【技术实现步骤摘要】
本专利技术涉及土壤重构领域，尤其涉及一种基于土壤重构的矿山修复效果预测方法及相关设备。
技术介绍
1、预测技术在土壤重构领域的应用越来越广泛，可以帮助基于土壤重构的矿山修复效果预测系统的管理者及时、高效地预测土壤重构的矿山修复效果，实现土壤重构的矿山修复效果预测。目前，基于土壤重构的矿山修复效果预测具有信息量庞大、数据种类多样、信息密度大等特点，矿山修复效果预测方法存在较多的不确定因素，导致矿山修复效果预测方法存在较大的不确定性。虽然已经专利技术了一些预测系统的矿山修复效果预测方法，但是仍不能有效解决化土壤重构的矿山修复效果预测方法的不确定问题。
技术实现思路
1、本专利技术的目的是要提供一种基于土壤重构的矿山修复效果预测方法及相关设备。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取矿山的土壤理化数据和生态数据，对所述土壤理化数据和所述生态数据进行预处理；所述预处理为删除值处理和缺失值、归一化、去重、标准化和数据转换；
5、对所述土壤理化数据和所述生态数据进行分类排序获得时序数据，对所述时序数据进行因果分析得到恢复变量；
6、对所述时序数据进行提取选择获得变化特征，根据所述变化特征得到第一修复数据；
7、根据所述第一修复数据和所述恢复变量构建矿山修复效果模型，将待预测数据输入所述矿山修复效果模型，输出预测结果。
8、进一步的，对所述土壤理化数据和所
9、依次输入土壤理化数据和生态数据，设置聚类数，根据数据集的类别数设定聚类数，给定最大迭代次数、模糊指数和目标函数阈值；
10、计算类簇中心：
11、
12、其中输入数据集中样本r的数量为e，样本r对类簇i的隶属度为，第r个样本为，模糊系数为a，第i个类簇中心为，模糊系数a样本r对类簇i的隶属度为，确定聚类的目标函数值，表达式为：
13、
14、其中类簇中心的数量为m，目标函数值为，计算类簇内的平均距离：
15、
16、其中第i个类簇中数据样本之间的平均类内距离为，第i个类簇中样本的数量为，输入样本属性为y，输入样本属性数量为p，第r个样本的第y个属性值为，第i个类簇的第y个属性为，样本r与类簇中心i的欧式距离为；
17、对初始目标函数值、进行迭代更新，获得迭代目标函数值、迭代平均距离，计算初始目标函数值和迭代目标函数值、平均距离和迭代平均距离的差值，当差值皆大于零时，更新转移概率值，否则更新惩罚方式；惩罚方式表示在目标函数中添加一个与模糊系数绝对值之和成正比的项；
18、若迭代目标函数小于阈值，则由样本行概率最大值对应的列位置为样本的类簇，否则重新计算类簇中心。
19、进一步的，对所述时序数据进行因果分析得到恢复变量的方法，包括：
20、按照时间对生态数据进行排序得到原始时间序列，对原始时间序列进行平稳性检验，表达式为：
21、
22、其中常数为，趋势项系数为，自回归模型的阶数为s，t时刻的误差项为，t-1时刻时间序列为，第c个趋势项系数为，平稳系数为，t时刻的原始时间序列变化量为，t-c时刻的原始时间序列变化量为；
23、如果则表明时间序列是非平稳的，如果时间序列是非平稳的，则采用差分方法实现平稳化；若则时间序列平稳；
24、采用高斯核函数对变量进行非线性映射，表达式为：
25、
26、
27、其中变量为k、u，变量k的核宽为，变量u的核宽为，k的核中心为，u的核中心为，以自然常数e为底的指数函数为，采用目标函数构建回归模型，目标函数的表达式为：
28、
29、其中矩阵的弗罗贝尼乌斯范数为，第j组的特征维数为，维度特征的组数为，第i个特征的回归系数为，核函数为g、i， 正则化参数为，第j个回归系数为，范数函数为，特征的数量为n，计算惩罚项：
30、
31、其中似然函数为w，有效参数的个数为r，样本数量为a，惩罚项为q，根据最小惩罚项确定模型阶数和惩罚系数，建立因果分析模型；
32、计算时间序列数据的因果相关系数为：
33、
34、其中时间序列数据为v、y，时间序列数据v和y的协方差为，时间序列数据v的标准差为，时间序列数据y的标准差为 ，若因果相关系数大于0.96两者则将时间序列数据输出为时序数据，否则删除。
35、进一步的，对所述时序数据进行提取选择获得变化特征的方法，包括：
