CN113378468B - 多维地学参量的权重优化方法及系统 - Google Patents
多维地学参量的权重优化方法及系统 Download PDFInfo
- Publication number
- CN113378468B CN113378468B CN202110678465.2A CN202110678465A CN113378468B CN 113378468 B CN113378468 B CN 113378468B CN 202110678465 A CN202110678465 A CN 202110678465A CN 113378468 B CN113378468 B CN 113378468B
- Authority
- CN
- China
- Prior art keywords
- index
- value
- data
- correlation
- initial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 83
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 4
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多维地学参量的权重优化方法及系统，涉及信息技术领域。该方法包括：对初始数据进行标准归一化处理；根据标准数据对全部指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部指标值进行筛选；创建初始粒子，并根据迭代控制参数配置迭代环境；根据适应度函数计算每个初始粒子的适应度；对初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解。本发明适用于高维数据的分析，能够客观的反映数据特征，权重的解释也较为清晰确切，同时在非线性数据的应用中具有一定的稳健性，具有客观、稳定、普适和高效的特点。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种多维地学参量的权重优化方法及系统。
背景技术
在评价工作及科研工作的开展中，往往需要以一维数据的形式表现多维数据的特征，以简洁、综合和直观地展现整体数据的特点。目前，最为常用的方法是构建指标体系，根据权重对不同的指标进行加权获得相应的得分，从而以综合得分的表现形式体现多维数据的特征。
现有的权重确定方法主要包括层次分析法和专家权重确定法等。层次分析法和专家权重确定法都是人为确定权重的方法，在进行高维数据的分析与评价时缺乏效率，同时较强的主观性会降低该体系的可信度和客观性，对于生态学的研究和分析，通常需要对多维数据进行降维，因此，现有的权重确定方法无法满足客观性和高效性的要求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种多维地学参量的权重优化方法及系统。
本发明解决上述技术问题的技术方案如下：
一种多维地学参量的权重优化方法，包括：
获取初始数据，并设置迭代控制参数，所述初始数据的每个样本中包含用于评价地学参量的多个指标值；
对所述初始数据进行标准归一化处理，得到标准数据；
根据所述标准数据对全部所述指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部所述指标值进行筛选；
根据筛选后的所述标准数据创建初始粒子，并根据所述迭代控制参数配置迭代环境；
构建适应度函数，根据所述适应度函数计算每个所述初始粒子的适应度；
根据所述迭代控制参数和所述适应度对所述初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解。
本发明解决上述技术问题的另一种技术方案如下：
一种多维地学参量的权重优化系统，包括：
初始单元，用于获取初始数据，并设置迭代控制参数，所述初始数据的每个样本中包含用于评价地学参量的多个指标值；
标准归一化单元，用于对所述初始数据进行标准归一化处理，得到标准数据；
相关性分析单元，用于根据所述标准数据对全部所述指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部所述指标值进行筛选；
迭代循环单元，用于根据筛选后的所述标准数据创建初始粒子，并根据所述迭代控制参数配置迭代环境；构建适应度函数，根据所述适应度函数计算每个所述初始粒子的适应度；根据所述迭代控制参数和所述适应度对所述初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解。
本发明的有益效果是：本发明提供的权重优化方法，适用于高维数据的分析，能够客观的反映数据特征，权重的解释也较为清晰确切，同时在非线性数据的应用中具有一定的稳健性，由于权重的确定由粒子群优化算法和投影寻踪聚类分析确定，因此完全基于数据本身的特点，具有客观、稳定、普适和高效的特点，此外，本发明体用的权重优化方法适用于表格形式和栅格形式等的数据，所需参数较少，操作简洁，不需要掌握专业分析统计知识即可使用。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明权重优化方法的实施例提供的流程示意图；
图2为本发明权重优化方法的其他实施例提供的迭代流程示意图；
图3为本发明权重优化系统的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明权重优化方法的实施例提供的流程示意图，该权重优化方法用于多维地学参量的权重优化，包括：
S1，获取初始数据，并设置迭代控制参数，初始数据的每个样本中包含用于评价地学参量的多个指标值；
