人參生態環境因子實時信號特征數據挖掘算法制造技術

本發明專利技術公開了一種人參生態環境因子實時信號特征數據挖掘算法，包括以下步驟：1、聚類算法中心參數初始化過程；2、聚類坐標旋轉優化；3、k值聚類自動生成最大距離優化；4、K

【技術實現步驟摘要】
人參生態環境因子實時信號特征數據挖掘算法


[0001]本專利技術涉及的是一種數據挖掘算法，具體涉及一種高維混合屬性人參生態環境因子實時信號特征數據挖掘算法。

技術介紹

[0002]人參的藥用價值得到廣泛認可，世界人參市場正在擴大，目前人參的供應主要依靠大田種植，生長周期長。人參不同于普通的植物，它們對生態環境因子和土壤因子要求很高，非常挑剔。因此應用植物精準栽培技術，推動藥用植物科學發展，實現藥用植物資源的可持續利用具有重要研究價值。然而在可持續溫室幾乎不受外界氣候條件影響的環境下，采用精準特征挖掘方法，預測和控制人參生態環境因子的適宜條件，利用含有人參生長發育所需要的營養元素的有機基質來提供營養，使人參正常完成整個生命周期的種植，僅需要較短的栽培時間，期望以更少的能量獲得更多的產量，可以進行人參周期性連續的工廠化生產的高效栽培種植方法，這一農業工程人參種植領域仍處于未開發階段。解決縮短人參生長周期，通過模型高效周期性連續栽培，實時和準確推斷生態環境因子信號特征參數，對預測栽培人參復雜物理過程的科學和工程學科非常具有意義。控制人參生長發育整個生命周期的行為，對無線傳感器采集原有人參生態環境因子實時信號特征進行高度自動化挖掘分析起著至關重要的作用。然而生態環境因子實時信號特征挖掘過程中的關鍵環節就是聚類，經過聚類更好地對實時信號集中的信號參數對象進行理解。聚類不同于其它類別中所含的實時信號對象，實現各類別中的實時信號對象彼此相似，劃分物理或者抽象的實時信號集為相似對象類別，需要有效的聚類算法以提高人參生態環境因子實時處理中的性能。利用預期生態環境因子信號的時間結構，允許檢測到標準聚類方法無法檢測到的非常微弱的人參生理、病理信號，各種規模的無線傳感器的生態環境因子實時信號監測系統中實施。生態環境因子多特征數據聚類根據數據中每個節點的數據屬性特征的優先級閾值對數據的加權距離進行分類，有效提高多特征數據異常行為檢測實時性，將中心周圍的多特征數據匹配成一個集群。因此，本專利技術針對可持續溫室中人參生態環境因子實時微弱信號多特征數據進行處理，可用于在合理的時間內將問題解決到最佳聚類成為眾多學者研究的課題。
[0003]由于人參栽培的特殊性，栽培人參的形態變得與野生人參相似，人參的生長條件和栽培方法對于確定人參的質量至關重要。雖然Kyung Hee University的Yue Huo等人設計了植物內(盆栽試驗)和體外(培養基試驗)以研究人參中降低氧化應激和增強HM抗性的能力，僅從微觀角度對重金屬問題進行了研究。Yun
?
Soo Kim等人提出物候研究是在栽培植物中實現更高生產力和更好作物質量的先決條件，重新定義人參物候生長階段，但僅在傳統栽參田間記錄了人參物候特征的不同模式品種和移栽幼苗的過程。到目前為止，還沒有人研究強調基于可持續溫室基質立體栽培人參的方法。然而可持續溫室系統生態環境因子實時信號如何影響植物生長發育，這在很大程度上是未知的。人參栽培生態系統具有相對穩定的自然植被動態，各種因素而表現出復雜的自然生態環境因子變化，使人參生態環境
因子實時信號進行生態特征聚類精準度挖掘就顯得尤為重要，可以近乎實時地監控和檢測人參生態系統狀態的突然或逐漸變化，識別觀察到的人參生態信號的區域偏離了預期的自然變化。但對于生態環境因子實時信號特征數據聚類算法的研究，解決局部最優解陷阱問題，增加異常人參生態環境因子數據判定與挖掘的準確性。其中文]Daniel Frank Hesser等人提出的方法應用k
?
means聚類算法來標記現場測試數據和一個人工神經網絡，未見解決k
?
means聚類算法缺陷問題。文獻Iain Fairley等人使用K均值聚類將全球波資源劃分為6類，但未集中精力優化設備以獲取更多資源類別。文獻Rasim M.Alguliyev等人提出了一種基于k
?
means算法的并行批聚類算法，但未發現實時信號特征數據挖掘研究。文獻Tiep M.Hoang等人考慮使用單類支持向量機(OC
?
SVM)和K均值聚類建立預測模型。文獻Amit Kumar Gangwar等人提出了一種基于k
?
均值聚類和加權k
?
近鄰(k
?
NN)回歸的傳輸線保護算法，僅驗證算法對不同故障參數的魯棒性。文獻Sicheng Zhan等人提出了一種基于k
?
means的新型微波無損檢測技術用于復合材料缺陷檢測的無監督機器學習。文獻Rojalina Priyadarshini等人使用修改的將單個大區域網絡劃分為多個集群K
?
means聚類算法，雖然改進了K
?
means聚類算法，但未對實時信號進行特征數據挖掘。上述算法均未對K
?
Means聚類算法初始參數依賴性較高，容易受噪聲數據和離群數據點的干擾，僅對球形狀簇表現出較好的聚類性能，聚類數目K的值較為敏感，算法容易產生局部最優解等問題進行考慮，也未發現人參生態環境因子實時信號研究文獻。
[0004]因此，本專利技術解決K
?
Means聚類算法局部最優解陷阱問題，引入高維混合屬性方法，結合人參生態環境因子實時信號特征數據。通過傳統K
?
Means聚類算法、差分進化的k
?
均值聚類算法和本專利技術算法進行比較，解決導致混合屬性數據的挖掘效果較差，挖掘數據類型相對單一問題。本專利技術采用K
?
Means聚類算法的高維混合屬性數據挖掘方法進行研究，提升聚類精準度，探索高維混合屬性數據相似度。依據分類型與數值型數據的度量形式，應用類異常因子，抑制挖掘階段中的聚類中心點影響，K
?
Means聚類算法中引入坐標旋轉方法，針對傳感器感知節點采集人參生態環境因子實時信號特征進行K
?
Means聚類改進算法數據挖掘。