36、对时序数据进行初步特征提取获得第一特征，计算时序数据的原始特征信息熵：
37、
38、其中时序数据的数量为，第k个时序数据的数量为，时序数据h的信息熵为，使用第一特征划分时序数据熵的差值，计算信息增益率：
39、
40、其中第一特征y对时序数据h的信息增益率为，使用时序数据的信息增益率选择第一特征得到第二特征，计算基尼指数：
41、
42、其中第k个时序数据的数量为，特征y对时序数据h的基尼指数为，采用基尼指数划分第二特征；
43、计算划分后第二特征的选取概率：
44、
45、其中第i个第二特征的权重数值为，第t个时序数据的基尼指数值为，将选择概率大于0.63的第二特征输出为变化特征。
46、进一步的，根据所述变化特征得到第一修复数据的方法，包括：
47、将时序数据分为子序列，给出子序列内的目标函数，表达式为：
48、
49、其中第m个变化特征的子序列为，对第i个时刻子序列的重构为，计算子序列间的目标函数：
50、
51、其中局部依赖集为，全局依赖集为，依赖集为，局部依赖集的权重为，全局依赖集的权重为，子序列间的目标函数为，计算变异得分：
52、
53、其中异常重构误差的影响程度比例分别为、、，子序列的变异得分为，计算边缘变异候选集：
54、
55、其中边缘变异候选集为，变异得分的子序列的集合为，子序列构成的集合的变异得分为，变异阈值为，人工可标注样本数量为q，局部依赖因子为f，第e个子序列为，子序列的个数为j，计算样本权重：
56、
57、其中第t次的加权误差为，第t-2轮子序列的权重为，第t-1次第i个子序列的权重为，自然常数e的指数函数为，子序列的数量为z，第次样本的权重为，不断迭代直到迭代次数时停止，对时序数据进行降序排序，将小于权重阈值的时序数据输出为阈值异常数据。
58、进一步的，根据所述第一修复数据和所述恢复变量构建矿山修复效果模型的方法，包括：
59、矿山修复效果模型采用模糊聚类算法将土壤理化数据和生态本文档来自技高网...
【技术保护点】
1.一种基于土壤重构的矿山修复效果预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述土壤理化数据和所述生态数据进行分类排序获得时序数据的方法，包括：
3.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述时序数据进行因果分析得到恢复变量的方法，包括：
4.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述时序数据进行提取选择获得变化特征的方法，包括：
5.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，根据所述变化特征得到第一修复数据的方法，包括：
6.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，根据所述第一修复数据和所述恢复变量构建矿山修复效果模型的方法，包括：
7.一种电子设备，其特征在于，包括：处理器；以及：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括
...【技术特征摘要】
1.一种基于土壤重构的矿山修复效果预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述土壤理化数据和所述生态数据进行分类排序获得时序数据的方法，包括：
3.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述时序数据进行因果分析得到恢复变量的方法，包括：
4.根据权利要求1所述的一种基于土壤重构的矿山修复效果预测方法，其特征在于，对所述时序数据进行提取选择获得变化特征的方法，包括：
5.根据权利...
【专利技术属性】
技术研发人员：涂卫国，补春兰，苟小林，樊华，江羊洋，罗雪梅，李森，罗海霞，乐建，黄颉，
申请(专利权)人：四川省自然资源科学研究院四川省生产力促进中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。