需要说明的是，地学即地球科学，是对以我们所生活的地球为研究对象的学科的统称，通常有地质学、地理学、海洋学、大气物理和古生物学等学科。
地学参量可以根据具体的学科不同进行设置，例如，以地质学为例，参量可以包括地质成分、岩性和地震数据等，以大气物理为例，参量可以包括气体成分、含氧量和气流参数等。
初始数据中包括多个样本，每个样本都通过多个如上参量的指标值进行评价。例如，输入的初始数据可以为某年全国陆地生态系统的陆面温度LST、叶面积指数LAI、植被指数NDVI、植被覆盖度FVC、总初级生产力GPP、净初级生产力NPP、净生态系统生产力NEP、湿润度指数IM、波文比Bowen、水分利用效率WUE和水分蓄存指数WSI共11项参数的年度某省栅格数据。
由于本方案采用了迭代的方式，因此，如表1所示，给出示例性的迭代控制参数设置方式。
表1
S2，对初始数据进行标准归一化处理，得到标准数据；
需要说明的是，由于不同指标之间的量纲可能不同，因此，需要对初始数据进行标准归一化处理，消除指标间量纲及无量纲差异。
例如，可以采用极大极小值法进行标准归一化处理。
S3，根据标准数据对全部指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部指标值进行筛选；
具体地，由于每个样本由多个指标值进行评价，因此，可以分别对指标值进行两两的相关性分析，从而得到每个指标与其他指标的之间的相关性，可以去除相关性较高的指标值，从而减少处理的数据量，提高指标值的代表性。
应理解，预设阈值可以根据实际需求设置，例如，可以为0.9，也可以为0.8。
S4，根据筛选后的标准数据创建初始粒子，并根据迭代控制参数配置迭代环境；
需要说明的是，每一指标对应一个维度，每一样本视为一个粒子，在创建初始粒子后，还需要初始化，包括：构建N个M维[0,1]的投影向量aij；创建初速度vij＝0的N个M维粒子；创建全局最优解gbest、全局最优投影向量gbesta、个体最优解pbest和个体最优向量pbesta。
S5，构建适应度函数，根据适应度函数计算每个初始粒子的适应度；
S6，根据迭代控制参数和适应度对初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解。
如图2所示，给除了示例性的迭代流程示意图，首先，向模型中输入K个M样本数据datakm，对输入的样本数据进行标准归一化处理，然后进行相关性分析，对于相关性小于阈值0.9的指标进行后续处理，并设置迭代控制参数。
创建初始粒子后，进行初始化，然后进行粒子群循环，判断是否达到最大迭代次数T或者满足迭代终止条件，如果达到最大迭代次数T或满足迭代终止条件，则根据M维全局最优投影向量gbesta计算各样本的评估值。
如果未达到最大迭代次数T或不满足迭代终止条件，则对第I个M维粒子进行循环，I的取值为从1到N，N为粒子的数量。更新第I个粒子的移动方向与速度vij，并更新粒子位置。
然后，分别计算第I个粒子聚类局部密度值Dz和全局类间分散度Sz，根据Dz和Sz计算第I个粒子的适应度Qa，判断Qa是否大于个体最优解pbest，如果是，则先将第I个粒子的个体最优向量pbestaI赋值为aI，再判断Qa是否大于全局最优解gbest。
如果Qa大于全局最优解gbest，则将粒子群的全局最优投影向量gbesta赋值为aI，再判断是否迭代完所有的粒子；如果Qa不大于全局最优解gbest，则直接判断是否迭代完所有的粒子。
如果迭代完所有的粒子，则判断是否达到最大迭代次数T或者满足迭代终止条件；如果未迭代完所有的粒子，则继续对粒子的移动方向、速度与位置进行更新，继续迭代循环。
其中，aI为第I个粒子当前的投影向量。
应理解，在计算得到每个指标的权重值后，还可以加权计算综合得分值，从而根据综合得分进行相应的数据分析。
本实施例提供的权重优化方法，适用于高维数据的分析，能够客观的反映数据特征，权重的解释也较为清晰确切，同时在非线性数据的应用中具有一定的稳健性，由于权重的确定由粒子群优化算法和投影寻踪聚类分析确定，因此完全基于数据本身的特点，具有客观、稳定、普适和高效的特点，此外，本发明体用的权重优化方法适用于表格形式和栅格形式等的数据，所需参数较少，操作简洁，不需要掌握专业分析统计知识即可使用。
可选地，在一些可能的实施方式中，对初始数据进行标准归一化处理，得到标准数据，具体包括：
判断初始数据中每维地学参量的正负向；
对于正向数据，使用如下公式进行标准归一化处理：
对于负向数据，使用如下公式进行标准归一化处理：
其中，Ii为第i个样本的第一指标值，Imin为第一指标值的最小值，Imax为第一指标值的最大值，Fi为第一指标值经过标准归一化处理后的值，i＝1,2,3,…,N，N为样本数量，第一指标为需进行标准化的同一指标。
需要说明的是，由于有很多样本，这里的同一指标指的是不同样本中的同一个指标。例如，以某年全国陆地生态系统的LST、LAI、NDVI、FVC、GPP、NPP、NEP、IM、Bowen、WUE和WSI共11项参数的年度某省栅格数据为例，其中，Bowen为负向数据，其余均为正向数据。
通过对数据中的正向数据和负向数据进行判断和区分，能够更好地挖掘数据间的关联性。
可选地，在一些可能的实施方式中，根据预设阈值对全部指标值进行筛选，具体包括：
分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个指标值对中的指标值分别记为第一指标值和第二指标值；
计算第一指标值与除第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；
