卫星遥感农业监测系统中权重优化的实例修改算法

臧 晶，李成华

(1. 沈阳农业大学工程学院，沈阳 110866；2. 沈阳理工大学信息科学与工程学院，沈阳 110159；3. 沈阳理工大学机械工程学院，沈阳 110159)

0 引 言

现代机械智能设计过程中，如播种机设计，仍然以田间实测或其他传统的采集方式获得种距、行距、土壤含水率等参数作为用户需求，通过需求处理后指导设计人员。文献[1]提出了一种基于分类模型的需求信息表达方法，提高了需求信息获取的效率和准确率，但该方法未考虑在设计过程中需求类型和内容反复变化的问题；文献[2]采用域映射转换法实现客户需求向产品特征需求的转化，能为产品设计提供准确的需求，但未考虑需求转化导致的设计时间延迟问题。

基于实例推理的设计方法中，实例修改方法是研究的重点，而该方法是以需求为依据获得成熟的历史实例，进而通过智能方法修改实例完成新设计。需求的采集效率和准确性直接影响设计的结果。解特征实例修改(Feature-based case adaptation, FCA)方法是将相似实例集的解特征值按权重求和，以实现实例修改，得到新设计实例，该方法领域独立性强，但仍存在修改方法局限于某个应用、修改结果可用性不高等问题。文献[3]将基因算法用于FCA中，简单、易实现，但该算法的稳定性受基因编码结果影响较大；文献[4]引入决策树方法预测相似实例的修改适应性，并优化权重模型，大幅度提高了修改性能，但算法复杂度过高；文献[5]建立混合权重模型方法，一定程度上降低了文献[4]中权重计算的复杂度，但没有考虑不同数据类型的特征相似计算问题，适用范围有限，也没有考虑实例问题特征间相关关系对实例修改的影响，修改结果的可用性也不够理想。

上述实例修改方法的研究中，大多没有考虑传统需求获取及处理的方式对实例修改的准确率和可用性的影响。而随着卫星技术[6-8]的发展，卫星遥感和陆地传感技术[9]结合可以实现对农作物的生长指标、生长环境等参数的动态监测及实时处理，可以在时间、空间上补充传统采集方式的不足，解决智能农业机械设计过程中需求获取过程存在的问题，为实例修改提供更准确、更可靠的依据。因此，本文将卫星遥感技术应用到铲式播种机需求采集过程，设计了一个卫星遥感农业监测系统。在该系统中，采用遥感实测需求参数优化播种机设计实例的特征参数，同时也降低了混合权重计算复杂度，并在该混合权重计算过程中考虑了不同数据类型的特征相似计算问题，提高了混合权重的适用范围。将双边优化后的混合权重矩阵运用到铲式播种机设计过程中，提高修改准确度的同时，也保证了新修改方法的可用性。

1 卫星遥感农业监测系统的结构设计

本文结合卫星传感器网络、移动网络与远程数据库技术，设计和建立一个卫星遥感农业监测系统，同时对作物生长状况及其生长环境参数进行测量。系统由三部分组成，分别为卫星传感器与陆地传感器节点、协调器节点、远程控制平台，实现了“传感器—网络—远程监控设计”的结构，如图1所示。传感器节点负责监测土壤温度、土壤湿度、种距、行距等种植参数，并通过数据链路发送到协调器节点；协调器节点负责接受所有传感器节点发送来的环境数据，并发送给远程控制平台。远程控制平台由三部分组成，分别为服务器、数据库和实现农机智能设计系统的计算机。服务器负责处理需求数据的采集及信息的远程交互；数据库负责处理各类数据的存储；农机智能设计系统负责历史实例的存储和实例检索、实例修改、新设计的获取等。

该系统的优势在于，利用卫星技术和传感器技术，能够在更大范围内快速准确地获取设计需要的必要参数，还可以根据需求进行数据处理，以满足可用性。远程控制平台不仅可以满足不同地域的研发者资源共享、技术磋商的需要，而且能为大量多型号播种机的设计提供基础数据储备和技术支持，进行设计过程的远程指导和快速设计。

图1 卫星遥感农业监测系统Fig.1 Satellite remote sensing monitoring system foragriculture

2 基于混合权重的实例修改算法设计

在卫星遥感监测系统中，基于解特征的实例修改算法是重点也是难点[10]，为此，研究利用改进的混合权重矩阵对解特征权重进行优化，实现实例修改。改进的混合权重矩阵由三个矩阵相乘得到，这三个矩阵为：相似实例与新问题特征之间的混合相似度矩阵(Hybrid similarity matrices，HSM)，相似实例问题-解相关关系矩阵(Correlation coefficient matrices，CCM)，相似实例问题特征间的比较矩阵(Pair-wise comparison matrices，PCM)。因此文中提出的方法可称为基于PCM-CCM-HSM混合权重的实例修改算法。该算法充分地考虑了实例的问题特征以及解特征值的多种数据格式，尽可能兼顾相似实例的隐性知识，以获取其解特征的新权重，实现设计实例解特征的计算，处理流程如图2所示。

图2 播种机实例修改算法的流程Fig.2 Flow for case adaptation algorithm of planter

以子级实例修改为例，修改过程主要为：

(1)对新需求问题进行可拓表达。

(2)在实例库中进行基于相似性的实例检索。

(3)以混合相似度矩阵，相似实例问题特征间的比较矩阵，相似实例问题-解的相关关系矩阵做乘法获得新的混合权重矩阵，并进行标准化。

(4)基于新权重进行解特征值的计算，完成实例修改。

在上述流程中，最主要的部分是新需求的可拓表达，相似实例集检索和混合权重的计算，这也是研究的重点。

2.1 实例的可拓表达

铲式播种机全程智能化设计的基础是对设计中涉及的原理、约束、规则等知识进行合理地表达。针对铲式播种机设计信息的特殊性以及可拓CBR设计过程的需要，采用多维可拓物元模型的思想[11],建立播种机实例的物元模型，如式(1)和式(2)所示，该模型可实现播种机设计过程中涉及的旧知识、各种需求的统一表达。

