衛星遙感農業監測系統中權重優化的實例修改算法

臧 晶，李成華

(1. 沈陽農業大學工程學院，沈陽 110866；2. 沈陽理工大學信息科學與工程學院，沈陽 110159；3. 沈陽理工大學機械工程學院，沈陽 110159)

0 引 言

現代機械智能設計過程中，如播種機設計，仍然以田間實測或其他傳統的采集方式獲得種距、行距、土壤含水率等參數作為用戶需求，通過需求處理后指導設計人員。文獻[1]提出了一種基于分類模型的需求信息表達方法，提高了需求信息獲取的效率和準確率，但該方法未考慮在設計過程中需求類型和內容反復變化的問題；文獻[2]采用域映射轉換法實現客戶需求向產品特征需求的轉化，能為產品設計提供準確的需求，但未考慮需求轉化導致的設計時間延遲問題。

基于實例推理的設計方法中，實例修改方法是研究的重點，而該方法是以需求為依據獲得成熟的歷史實例，進而通過智能方法修改實例完成新設計。需求的采集效率和準確性直接影響設計的結果。解特征實例修改(Feature-based case adaptation, FCA)方法是將相似實例集的解特征值按權重求和，以實現實例修改，得到新設計實例，該方法領域獨立性強，但仍存在修改方法局限于某個應用、修改結果可用性不高等問題。文獻[3]將基因算法用于FCA中，簡單、易實現，但該算法的穩定性受基因編碼結果影響較大；文獻[4]引入決策樹方法預測相似實例的修改適應性，并優化權重模型，大幅度提高了修改性能，但算法復雜度過高；文獻[5]建立混合權重模型方法，一定程度上降低了文獻[4]中權重計算的復雜度，但沒有考慮不同數據類型的特征相似計算問題，適用范圍有限，也沒有考慮實例問題特征間相關關系對實例修改的影響，修改結果的可用性也不夠理想。

上述實例修改方法的研究中，大多沒有考慮傳統需求獲取及處理的方式對實例修改的準確率和可用性的影響。而隨著衛星技術[6-8]的發展，衛星遙感和陸地傳感技術[9]結合可以實現對農作物的生長指標、生長環境等參數的動態監測及實時處理，可以在時間、空間上補充傳統采集方式的不足，解決智能農業機械設計過程中需求獲取過程存在的問題，為實例修改提供更準確、更可靠的依據。因此，本文將衛星遙感技術應用到鏟式播種機需求采集過程，設計了一個衛星遙感農業監測系統。在該系統中，采用遙感實測需求參數優化播種機設計實例的特征參數，同時也降低了混合權重計算復雜度，并在該混合權重計算過程中考慮了不同數據類型的特征相似計算問題，提高了混合權重的適用范圍。將雙邊優化后的混合權重矩陣運用到鏟式播種機設計過程中，提高修改準確度的同時，也保證了新修改方法的可用性。

1 衛星遙感農業監測系統的結構設計

本文結合衛星傳感器網絡、移動網絡與遠程數據庫技術，設計和建立一個衛星遙感農業監測系統，同時對作物生長狀況及其生長環境參數進行測量。系統由三部分組成，分別為衛星傳感器與陸地傳感器節點、協調器節點、遠程控制平臺，實現了“傳感器—網絡—遠程監控設計”的結構，如圖1所示。傳感器節點負責監測土壤溫度、土壤濕度、種距、行距等種植參數，并通過數據鏈路發送到協調器節點；協調器節點負責接受所有傳感器節點發送來的環境數據，并發送給遠程控制平臺。遠程控制平臺由三部分組成，分別為服務器、數據庫和實現農機智能設計系統的計算機。服務器負責處理需求數據的采集及信息的遠程交互；數據庫負責處理各類數據的存儲；農機智能設計系統負責歷史實例的存儲和實例檢索、實例修改、新設計的獲取等。

該系統的優勢在于，利用衛星技術和傳感器技術，能夠在更大范圍內快速準確地獲取設計需要的必要參數，還可以根據需求進行數據處理，以滿足可用性。遠程控制平臺不僅可以滿足不同地域的研發者資源共享、技術磋商的需要，而且能為大量多型號播種機的設計提供基礎數據儲備和技術支持，進行設計過程的遠程指導和快速設計。

圖1 衛星遙感農業監測系統Fig.1 Satellite remote sensing monitoring system foragriculture

2 基于混合權重的實例修改算法設計

在衛星遙感監測系統中，基于解特征的實例修改算法是重點也是難點[10]，為此，研究利用改進的混合權重矩陣對解特征權重進行優化，實現實例修改。改進的混合權重矩陣由三個矩陣相乘得到，這三個矩陣為：相似實例與新問題特征之間的混合相似度矩陣(Hybrid similarity matrices，HSM)，相似實例問題-解相關關系矩陣(Correlation coefficient matrices，CCM)，相似實例問題特征間的比較矩陣(Pair-wise comparison matrices，PCM)。因此文中提出的方法可稱為基于PCM-CCM-HSM混合權重的實例修改算法。該算法充分地考慮了實例的問題特征以及解特征值的多種數據格式，盡可能兼顧相似實例的隱性知識，以獲取其解特征的新權重，實現設計實例解特征的計算，處理流程如圖2所示。