计算第二指标值与除第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；
判断第一相关性值与第二相关性值的大小，将较大一方对应的指标值剔除。
假设共有4个指标，分别是指标A、指标B、指标C和指标D，假设经过相关性分析后，指标AB的相关性为0.95，指标AC的相关性为0.6，指标AD的相关性为0.5，指标BC的相关性为0.7，指标BD的相关性为0.7，指标CD的相关性为0.3，相关性越高，说明两个指标越相似，因此可以从相关性较高的指标中删除一个，保留一个，这样既可以减少数据处理量，也可以保留数据的特征，现有做法通常是随机删除一个。而本方案中，假设预设阈值为0.9，那么只有指标AB的相关性为0.95，超过了预设阈值，因此可以分别判断指标A与其他指标CD的相关性的平均值，再判断指标B与其他指标CD的相关性的平均值，从而确定删除哪一个指标。经过计算，指标A与其他指标CD的相关性的平均值为0.55，断指标B与其他指标CD的相关性的平均值为0.7，说明指标B与其他指标更加相关，因此，可以删除指标B，保留指标A，从而在高效降维的同时最大程度保留源数据特征。
例如，以某年全国陆地生态系统的LST、LAI、NDVI、FVC、GPP、NPP、NEP、IM、Bowen、WUE、WSI共11项参数的年度某省栅格数据为例，以相关性等于0.9为阈值判定强相关性去除相应指标，留下相关性相对较弱的8项数据，分别为LAI、NDVI、NPP、GPP、LST、Bowen、WUE和WSI。
示例性地，最终计算得到的权重结果如表2所示。
表2
| 指标 | LAI | NDVI | NEP | NPP | Bowen | LST | WUE | WSI |
| 权重 | 0.0447 | 0.2385 | 0.1057 | 0.1399 | 0.0437 | 0.1324 | 0.1592 | 0.1354 |
可选地，在一些可能的实施方式中，根据以下公式计算每个初始粒子的适应度：
Q＝Dz*Sz
其中，Dz为粒子局部密度，Sz为粒子全局类间分散度。
可选地，在一些可能的实施方式中，根据以下公式更新粒子的参数：
其中，表示第k次迭代第i个粒子的飞行速度矢量的第m维分量，/>表示第k次迭代第i个粒子的位置矢量的第m维分量，/>表示第i个粒子经历的历史最优位置，表示粒子群经历的历史最优位置，c0为惯性权重，c1和c2为学习因子，random(0,1)表示从0到1之间的随机数，i＝1,2,3,…,N，N为样本数量，m＝1,2,3,…,M，M为维度数量，k＝1,2,3,…,T，T为总循环次数。
应理解，上述两个公式更新的是粒子的速度及位置，c0用来调节对空间的搜索能力，c1和c2用以调节粒子自我学习的能力和粒子间相互学习的能力，random(0,1)用以增加搜索的随机性。
可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图3所示，为本发明权重优化系统的实施例提供的结构框架图，该权重优化系统用于多维地学参量的权重优化，包括：
初始单元10，用于获取初始数据，并设置迭代控制参数，初始数据的每个样本中包含用于评价地学参量的多个指标值；
标准归一化单元20，用于对初始数据进行标准归一化处理，得到标准数据；
相关性分析单元30，用于根据标准数据对全部指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部指标值进行筛选；
迭代循环单元40，用于根据筛选后的标准数据创建初始粒子，并根据迭代控制参数配置迭代环境；构建适应度函数，根据适应度函数计算每个初始粒子的适应度；根据迭代控制参数和适应度对初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解。
本实施例提供的权重优化系统，适用于高维数据的分析，能够客观的反映数据特征，权重的解释也较为清晰确切，同时在非线性数据的应用中具有一定的稳健性，由于权重的确定由粒子群优化算法和投影寻踪聚类分析确定，因此完全基于数据本身的特点，具有客观、稳定、普适和高效的特点，此外，本发明体用的权重优化方法适用于表格形式和栅格形式等的数据，所需参数较少，操作简洁，不需要掌握专业分析统计知识即可使用。
可选地，在一些可能的实施方式中，标准归一化单元20具体用于判断初始数据中每维地学参量的正负向；
对于正向数据，使用如下公式进行标准归一化处理：
对于负向数据，使用如下公式进行标准归一化处理：
其中，Ii为第i个样本的第一指标值，Imin为第一指标值的最小值，Imax为第一指标值的最大值，Fi为第一指标值经过标准归一化处理后的值，i＝1,2,3,…,N，N为样本数量，第一指标为需进行标准化的同一指标。
可选地，在一些可能的实施方式中，相关性分析单元30具体用于分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个指标值对中的指标值分别记为第一指标值和第二指标值；计算第一指标值与除第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；计算第二指标值与除第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；判断第一相关性值与第二相关性值的大小，将较大一方对应的指标值剔除。
可选地，在一些可能的实施方式中，迭代循环单元40具体用于根据以下公式计算每个初始粒子的适应度：
Q＝Dz*Sz
其中，Dz为粒子局部密度，Sz为粒子全局类间分散度。
可选地，在一些可能的实施方式中，迭代循环单元40具体用于根据以下公式更新粒子的参数：
