一种基于云模型和topsis法的植物鉴别方法

文档序号:6652842阅读:600来源:国知局
专利名称:一种基于云模型和topsis法的植物鉴别方法
技术领域
本发明属于植物鉴别技术领域,具体地说是涉及一种基于云模型和TOPSIS 法的植物鉴别方法。
背景技术
农业数据库在农业信息资源的开发利用中发挥着重要作用,目前国内外农业组织已建设了一大批农业数据库,其中,国际上最著名的农业数据库系统就有AGRIS、IFIS、 AGRI-COLA、CABI四大农业数据库,即联合国粮农组织的农业系统数据库(AGRIS),国际食物信息数据库(IFIS),美国农业部农业联机存取数据库(AGRI - COLA)和国际农业生物中心数据库(CAB1)。我国有代表性的植物数据库就有中国国家农业科学数据共享中心 (www. agridata. cn)、中国数字植物标本馆(http//www. cvh. org. cn)、中国植物数据库 (www. plant, csdb. cn)、中国植物科学网(www. chinaplant. org)、中国生物多样性信息系统 (bd. brim. ac. cn)、中国植物图像库(www. plantphoto. cn)等。这些数据库包含了丰富的专业知识,存储了大量的农业相关科技信息,由于这些数据库专业性强,并且只能采用关键词检索方式进行查询,增加了操作者对数据库的操作难度,降低了数据库的使用效率,造成了资源浪费。其主要表现为(1)对操作者要求高。 使用这些数据库的操作者必须能熟练地运用计算机,了解数据库检索界面,掌握检索策略。 同时,必须对主题、关键词、机构、全文、题名等-般的检索概念和检索途径要有所了解和掌握。但是,植物数据库的使用者不仅包括有着较强专业知识的领域专家和农技人员,还包括农民和非农业科技工作者,这些大部分人员很难根据要求准确的输入检索词;(2)关键词检索方式要求检索提问必须严格按照规定的格式输入,只有当组配完全匹配时才可得到搜索结果,这种在字面上与检索提问标识保持一致的检索方式,很难实现在内容上和概念上检索到满足用户需求的检索结果,将导致检索结果的查全率和查准率较低。针对上面的问题,一些研究者利用数字图像处理技术实现植物鉴别,再根据鉴别结果对数据库进行查询,从而获得相关的专业知识。但是,目前该技术还存在以下问题(1)目前的图像采集基本通过扫描仪,背景简单,图像分割和描述相对简单,难以处理复杂背景;(2)不同研究者使用的图像数据库各不相同,很难比较识别效果的性能优劣,且难以用于实践;(3)当前已有的图像分类系统通常只能处理几种至百种植物,范围较小,难以实现大规模、多类别的植物鉴别。然而,已有一些研究者提出
有文献报道,其题目为“知识表示中的不确定性”(该文作者是李德毅,发表于2000 年出版的《中国工程科学》第2卷第10期第73 79页)。该文公开了云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,其包括 (1)云的定义
设U是一个用精确数值表示的定量论域,C是U上的定性概念,若定量值 χ e U,且χ是定性概念C的一次随机实现,1对C的确定度e
是有稳定倾向的随机数私
, Vxet/ ,叉—姻。贝U在论域上的分布称为云模型,简称为云, 每一个κ称为一个云滴。(2)云的数字特征
云模型的数字特征用期望、熵£和超熵P来表征,反映了定性概念c的整体特性。是云滴在论域空间分布的期望,就是最能够代表定性概念的点,反映了这个
概念的云滴群的云重心。E是定性概念的不确定性度量,由概念的随机性和模糊性共
η
同决定,揭示了模糊性和随机性的关联性。熵E 一方面是定性概念随机性的度量,反映
K
了能够代表这个定性概念的云滴的离散程度;另一方面又是定性概念模糊性的度量,反映
了论域空间中可被概念接受的云滴的取值范围。用E这一个数字特征来同时反映模糊
