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

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

一种面向精细农业的加权空间模糊聚类方法和设备

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。

根据一个方面，上述a_ij的取值范围为1/9<a_ij<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⁾；

1.2.2）：计算 ${\tilde{w}}^{(k+1)}={\mathrm{Aw}}^{\left(k\right)},$ 并归一化

即 ${\tilde{w}}^{(k+1)}={\tilde{w}}^{(k+1)}/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\tilde{w}}_i^{(k+1)},$ 其中k=1,2,…；

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）；

1.2.4）：计算最大特征值一致性指标

及一致性比率

其中RI为随机一致性指标；以及

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（r_ij），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2.4）包括：通过如下等式将模糊相似矩阵R改造成模糊等价矩阵t(R)，即：R→R²→R⁴→…→R^2(k+1)=R^2k，其中

$r_{\mathrm{ij}}^{\&prime;}=\underset{k=1}{\overset{m}{\max }}\left(\min (r_{\mathrm{ik}},r_{\mathrm{jk}})\right),$ t(R)=R^2k=(t_ij)_m×m。

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=(a_ij)_m×n。其中a_ij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a_ij×a_ji=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 ${\tilde{w}}^{(k+1)}={\mathrm{Aw}}^{\left(k\right)},$ 并归一化即 ${\tilde{w}}^{(k+1)}={\tilde{w}}^{(k+1)}/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\tilde{w}}_i^{(k+1)},$ 其中k=1,2,…；

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Step2；

1.2.4：计算最大特征值

一致性指标

及一致性比率

其中RI为随机一致性指标，具体取值如表1，其中n为上面提到的初始向量w⁽⁰⁾的维度n：

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,…,b_m)。

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x_ij表示第i个数据的第j个属性的值。

$D=\left[\begin{array}{cccc}{x}_{11}& x_{21}& ...& x_{1m}\\ x_{21}& x_{22}& ...& x_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{nm}}\end{array}\right]$

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{x_ij}和min{x_ij}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

在步骤2.3）中，针对该模糊矩阵，利用夹角余弦法，计算模糊集i与模糊集j的贴近度r_ij，即：

其中模糊集i为上述模糊矩阵Y的一行的所有元素。然后得到模糊相似矩阵R=(r_ij)_n×n。

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→…→R^2(k+1)=R^2k，其中

t(R)=R^2k=(t_ij)_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3.1）中，计算输入的原始数据矩阵的总体样本的中心向量

其中 ${\stackrel{\&OverBar;}{x}}_k=\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ik}}\right),$ k=1,2,…,m。

在步骤3.2）中，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。设对应于某个λ值的分类数为r，第j类的样本数为n_j，第j类的样本记为：

第j类的聚类中心向量 ${\stackrel{\&OverBar;}{x}}^{\left(j\right)}=({\stackrel{\&OverBar;}{x}}_1^{\left(j\right)},{\stackrel{\&OverBar;}{x}}_2^{\left(j\right)},...,{\stackrel{\&OverBar;}{x}}_{n_j}^{\left(j\right)}).$ 其中 ${\stackrel{\&OverBar;}{x}}_k^{\left(j\right)}=\frac{1}{n}\underset{i=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ik}}^{\left(j\right)},$ k=1,2,…,m。

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

$F=\frac{\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{n}_j{\left|\right|{\stackrel{\&OverBar;}{x}}^{\left(j\right)}-\stackrel{\&OverBar;}{x}\left|\right|}^2\&CenterDot;(n-r)}{\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{\left|\right|x_i^{\left(j\right)}-{\stackrel{\&OverBar;}{x}}_i^{\left(j\right)}\left|\right|}^2\&CenterDot;(r-1)}$

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>F_α(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>F_α(r-1,n-r)的F值不止一个，则可进一步考查F-F_α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)。

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a_ij的取值范围为1/9<a_ij<9。

6.根据权利要求2所述的加权空间模糊聚类方法，其中步骤1.2）包括：

1.2.1）：任取一个n维归一化初始向量w⁽⁰⁾；

1.2.2）：计算 ${\tilde{w}}^{(k+1)}={\mathrm{Aw}}^{\left(k\right)},$ 并归一化

即 ${\tilde{w}}^{(k+1)}={\tilde{w}}^{(k+1)}/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\tilde{w}}_i^{(k+1)},$ 其中k=1,2,…；

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）；

1.2.4）：计算最大特征值一致性指标

及一致性比率

其中RI为随机一致性指标；以及

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。

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：

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

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（r_ij），作为模糊相似矩阵的元素，由此得到模糊相似矩阵R。

9.根据权利要求8所述的加权空间模糊聚类方法，其中，步骤2.4）包括：通过如下等式将模糊相似矩阵R改造成模糊等价矩阵t(R)，即：R→R²→R⁴→…→R^2(k+1)=R^2k，其中

$r_{\mathrm{ij}}^{\&prime;}=\underset{k=1}{\overset{m}{\max }}\left(\min (r_{\mathrm{ik}},r_{\mathrm{jk}})\right),$ t(R)=R^2k=(t_ij)_m×m。

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。

Images