圖2 播種機實例修改算法的流程Fig.2 Flow for case adaptation algorithm of planter

以子級實例修改為例，修改過程主要為：

(1)對新需求問題進行可拓表達。

(2)在實例庫中進行基于相似性的實例檢索。

(3)以混合相似度矩陣，相似實例問題特征間的比較矩陣，相似實例問題-解的相關關系矩陣做乘法獲得新的混合權重矩陣，并進行標準化。

(4)基于新權重進行解特征值的計算，完成實例修改。

在上述流程中，最主要的部分是新需求的可拓表達，相似實例集檢索和混合權重的計算，這也是研究的重點。

2.1 實例的可拓表達

鏟式播種機全程智能化設計的基礎是對設計中涉及的原理、約束、規則等知識進行合理地表達。針對鏟式播種機設計信息的特殊性以及可拓CBR設計過程的需要，采用多維可拓物元模型的思想[11],建立播種機實例的物元模型，如式(1)和式(2)所示，該模型可實現播種機設計過程中涉及的舊知識、各種需求的統一表達。

(1)

(2)

其中，RD為歷史實例物元，Γ表示歷史實例物元名稱；{p1,p2,…,pm}表示問題特征，反映播種機的設計要求，{u1,u2,…,um}表示問題特征的值；{s1,s2,…,sn}為解特征，與匹配的問題特征集對應，{v1,v2,…,vn}表示解特征的值。RP為設計實例物元，Γ0表示設計實例的物元名稱，將RP實例化可得到修改后的新實例；{x01,x02,…,x0m}表示問題特征，反映新播種機的需求問題，{u01,u02,…,u0m}表示問題特征的值；{y01,y02,…,y0n}為解特征，與匹配的問題特征相對應；{v01,v02,…,v0n}表示解特征的值。

2.2 相似實例集的檢索

按多層級方式，將可拓物元實例組織成鏟式播種機的實例庫。實例重用時，首先是檢索歷史實例庫中滿足新設計需求的相似實例集；如果歷史實例集不滿足匹配要求，則對歷史實例物元的特征和特征值分別進行可拓變換，得到拓展后的實例集合；然后在拓展后的實例集中檢索滿足相似設計要求的歷史實例集。

鏟式播種機實例庫是多級結構，本文主要針對檢索結果中某一級實例庫歷史實例集的修改過程進行描述，其他層級的修改過程類似。

定義第r級實例庫相似檢索結果中的K個實例集為

(3)

(4)

式中：i=1,2,…,m，表示問題特征的序號，j=1,2,…,n，表示解特征的序號。

由式(2)可得到設計實例C0為

C0={x01,x02,…,x0i,…,x0m,y01,y02,…,y0j,…,y0n}

(5)

2.3 混合權重的計算方法

2.3.1混合相似矩陣的構建

混合相似矩陣由新需求問題和K個相似實例之間的相似度值構成。

(6)

構建相似度矩陣為：

(7)

混合相似度計算方法不僅兼顧了相似實例與新設計實例的不同結構，而且實現了同一實例多種數據格式的多相似度方法的融合，適應多樣化需求情況下的新農機設計。

2.3.2灰色關系矩陣的計算方法

MCC=[δij(i=1,2,…,m;j=1,2,…,n)]m×n

(8)

其中，δij是問題特征和解特征的灰色關聯度，其計算方法為

(9)

其中，δkij由標準化的問題特征值u′ki與解特征v′kj的關聯程度衡量，其計算方法為

(10)

(11)

其中：ukmax，ukmin分別為問題特征的最大值和最小值；vkmax，vkmin分別為解特征的最大值和最小值。對于不同類型的uki和vkj，計算關聯系數的方法不同：

1)當uki和vkj均為確定數時，利用式(10)～(11)計算得到關聯系數δkij。

(12)

2.3.3混合權重的計算方法

在深入分析相似實例的問題-解特征的關聯系數基礎上，采用層次分析法獲取實例問題特征之間的相對重要性關系，把這些關系引入解特征修改的權重分配策略，以獲得改進的灰色關系矩陣MPCC，即

MPCC=MCC×MPC

(13)

其中,MPC為層次分析法中，通過兩兩比較評判對象得到的矩陣，其定義為

MPC=[aij]m×m

(14)

式中:aij是采用1～9比例標度法對問題特征兩兩相互比較并標準化后的評判結果[14]，表示第K個實例的問題特征pki對于特征pkj的相對重要度。

將MHS，MPCC做矩陣乘法，獲得改進的混合權重矩陣

MIHW=MHS×MPCC=

[wihw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(15)

最后，將MIHW標準化后得到

MNHW=[wnhw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(16)

(17)

2.4 解特征的計算方法

基于式(17)混合權重計算方法，對K個相似實例的解特征進行修改，獲得設計實例的解特征值為

(18)