技術實現思路

[0005]針對現有技術上存在的不足，本專利技術目的是在于提供一種高維混合屬性人參生態環境因子實時信號特征數據挖掘算法，挖掘到的高維混合屬性數據量與實際挖掘到的高維混合屬性數據量誤差較小，聚類挖掘性能優勢顯著。獲取了全局最優的概率密度，達到聚類量化的人參生態環境溫度[11.0,23.0]℃、環境濕度[30,60]％RH、地溫(12.0～25.0]℃、地濕[39,50]％RH、光補償點[400,10000](Lux)和CO2濃度[830,1140](ppm)等生態環境因子的適合生長條件，對智能控制可持續溫室栽培人參智能化控制的實時信號反饋機制提供理論實踐依據。
[0006]為了實現上述目的，本專利技術是通過如下的技術方案來實現：人參生態環境因子實時信號特征數據挖掘算法，包括以下步驟：
[0007]1、聚類算法中心參數初始化過程；
[0008]2、聚類坐標旋轉優化；
[0009]3、k值聚類自動生成最大距離優化；
[0010]4、K
?
Means聚類算法本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.人參生態環境因子實時信號特征數據挖掘算法，其特征在于，包括以下步驟：(1)、聚類算法中心參數初始化過程；(2)、聚類坐標旋轉優化；(3)、k值聚類自動生成最大距離優化；(4)、K
?
Means聚類算法人參生態環境因子實時信號特征數據挖掘實現。2.根據權利要求1所述的人參生態環境因子實時信號特征數據挖掘算法，其特征在于，所述的步驟(1)具體包括：(1)假設選擇的k個人參生態環境因子數據對象初始聚類中心，隨機選取數據對象從數據集X內，中心點分別是{C1,C2,
…
,C
K
}初始聚類，需劃分類別明確數據集個數；(2)假設人參生態環境因子實時信號特征數據X
p
分類至C
i
類別內，數據X
p
與中心點C
i
距離最近，產生中心是k個初始中心點的類，完成各數據對象與最近類別的分類，求取數據集的其余數據對象與k個初始中心點間距；(3)重新求解取得實現各聚類中心點表達式如下(4)迭代(2)和(3)兩個步驟，聚類收斂，待計算后聚類中心點與計算前一致，迭代結束；(5)輸出聚類結果。3.根據權利要求1所述的人參生態環境因子實時信號特征數據挖掘算法，其特征在于，所述的步驟(2)具體包括：(1)數據集X內已知有n條數據存在，所有數據的間距為集合P，最大間距為D
M
；(2)D
M
對應數據A和B，對半徑進行計算，獲取數據間的中心點坐標C的位置；(3)第二個中心點就是數據集X內與點D間距最小的數據，起始參照點是首個中心點，根據圓心角即可獲得點D，將其中一個數據設定成首個中心點，半徑是圓心是C；(4)需要進行下一步時，聚類中心點數量與k值相等；不足k值時返回(3)，將起始參照點設定為點D，滿足k值后結束；(5)k個聚類中心點的初始中心點，利用K
?
means與距離公式歐幾里得算法，劃分數據集X聚類。4.根據權利要求1所述的人參生態環境因子實時信號特征數據挖掘算法，其特征在于，所述的步驟(3)具體包括：(1)假設含有x個人參生態因子實時信號特征數據的數據集為X
x
＝{A1,A2,
…
,A
x
}，最遠間距為d
ij
，且i、j≤x，A
i
＝S1、A
j
＝S2，初始聚類中心應選取間距最大的兩數據；(...

【專利技術屬性】
技術研發人員：李長城，陳德運，解成俊，高一龍，李上飛，馬文彬，樸仁哲，陳飛宇，
申請(專利權)人：吉林農業科技學院，
類型：發明
國別省市：