其中，表示第k次迭代第i个粒子的飞行速度矢量的第m维分量，/>表示第k次迭代第i个粒子的位置矢量的第m维分量，/>表示第i个粒子经历的历史最优位置，表示粒子群经历的历史最优位置，c0为惯性权重，c1和c2为学习因子，random(0,1)表示从0到1之间的随机数，i＝1,2,3,…,N，N为样本数量，m＝1,2,3,…,M，M为维度数量，k＝1,2,3,…,T，T为总循环次数。
可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
需要说明的是，上述各实施方式是与在先方法实施例对应的产品实施例，对于产品实施方式的说明可以参考上述各方法实施方式中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种多维地学参量的权重优化方法，其特征在于，包括：
获取初始数据，并设置迭代控制参数，所述初始数据的每个样本中包含用于评价地学参量的多个指标值；
对所述初始数据进行标准归一化处理，得到标准数据；
根据所述标准数据对全部所述指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部所述指标值进行筛选；
根据筛选后的所述标准数据创建初始粒子，并根据所述迭代控制参数配置迭代环境；
构建适应度函数，根据所述适应度函数计算每个所述初始粒子的适应度；
根据所述迭代控制参数和所述适应度对所述初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解；
根据以下公式更新粒子的参数：
其中，表示第k次迭代第i个粒子的飞行速度矢量的第m维分量，/>表示第k次迭代第i个粒子的位置矢量的第m维分量，/>表示第i个粒子经历的历史最优位置，/>表示粒子群经历的历史最优位置，c0为惯性权重，c1和c2为学习因子，random(0,1)表示从0到1之间的随机数，i＝1,2,3,…,N，N为样本数量，m＝1,2,3,…,M，M为维度数量，k＝1,2,3,…,T，T为总循环次数。
2.根据权利要求1所述的多维地学参量的权重优化方法，其特征在于，对所述初始数据进行标准归一化处理，得到标准数据，具体包括：
判断所述初始数据中每维地学参量的正负向；
对于正向数据，使用如下公式进行标准归一化处理：
对于负向数据，使用如下公式进行标准归一化处理：
其中，Ii为第i个样本的第一指标值，Imin为所述第一指标值的最小值，Imax为所述第一指标值的最大值，Fi为所述第一指标值经过标准归一化处理后的值，i＝1,2,3,…,N，N为样本数量，所述第一指标为需进行标准化的同一指标。
3.根据权利要求1所述的多维地学参量的权重优化方法，其特征在于，根据预设阈值对全部所述指标值进行筛选，具体包括：
分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个所述指标值对中的指标值分别记为第一指标值和第二指标值；
计算所述第一指标值与除所述第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；
计算所述第二指标值与除所述第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；
判断所述第一相关性值与所述第二相关性值的大小，将较大一方对应的指标值剔除。
4.根据权利要求1所述的多维地学参量的权重优化方法，其特征在于，根据以下公式计算每个所述初始粒子的适应度：
Q＝Dz*Sz
其中，Dz为粒子局部密度，Sz为粒子全局类间分散度。
5.一种多维地学参量的权重优化系统，其特征在于，包括：
初始单元，用于获取初始数据，并设置迭代控制参数，所述初始数据的每个样本中包含用于评价地学参量的多个指标值；
标准归一化单元，用于对所述初始数据进行标准归一化处理，得到标准数据；
相关性分析单元，用于根据所述标准数据对全部所述指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部所述指标值进行筛选；
迭代循环单元，用于根据筛选后的所述标准数据创建初始粒子，并根据所述迭代控制参数配置迭代环境；构建适应度函数，根据所述适应度函数计算每个所述初始粒子的适应度；根据所述迭代控制参数和所述适应度对所述初始粒子进行迭代循环，并更新粒子的参数，迭代循环停止后，输出每个指标的权重值和全局最优解；
所述迭代循环单元具体用于根据以下公式更新粒子的参数：
其中，表示第k次迭代第i个粒子的飞行速度矢量的第m维分量，/>表示第k次迭代第i个粒子的位置矢量的第m维分量，/>表示第i个粒子经历的历史最优位置，/>表示粒子群经历的历史最优位置，c0为惯性权重，c1和c2为学习因子，random(0,1)表示从0到1之间的随机数，i＝1,2,3,…,N，N为样本数量，m＝1,2,3,…,M，M为维度数量，k＝1,2,3,…,T，T为总循环次数。
6.根据权利要求5所述的多维地学参量的权重优化系统，其特征在于，所述标准归一化单元具体用于判断所述初始数据中每维地学参量的正负向；
对于正向数据，使用如下公式进行标准归一化处理：
对于负向数据，使用如下公式进行标准归一化处理：
其中，Ii为第i个样本的第一指标值，Imin为所述第一指标值的最小值，Imax为所述第一指标值的最大值，Fi为所述第一指标值经过标准归一化处理后的值，i＝1,2,3,…,N，N为样本数量，所述第一指标为需进行标准化的同一指标。
