[發(fā)明專利]一種基于多模型融合Stacked的害鳥密度分布預測方法

在審

• 申請?zhí)枺?/td>: 202110679220.1
• 申請日: 2021-06-18
• 公開（公告）號: CN113392826A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 饒紅霞;嚴偉楊;魯仁全;許明慧;黎江;段恒
• 申請（專利權(quán)）人: 廣東工業(yè)大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62
• 代理公司: 佛山市禾才知識產(chǎn)權(quán)代理有限公司 44379
• 代理人: 劉羽波

1.一種基于多模型融合Stacked的害鳥密度分布預測方法，其特征在于：包括如下步驟：

步驟A：選取特征豐富區(qū)域；

步驟B：基于所選取的豐富區(qū)域作為樣本進行數(shù)據(jù)采集，對所采集的數(shù)據(jù)進行模型訓練前的特征處理，根據(jù)涉害鳥種的密度的不同范圍進行定級處理；

步驟C：搭建并訓練首層Stacked模型；

步驟D：搭建并訓練次層Stacked模型；

步驟E：在首層Stacked模型和次層Stacked模型的學習訓練中，基于網(wǎng)格搜索法進行參數(shù)調(diào)優(yōu)，選取含有最優(yōu)參數(shù)的首層Stacked模型和次層Stacked模型；

步驟F：結(jié)合并優(yōu)化首層Stacked模型和次層Stacked模型以獲得預測模型，將步驟B中特征處理后的特征數(shù)據(jù)導入所述預測模型，獲取對應區(qū)域的涉害鳥種的密度等級分布數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述一種基于多模型融合Stacked的害鳥密度分布預測方法，其特征在于：

所述步驟A包括獲取涉害鳥種的豐富度、分布及多樣性、覓食策略和繁殖行為的數(shù)據(jù)，并以此數(shù)據(jù)分析出影響涉害鳥種密度分布的季節(jié)和生態(tài)信息，并依次選取出特征豐富的區(qū)域。

3.根據(jù)權(quán)利要求1所述一種基于多模型融合Stacked的害鳥密度分布預測方法，其特征在于：

所述步驟B包括基于神經(jīng)網(wǎng)絡(luò)對樣本區(qū)域進行數(shù)據(jù)采集，采集的數(shù)據(jù)包括該區(qū)域的氣候類型、地形地貌、海拔高度、農(nóng)作物分布情況、水域分布情況和居民區(qū)分布情況；

對上述數(shù)據(jù)進行預處理，所述預處理包括對清洗數(shù)據(jù)和規(guī)范化數(shù)據(jù)；

將預處理后的數(shù)據(jù)劃分為訓練集、驗證集和測試集后進行從特征處理，所述特征處理包括：

特征構(gòu)建：從原始數(shù)據(jù)中構(gòu)建新的特征，標記為原始特征；

特征提取：將原始特征轉(zhuǎn)換為具有物理意義和統(tǒng)計意義的特征集；

特征選擇：從特征集中選取最具有統(tǒng)計意義的特征子集，即與涉害鳥種密度分布的預測具有強相關(guān)性的特征子集；

根據(jù)涉害鳥種密度的不同范圍對特征子集進行定級定性處理，對定性屬性的數(shù)據(jù)集特征進行onehot編碼。

4.根據(jù)權(quán)利要求3所述一種基于多模型融合Stacked的害鳥密度分布預測方法，其特征在于：

所述步驟C包括：搭建首層Stacked模型，在Stacked模型的基模型選取中，根據(jù)獲得特征種類和大小，選取三種弱分類器，選擇邏輯斯蒂回歸模型作為首層Stacked模型的融合分類器；

將訓練集的數(shù)據(jù)導入搭建好的首層Stacked模型。

5.根據(jù)權(quán)利要求4所述一種基于多模型融合Stacked的害鳥密度分布預測方法，其特征在于：

選定效果最好的Stacked模型結(jié)構(gòu)，將其內(nèi)部結(jié)構(gòu)設(shè)定為兩個處理區(qū)，在第一個處理區(qū)中，選擇三個基模型，包括嶺回歸模型、核函數(shù)為線性函數(shù)的SVR模型和核函數(shù)為RBF的SVR模型；

在第二個處理區(qū)中選擇邏輯斯蒂回歸模型作為融合分類器；

將第一個處理區(qū)的輸出數(shù)據(jù)作為輸入，并輸出預測結(jié)果；

將三個弱分類器的數(shù)據(jù)進行同行合并，作為第二個處理區(qū)的數(shù)據(jù)輸入，經(jīng)過邏輯斯蒂回歸模型的分析預測，獲得首層Stacked模型的輸出結(jié)果。

6.根據(jù)權(quán)利要求5所述一種基于多模型融合的Stacked的害鳥密度分布預測方法，其特征在于：

在所述首層Stacked模型中：

基于三折交叉驗證法訓練三個基模型，生成三組驗證集結(jié)果和三組測試集結(jié)果，將每個弱分類器的驗證集結(jié)果進行同列合并，測試集結(jié)果進行加權(quán)合并，以使每個弱分類器均有一組同列合并的驗證集結(jié)果和一組加權(quán)合并的測試集結(jié)果。