V0=(v01,v02,…,v0j,…,v0n)

(19)

3 實例修改算法的應用分析

3.1 實例數據

將檢索得到的播種機實例用于實例修改過程。每個實例特征集由4個問題特征和4個解特征組成：P1表示行距(mm)，P2表示行進速度(m/s)，P3表示播深(mm)，P4表示種距(mm)；S1表示輪盤直徑(cm)，S2表示打穴鏟數目(id)，S3表示打穴鏟高度(mm)，S4表示打穴鏟厚度(mm)，如表1所示。在本案例的計算分析中各參數設置如表1所示，其中行距特征參數在實際應用中，可通過衛星遙感監測得到。選取7個實例用于計算。

對上述數據分別采用PCM-CCM-HSM方法、灰度關聯系數優化的平均權重法(The weighted mean improved by grey relational analysis，GRA-WM)和平均權重方法(The weighted mean，WM)計算鏟式播種機的實例修改結果，并與設計實例的原始數據比較，分析修改結果的性能。

表1 播種機設計實例與相似實例Table 1 Design case and similarity cases of planter

3.2 PCM-CCM-HSM方法實例修改過程與結果

假設檢索結果中滿足相似度要求的實例有6個，即表1中的case1至case6，計算上述實例與設計實例問題特征的相似度值，得到相似度矩陣為

將表1中每一個相似實例的每一對問題特征值和解特征值利用式(10)、(11)、(12)計算問題-解關聯關系值，并建立灰關系矩陣為

將表1中每一個相似實例利用文獻[14]的比例標度計算問題特征間的比較關系值，建立比較矩陣并標準化后得到MPC為

根據式(13)確定矩陣MPCC

利用MHS和MPCC，根據式(15)得到初始化權重矩陣MIHW

根據式(17)將MIHW標準化后結果為

MNHW=[wnhw_ki]6×4=

將新權重的計算結果和6個相似實例的解特征值帶入式(18)中，利用PCM-CCM-HSM方法，完成基于6個相似實例的實例修改，結果為設計實例的解特征值。鏟式播種機的解特征值描述如下：v01表示輪盤直徑的值，v02打穴值鏟數目的值，v03打穴鏟高度的值，v04打穴鏟厚度的值。計算結果為：

采用文獻[5]提出的基于GRE_WM方法的實例修改結果，其新解特征值為

式中：wngre_wm_kj,j=1,2,3,4為灰關聯優化平均權重得到的權重[5]。

采用文獻[5]中的基于WM方法的實例修改結果，其新解特征值為

式中：wnhsm_wm_kj,j=1,2,3,4為基于混合相似矩陣計算得到的平均權重[5]。

3.3 結果分析

采用相對誤差來評估PCM-CCM-HSM方法、WM方法、GRE_WM方法修改結果的性能。分別計算輪盤直徑、打穴鏟數目、打穴鏟高度、打穴鏟厚度4個解特征的修改結果與設計實例相應解特征值的相對誤差，如表2所示。

表2 不同實例修改方法條件下的不同特征相對誤差Table 2 Average percentage error for different methods anddifferent features

表2中計算結果分析可以看出，在實例數量相同的條件下：PCM-CCM-HSM修改結果的誤差值分別為(0.1754，1.4192，0.2996，2.7396)，GRE-WM修改結果的誤差值分別為(0.3593，1.5846，0.5575，2.9696)，PCM-CCM-HSM方法修改結果的誤差值分別比GRE-WM方法的修改結果的誤差值要小得多，例如對于特征輪盤直徑，PCM-CCM-HSM方法的誤差值0.1754比GRA-WM方法的誤差值0.3593小51.2%。

顯然本文方法在兼顧多種數據格式的相似計算問題的同時，提高了修改準確度和可用性。

從表2中還可以看出，WM修改結果的誤差值為(1.7720，0.7369，5.7767，3.0647)，對于特征1、特征3和特征4，PCM-CCM-HSM方法修改結果的誤差值比WM方法的修改結果的誤差值要小得多，由于所有實例特征2的值比較接近，相似度高，致使PCM-CCM-HSM方法的優勢沒有體現出來。

4 結 論

本文設計了衛星遙感農業監測系統，在該系統中采用衛星遙感等技術動態準確地監測土壤、農作物生長過程中一些參數，以調整設計需求，并重點研究了需求控制下的實例修改算法，并將方法運用到鏟式播種機設計過程中。實例修改算法的核心是利用混合相似度法、層次分析法、灰色關聯分析法多角度解析相似實例集隱含信息并融合，建立混合權重矩陣，進而用混合權重作為解特征的權重，完成實例修改，獲得新設計實例的解。計算結果表明播種機實例的修改結果與新設計需求有較高相似性，其優勢如下：

1)在實例數量給定的情況下，本文提出混合權重的實例修改算法達到了實例修改算法的可用性要求。

2)適當選擇遙感定量采集設計相關參數，可以有效提高機械設計過程的智能性和設計結果的可用性。