7.根据权利要求5所述的多维地学参量的权重优化系统，其特征在于，所述相关性分析单元具体用于分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个所述指标值对中的指标值分别记为第一指标值和第二指标值；计算所述第一指标值与除所述第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；计算所述第二指标值与除所述第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；判断所述第一相关性值与所述第二相关性值的大小，将较大一方对应的指标值剔除。
8.根据权利要求5所述的多维地学参量的权重优化系统，其特征在于，所述迭代循环单元具体用于根据以下公式计算每个所述初始粒子的适应度：
Q＝Dz*Sz
其中，Dz为粒子局部密度，Sz为粒子全局类间分散度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678465.2A CN113378468B (zh) | 2021-06-18 | 2021-06-18 | 多维地学参量的权重优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678465.2A CN113378468B (zh) | 2021-06-18 | 2021-06-18 | 多维地学参量的权重优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378468A CN113378468A (zh) | 2021-09-10 |
| CN113378468B true CN113378468B (zh) | 2024-03-29 |
Family
ID=77577730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110678465.2A Active CN113378468B (zh) | 2021-06-18 | 2021-06-18 | 多维地学参量的权重优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378468B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145066A (zh) * | 2017-04-07 | 2017-09-08 | 北京科技大学 | 一种多参数优化方法 |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
| CN110059864A (zh) * | 2019-03-26 | 2019-07-26 | 华中科技大学 | 一种基于知识迁移的矩形智能排样方法及系统 |
| CN111275068A (zh) * | 2018-12-04 | 2020-06-12 | 罗伯特·博世有限公司 | 在考虑测量不确定性的情况下利用ki模块评估测量参量 |
| CN111379636A (zh) * | 2018-12-27 | 2020-07-07 | 罗伯特·博世有限公司 | 用于对催化器的填充水平进行模型辅助调节的模型不精确性和λ偏移之间进行区分的方法 |
| CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
| CN112232478A (zh) * | 2020-09-03 | 2021-01-15 | 天津(滨海)人工智能军民融合创新中心 | 一种基于分层注意力机制的多智能体强化学习方法及系统 |
| CN112348155A (zh) * | 2020-11-05 | 2021-02-09 | 扬州工业职业技术学院 | 一种模糊神经网络模型的优化方法及系统 |
| CN112887994A (zh) * | 2021-01-20 | 2021-06-01 | 华南农业大学 | 基于改进二进制粒子群的无线传感器网络优化方法及应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278111A1 (en) * | 2013-03-14 | 2014-09-18 | DGI Geoscience Inc. | Borehole instrument for borehole profiling and imaging |
-
2021
- 2021-06-18 CN CN202110678465.2A patent/CN113378468B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145066A (zh) * | 2017-04-07 | 2017-09-08 | 北京科技大学 | 一种多参数优化方法 |
| CN111275068A (zh) * | 2018-12-04 | 2020-06-12 | 罗伯特·博世有限公司 | 在考虑测量不确定性的情况下利用ki模块评估测量参量 |
| CN111379636A (zh) * | 2018-12-27 | 2020-07-07 | 罗伯特·博世有限公司 | 用于对催化器的填充水平进行模型辅助调节的模型不精确性和λ偏移之间进行区分的方法 |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
| CN110059864A (zh) * | 2019-03-26 | 2019-07-26 | 华中科技大学 | 一种基于知识迁移的矩形智能排样方法及系统 |
| CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
| CN112232478A (zh) * | 2020-09-03 | 2021-01-15 | 天津(滨海)人工智能军民融合创新中心 | 一种基于分层注意力机制的多智能体强化学习方法及系统 |