性和随机性,也体现了二者之间的关联性。H是熵的不确定性的度量,反映了在数域空
间代表该概念的所有点的不确定度的凝聚性,即云滴的凝聚度。其大小间接地表示了云的离散程度和厚度,由熵的随机性和模糊性共同决定。云的数字特征在于用三个数值就勾画出由成千上万的云滴构成的整个云来,把定性表示的语言值中的模糊性和随机性完全集成到一起。由于具体实现方法不同,构成不同类型的云,如正态云模型、梯形云模型、半云模型等。其中,正态云模型和梯形云模型。还有书籍报道,其书名为“Multiple Attribute Decision Making =Methods and Application”(该书作者是C. L. Hwang 和 Yoon K.,柏林 Springe 出版社 1981 年出版)。 该书中公开了一种根据有限个评价对象与理想化目标的接近程度进行排序的方法——离散型逼近理想解排序法(^Technique for Order Preference by Similarity to Ideal Solution,缩写T0PSIS)。其原理基于归一化后的原始数据矩阵,找出有限方案中的最优方案和最劣方案构成一个空间,待评价的某对象可视为该空间上的一个点,据此可获得该点与最优方案和最劣方案间的距离(常用Euclidean距离,又称欧氏距离),从而得出该对象与最优方案的相对接近程度,籍此可进行方案优劣的评价。

发明内容
鉴于以上所述现有技术存在的问题和不足,本发明要解决的技术问题是提供一种基于云模型和T0PSIS法的植物鉴别方法,该方法能够方便、快捷地从同类群多种植物或者从保存大量植物标本的数据库中检索出被测植物,实现对植物的鉴别。为了解决上述问题,本发明采用下述技术方案一种基于云模型和T0PSIS法的植物鉴别方法,其特征在于该方法首先构建了植物的外形特征标本数据库;然后利用梯形云模型将被测植物的外观特征与植物的外观特征标本数据库进行比对,得到被测植物与外形特征标本数据库相比的隶属度,实现了被测植物的初步鉴别;当鉴别结果为多个时,再利用正态云模型对检索结果进行精确匹配计算,得到被测植物与外形特征标本数据库相比的精确隶属度;最后利用T0PSIS法对隶属度进行综合评价,鉴别出植物,具体步骤如下
(1)、构建植物的外形特征标本数据库;
(2)、利用梯形云模型,计算被测植物的隶属度,初步鉴别被测植物;
(3)、判断被测植物的隶属度是否小于或等于1,若被测植物的隶属度是小于或等于1, 则转步骤(5),若被测植物的隶属度是小于或等于1等于1,则转步骤(4);
(4)、利用正态云模型,对隶属度为1的标本与被测植物进行正态云模型计算,得到被测植物的精确隶属度;
(5)、利用TOPSIS法,对隶属度进行综合评价鉴别出被测植物。上述步骤(1)中所述的构建植物的外形特征标本数据库,该标本数据库存放为可用以辨别植物种类的植物的外形特征,其外形特征值为数值型数据。上述步骤(2)中所述的利用梯形云模型,计算被测植物的隶属度,初步鉴别被测植物,其操作步骤如下
(21)、确定梯形云模型的期望区间[Irii根据植物的外形特征标本库中
的外形特征取值范围,确定梯形云模型的期望区间[^rri 的下限值,^2为该外形特征值的上限值;
Ex2飞,其中为该外形特征
(22)、计算梯形云模型熵H 利用梯形云模型的上升云和下降云,对植物的外
η
形特征的取值范围进行扩展,扩展区间设定为[_3 ,+3 ];
ηη
(23)、利用梯形云模型的数字特征对被测植物的外形特征进行描述通过梯形云期望和熵确定梯形云期望曲线方程
权利要求
