司 | 农作物决策支持方法和装置 |
CN107169874A (zh) * | 2017-04-18 | 2017-09-15 | 山西农业大学 | 一种山区生态养殖的综合效益评价指标系统 |
CN109949070A (zh) * | 2019-01-28 | 2019-06-28 | 平安科技(深圳)有限公司 | 用户黏度评估方法、装置、计算机设备及存储介质 |
CN109949070B (zh) * | 2019-01-28 | 2024-03-26 | 平安科技(深圳)有限公司 | 用户黏度评估方法、装置、计算机设备及存储介质 |
CN111814016A (zh) * | 2020-07-13 | 2020-10-23 | 重庆邮电大学 | 一种混合粒度多视图新闻数据聚类方法 |
CN111814016B (zh) * | 2020-07-13 | 2022-07-12 | 重庆邮电大学 | 一种混合粒度多视图新闻数据聚类方法 |
CN114689980A (zh) * | 2022-06-01 | 2022-07-01 | 深圳市明珞锋科技有限责任公司 | 一种充电机异常事故报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Charrad et al. | NbClust: an R package for determining the relevant number of clusters in a data set | |
Macabuag et al. | A proposed methodology for deriving tsunami fragility functions for buildings using optimum intensity measures | |
Fülöp | Introduction to decision making methods | |
Kovács et al. | Classification into homogeneous groups using combined cluster and discriminant analysis | |
Bulteel et al. | CHull as an alternative to AIC and BIC in the context of mixtures of factor analyzers | |
Leroux et al. | How to measure and report within-field variability: a review of common indicators and their sensitivity | |
CN106372952A (zh) | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 | |
CN103678683A (zh) | 一种面向精细农业的加权空间模糊聚类方法和设备 | |
CN103208039A (zh) | 软件项目风险评价方法及装置 | |
CN104050242A (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
CN104539484A (zh) | 一种动态评估网络连接可信度的方法及系统 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
CN106934410A (zh) | 数据的分类方法及系统 | |
Yang et al. | Experimental analysis and evaluation of wide residual networks based agricultural disease identification in smart agriculture system | |
Jodlbauer et al. | Stability of cross impact matrices | |
CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
Kizielewicz et al. | Handling economic perspective in multicriteria model-renewable energy resources case study | |
Terry et al. | Widespread analytical pitfalls in empirical coexistence studies and a checklist for improving their statistical robustness | |
Kishida | Empirical comparison of external evaluation measures for document clustering by using synthetic data | |
Xiao et al. | A Comparison study of utilizing optimization algorithms and fuzzy logic for candidate-well selection | |
Lasrado et al. | Whose Maturity is it Anyway?: The Influence of Different Quantitative Methods on the Design and Assessment of Maturity Models | |
Dhamo et al. | Using the R-package to forecast time series: ARIMA models and Application | |
CN113191689A (zh) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140326 |