1.基于模糊聚类算法的土壤肥力分析方法,在模糊聚类算法的基础上,采用灰度关联法得到土壤成分属性的权重,再将权重和模糊聚类算法相结合,以此提高算法的准确性;包括以下步骤:步骤(1):构建土壤肥力的评价标准,土壤肥力包含土壤的化学成分含量和土壤养分含量,土壤化学成分含量包含全氮、全钾、有效磷、交换性钙、阳离子交换量,土壤PH值等,土壤养分含量包括各种土壤有机质;
(S)
步骤(2):对样本数据数据预处理,即第s项的指标任意一个测量的值为X ,s=1,2,
3…,s;
步骤(3):设置土壤成分的加权矩阵模型为:步骤(4):利用灰度关联法计算出土壤成分的加权矩阵:a.对样本数据变量的进行无量纲化;由于系统中各因素列中的数据因量纲不同,不便于比较或在比较时难以得到正确的结论;因此在进行灰色关联度分析时,都要进行数据的无量纲化处理,均值化处理:b.计算样本数据关联系数ξi(k);
c.计算样本数据关联度;
d.样本数据关联度排序,对所有样本的关联数取平均值,来表示该指标和母指标之间的关联度,求出各指标对应的权重w1,w2…wn;
步骤(5):标准化测量数据的权重w1,w2…wn,在实际过程中不同数据有不同的效益,将测量标准化,即将数据压缩到[0,1]区间内;
(S)
步骤(6):样本数据X 进行模糊聚类,利用平方自合成法对模糊相似矩阵进行改造成
2 4 2k
模糊等价矩阵,即:A→AwA…A 其中 将模糊等价矩阵中的不同数值元素从大到小排列,λ按照此排列依次取值,形成动态结果;
步骤(7):然后确定初始聚类个数;最佳聚类个数为k,此时,待分类样本数据为第k个样本数据的均值为Nk是第k类的样本数目,整个样本的数据均值为由上可以得到样本数据的类间间距为 而样本数据的类内间距为即每个类的样本的均值到全体样本中心距离之和,此时可得到类间间距与类内间距之和为 当L到达最小值时,聚类效果最佳,即当Lw=Ln时,L达到最小值,此时聚类初始k有个极大值为 因此k的取值范围为1到 时,确定初始值k时,在1到 范围内选择不相邻的若干个值,分别代入式中验证,取较小者确定为初始聚类值k;在确定分类数时,经常是在动态聚类视图中,用F统计量来确定最佳阈值入,再根据入值在动态聚类视图中进行分类,最终得到最佳分类数;最后输出经过模糊聚类算法分析后的土壤肥力的估值。