1.一种基于云模型和TOPSIS法的植物鉴别方法,其特征在于该方法首先构建了植物的外形特征标本数据库;然后利用梯形云模型将被测植物的外观特征与植物的外观特征标本数据库进行比对,得到被测植物与外形特征标本数据库相比的隶属度,实现了被测植物的初步鉴别;当鉴别结果为多个时,再利用正态云模型对检索结果进行精确匹配计算,得到被测植物与外形特征标本数据库相比的精确隶属度;最后利用T0PSIS法对隶属度进行综合评价,鉴别出植物,具体步骤如下(1)、构建植物的外形特征标本数据库;(2)、利用梯形云模型,计算被测植物的隶属度,初步鉴别被测植物;(3)、判断被测植物的隶属度是否小于或等于1,若被测植物的隶属度是小于或等于1, 则转步骤(5),若被测植物的隶属度是小于或等于1等于1,则转步骤(4);(4)、利用正态云模型,对隶属度为1的标本与被测植物进行正态云模型计算,得到被测植物的精确隶属度;(5)、利用TOPSIS法,对隶属度进行综合评价鉴别出被测植物。
2.根据权利要求1所述的一种基于云模型和T0PSIS法的植物鉴别方法,其特征在于, 上述步骤(1)中所述的构建植物的外形特征标本数据库,该标本数据库存放为可用以辨别植物种类的植物的外形特征,其外形特征值为数值型数据。
3.根据权利要求1所述的一种基于云模型和T0PSIS法的植物鉴别方法,其特征在于, 上述步骤(2)中所述的利用梯形云模型,计算被测植物的隶属度,初步鉴别被测植物,其操作步骤如下(21)、 确定梯形云模型的期望区间 Ex2根据植物的外形特征标本库中的外形特征取值范围,确定梯形云模型的期tUKHiEx^ Ex2],其中◎为该外形特征的下限值,为该外形特征值的上限值;ri^M^j^lJirnd 器,(22)、计算梯形云模型熵E 利用梯形云模型的上升云和下降云,对植物的外 形特征的取值范围进行扩展,扩展区间设定为[-3 ii ,+3 E ]; (23)、利用梯形云模型的数字特征对被测植物的外形特征进行描述通过梯形云期望和熵确定梯形云期望曲线方程
4.根据权利要求1所述的一种基于云模型和T0PSIS法的植物鉴别方法,其特征在于上述步骤(4)中所述的利用正态云模型,对隶属度为1的标本与被测植物进行正态云模型计算,得到被测植物的精确隶属度,其操作步骤如下(41)、确定正态云模型的期望值根据植物的外形特征标本库中外形特征值,确定正态云模型的期望值矶,I1f为外形特征区间值的中间值;(42)、计算正态云模型的熵En,熵En的计算式为
5.根据权利要求1所述的一种基于云模型和T0PSIS法的植物鉴别方法,其特征在于上述步骤(5)中所述的利用T0PSIS法,对隶属度进行综合评价鉴别出被测植物,其操作步骤如下(51)、确立隶属度综合评价的评价矩阵F:如果步骤( 计算的隶属度值只有一项或者没有一项等于1时,评价矩阵F为步骤(2)所得的隶属度矩阵;否则,评价矩阵F为步骤(3)计算所得结果;(52)、确定评价矩阵F的理想点,其理想点的计算式为
6.根据权利要求5所述的一种基于云模型和TOPSIS法的植物鉴别方法,其特征在于上述步骤(22)所述的计算梯形云模型熵E其扩展范围为外形特征下限值的20%,则梯形η云模型熵E计算式为熵E =( E χ0· 2)/3。 KH jtjXl
全文摘要
本发明涉及一种基于云模型和TOPSIS法的植物鉴别方法。本发明方法首先构建了植物的外形特征标本数据库;然后利用梯形云模型将被测植物的外观特征与植物的外观特征标本数据库进行比对,得到被测植物与外形特征标本数据库相比的隶属度,实现了被测植物的初步鉴别;当鉴别结果为多个时,再利用正态云模型对检索结果进行精确匹配计算,得到被测植物与外形特征标本数据库相比的精确隶属度;最后利用TOPSIS法对隶属度进行综合评价,鉴别出植物。该方法采用TOPSIS对最后鉴别结果进行综合评价,能够全面、合理、准确地对某几个评价指标进行优劣排序,评价过程清晰、评价结果客观。
文档编号G06K9/64GK102156710SQ20111004898
公开日2011年8月17日 申请日期2011年3月2日 优先权日2011年3月2日
发明者刘宗田, 彭琳, 杨林楠, 钟飞 申请人:上海大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1