| CN112348155A (zh) * | 2020-11-05 | 2021-02-09 | 扬州工业职业技术学院 | 一种模糊神经网络模型的优化方法及系统 |
| CN112887994A (zh) * | 2021-01-20 | 2021-06-01 | 华南农业大学 | 基于改进二进制粒子群的无线传感器网络优化方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 土壤高光谱遥感信息提取与二向反射模型研究;程街亮;《中国博士学位论文全文数据库信息科技辑》(第09期);I140-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378468A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sinaga et al. | Implementation of Decision Support System for Determination of Employee Contract Extension Method Using SAW | |
| Camilleri et al. | An algorithmic approach to parameter selection in machine learning using meta-optimization techniques | |
| CN113408895B (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
| CN112785450B (zh) | 一种土壤环境质量分区方法及系统 | |
| EP4272087B1 (en) | Automated linear clustering recommendation for database zone maps | |
| CN110784455B (zh) | 基于线性递减权重粒子群算法优化Xgboost模型方法 | |
| CN105320809A (zh) | 一种针对风电场空间相关性的风速预测方法 | |
| CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
| CN117114184A (zh) | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 | |
| CN111476274A (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
| CN112200208B (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 | |
| CN113378468B (zh) | 多维地学参量的权重优化方法及系统 | |
| CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
| Binoti et al. | Estimation of height of Eucalyptus trees with neuroevolution of Augmenting Topologies (NEAT) | |
| Sharath et al. | Data analytics to predict the income and economic hierarchy on census data | |
| Benedetti et al. | Optimal sampling designs for dependent spatial units | |
| CN116185684A (zh) | 一种服务器故障根因分析模型的构建方法及应用 | |
| Huang et al. | An efficient EM algorithm for the mixture of negative binomial models | |
| KR102103578B1 (ko) | 몬테카를로 유전자 알고리즘을 사용한 포트폴리오 자산 선택방법 | |
| Asgharzadeh et al. | Analysis of confocal microscopy image data of Physcomitrella chloroplasts to reveal adaptation principles leading to structural stability at the nanoscale | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| CN104463205B (zh) | 基于混沌深度小波网络的数据分类方法 | |
| CN117435580B (zh) | 一种数据库参数筛选方法及相关设备 | |
| Ye et al. | Comparative analysis of two leading evolutionary intelligence approaches for multilevel thresholding | |
| Lendra et al. | IMPLEMENTATION OF C4. 5 ALGORITHM TO ASSIST IN THE SELECTION OF FLOOR CONSTRUCTION PROJECTS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |