[發(fā)明專利]一種耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110525032.3
• 申請(qǐng)日: 2021-05-14
• 公開(kāi)（公告）號(hào): CN113159219B
• 公開(kāi)（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 尹光彩;陶琳;陳幸玲;朱航海;何澤琛
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/12;G06N3/04
• 代理公司: 北京天奇智新知識(shí)產(chǎn)權(quán)代理有限公司 11340
• 代理人: 陳新勝

1.一種耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述方法包括以下步驟：

步驟A場(chǎng)地采樣，獲取樣本數(shù)據(jù)；

步驟B對(duì)獲取的樣本數(shù)據(jù)進(jìn)行預(yù)處理，獲得初始種群數(shù)量N，N1；

步驟C判斷初始生物種群數(shù)量N的值是否為1，是，則算法結(jié)束，并用相關(guān)系數(shù)和RMSE檢驗(yàn)RBM神經(jīng)網(wǎng)絡(luò)模型；否則，執(zhí)行步驟D；

步驟D聚類分析，將樣本數(shù)據(jù)和新個(gè)體數(shù)據(jù)分配到每個(gè)種群中，構(gòu)建新種群；

步驟E對(duì)每個(gè)種群實(shí)施遺傳算法，產(chǎn)生新個(gè)體，獲得待檢驗(yàn)的新種群；

步驟F對(duì)每個(gè)種群構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型，評(píng)價(jià)新個(gè)體的優(yōu)劣，接收或拒絕新個(gè)體；

步驟G更新整個(gè)生物群落，縮小種群數(shù)量N，并判斷N值是否為1，是則算法結(jié)束，用相關(guān)系數(shù)和RMSE檢驗(yàn)RBM神經(jīng)網(wǎng)絡(luò)模型；否則，繼續(xù)執(zhí)行步驟D；

步驟H算法結(jié)束，計(jì)算樣本數(shù)據(jù)及其模擬數(shù)據(jù)，得出相關(guān)系數(shù)和RMSE值，評(píng)價(jià)RBF神經(jīng)網(wǎng)絡(luò)模型的插值性能；

所述步驟B具體包括：將每個(gè)采樣點(diǎn)的樣本數(shù)據(jù)視作一個(gè)獨(dú)立的生物體，以每個(gè)生物體的經(jīng)緯度作為劃分初始種群數(shù)量的數(shù)據(jù)來(lái)源，按照初始種群數(shù)量計(jì)算方法計(jì)算出初始生物種群數(shù)量N；

所述初始生物種群數(shù)量N指：用采樣點(diǎn)的地理位置以及采樣點(diǎn)的數(shù)量K計(jì)算出最佳聚類數(shù)量，計(jì)算方法為：

采用k-means算法分別計(jì)算N＝2、3、…、K/2時(shí)三個(gè)指標(biāo)的取值，取同時(shí)滿足三個(gè)指標(biāo)條件的最小N作為初始生物種群數(shù)量；

RBF神經(jīng)網(wǎng)絡(luò)模型由三層神經(jīng)元構(gòu)成，其中第三層為輸出層采用類ReLU函數(shù)作為傳遞函數(shù)，公式為：

其中，U表示某污染物元素含量的上限值，x表示神經(jīng)網(wǎng)絡(luò)模型計(jì)算出來(lái)的插值數(shù)據(jù)。

2.如權(quán)利要求1所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述步驟A中采集場(chǎng)地采樣點(diǎn)的重金屬含量以及其他觀測(cè)要素，包括經(jīng)度、緯度、有機(jī)質(zhì)、pH值、質(zhì)地、三種不同深度的土壤粒度。

3.如權(quán)利要求1所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述N的取值需同時(shí)滿足的三個(gè)指標(biāo)為：

指標(biāo)一，同一生物種群內(nèi)個(gè)體間的差異性盡可能小，體現(xiàn)種群內(nèi)部的個(gè)體相似性，用生物種群內(nèi)兩兩個(gè)體間的地理位置標(biāo)準(zhǔn)差表示；

指標(biāo)二，不同生物種群的個(gè)體間差異性盡可能大，體現(xiàn)種群之間的個(gè)體相異性，用生物種群間兩兩個(gè)體間的地理位置標(biāo)準(zhǔn)差表示；

指標(biāo)三，為保障個(gè)體的生存能力和生物多樣性，生物種群內(nèi)的個(gè)體數(shù)量盡可能大。

4.如權(quán)利要求1所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述步驟E中采用遺傳算法的選擇、交叉、變異操作在每個(gè)生物種群內(nèi)產(chǎn)生新個(gè)體數(shù)據(jù)，并采用RBF神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)新個(gè)體的優(yōu)劣；所述新個(gè)體優(yōu)劣的評(píng)價(jià)依據(jù)為：樣本數(shù)據(jù)與模擬數(shù)據(jù)的均方根誤差，在均方根誤差不增加的條件下接收新個(gè)體作為插值數(shù)據(jù)。

5.如權(quán)利要求4所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述新個(gè)體數(shù)據(jù)包括新個(gè)體即插值點(diǎn)的基因序列的經(jīng)緯度、土壤污染物含量及生態(tài)、環(huán)境要素值即經(jīng)度、緯度、有機(jī)質(zhì)、pH值、質(zhì)地、三種不同深度的土壤粒度以及重金屬含量值。

6.如權(quán)利要求1所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述步驟F具體包括：每個(gè)生物種群的個(gè)體數(shù)包括樣本數(shù)據(jù)和新個(gè)體數(shù)據(jù)，構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行檢驗(yàn)新個(gè)體優(yōu)劣，優(yōu)勝劣汰的依據(jù)是觀測(cè)點(diǎn)的樣本數(shù)據(jù)及其模擬數(shù)據(jù)的RMSE不至于增大；其中，RBF神經(jīng)網(wǎng)絡(luò)模型的輸入、輸出是一個(gè)n×9矩陣，其中n表示向量數(shù)量，每個(gè)向量代表1個(gè)個(gè)體；新個(gè)體優(yōu)勝劣汰的依據(jù)是RBF神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出向量之間的RMSE不增加。

7.如權(quán)利要求1所述的耦合遺傳算法和神經(jīng)網(wǎng)絡(luò)的土壤污染物含量插值方法，其特征在于，所述步驟H具體包括：接收優(yōu)良新個(gè)體，淘汰劣勢(shì)個(gè)體，更新整個(gè)生物群落，即新個(gè)體的規(guī)模得以擴(kuò)充，為避免生物群落過(guò)度繁衍，每輪進(jìn)化產(chǎn)生的新個(gè)體不超過(guò)總個(gè)體數(shù)量的5％；按30％的遞減率縮小種群數(shù)量N，即N＝N-N×30％；當(dāng)種群數(shù)量N1時(shí)，重復(fù)遺傳算法，生物種群繼續(xù)迭代，每一輪迭代用RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)勝劣汰，直到算法結(jié)束。