(1)

(2)

其中，RD为历史实例物元，Γ表示历史实例物元名称；{p1,p2,…,pm}表示问题特征，反映播种机的设计要求，{u1,u2,…,um}表示问题特征的值；{s1,s2,…,sn}为解特征，与匹配的问题特征集对应，{v1,v2,…,vn}表示解特征的值。RP为设计实例物元，Γ0表示设计实例的物元名称，将RP实例化可得到修改后的新实例；{x01,x02,…,x0m}表示问题特征，反映新播种机的需求问题，{u01,u02,…,u0m}表示问题特征的值；{y01,y02,…,y0n}为解特征，与匹配的问题特征相对应；{v01,v02,…,v0n}表示解特征的值。

2.2 相似实例集的检索

按多层级方式，将可拓物元实例组织成铲式播种机的实例库。实例重用时，首先是检索历史实例库中满足新设计需求的相似实例集；如果历史实例集不满足匹配要求，则对历史实例物元的特征和特征值分别进行可拓变换，得到拓展后的实例集合；然后在拓展后的实例集中检索满足相似设计要求的历史实例集。

铲式播种机实例库是多级结构，本文主要针对检索结果中某一级实例库历史实例集的修改过程进行描述，其他层级的修改过程类似。

定义第r级实例库相似检索结果中的K个实例集为

(3)

(4)

式中：i=1,2,…,m，表示问题特征的序号，j=1,2,…,n，表示解特征的序号。

由式(2)可得到设计实例C0为

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

(5)

2.3 混合权重的计算方法

2.3.1混合相似矩阵的构建

混合相似矩阵由新需求问题和K个相似实例之间的相似度值构成。

(6)

构建相似度矩阵为：

(7)

混合相似度计算方法不仅兼顾了相似实例与新设计实例的不同结构，而且实现了同一实例多种数据格式的多相似度方法的融合，适应多样化需求情况下的新农机设计。

2.3.2灰色关系矩阵的计算方法

MCC=[δij(i=1,2,…,m;j=1,2,…,n)]m×n

(8)

其中，δij是问题特征和解特征的灰色关联度，其计算方法为

(9)

其中，δkij由标准化的问题特征值u′ki与解特征v′kj的关联程度衡量，其计算方法为

(10)

(11)

其中：ukmax，ukmin分别为问题特征的最大值和最小值；vkmax，vkmin分别为解特征的最大值和最小值。对于不同类型的uki和vkj，计算关联系数的方法不同：

1)当uki和vkj均为确定数时，利用式(10)～(11)计算得到关联系数δkij。

(12)

2.3.3混合权重的计算方法

在深入分析相似实例的问题-解特征的关联系数基础上，采用层次分析法获取实例问题特征之间的相对重要性关系，把这些关系引入解特征修改的权重分配策略，以获得改进的灰色关系矩阵MPCC，即

MPCC=MCC×MPC

(13)

其中,MPC为层次分析法中，通过两两比较评判对象得到的矩阵，其定义为

MPC=[aij]m×m

(14)

式中:aij是采用1～9比例标度法对问题特征两两相互比较并标准化后的评判结果[14]，表示第K个实例的问题特征pki对于特征pkj的相对重要度。

将MHS，MPCC做矩阵乘法，获得改进的混合权重矩阵

MIHW=MHS×MPCC=

[wihw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(15)

最后，将MIHW标准化后得到

MNHW=[wnhw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(16)

(17)

2.4 解特征的计算方法

基于式(17)混合权重计算方法，对K个相似实例的解特征进行修改，获得设计实例的解特征值为

(18)

V0=(v01,v02,…,v0j,…,v0n)

(19)

3 实例修改算法的应用分析

3.1 实例数据

将检索得到的播种机实例用于实例修改过程。每个实例特征集由4个问题特征和4个解特征组成：P1表示行距(mm)，P2表示行进速度(m/s)，P3表示播深(mm)，P4表示种距(mm)；S1表示轮盘直径(cm)，S2表示打穴铲数目(id)，S3表示打穴铲高度(mm)，S4表示打穴铲厚度(mm)，如表1所示。在本案例的计算分析中各参数设置如表1所示，其中行距特征参数在实际应用中，可通过卫星遥感监测得到。选取7个实例用于计算。

对上述数据分别采用PCM-CCM-HSM方法、灰度关联系数优化的平均权重法(The weighted mean improved by grey relational analysis，GRA-WM)和平均权重方法(The weighted mean，WM)计算铲式播种机的实例修改结果，并与设计实例的原始数据比较，分析修改结果的性能。

表1 播种机设计实例与相似实例Table 1 Design case and similarity cases of planter

3.2 PCM-CCM-HSM方法实例修改过程与结果

假设检索结果中满足相似度要求的实例有6个，即表1中的case1至case6，计算上述实例与设计实例问题特征的相似度值，得到相似度矩阵为

将表1中每一个相似实例的每一对问题特征值和解特征值利用式(10)、(11)、(12)计算问题-解关联关系值，并建立灰关系矩阵为

将表1中每一个相似实例利用文献[14]的比例标度计算问题特征间的比较关系值，建立比较矩阵并标准化后得到MPC为

根据式(13)确定矩阵MPCC

利用MHS和MPCC，根据式(15)得到初始化权重矩阵MIHW

根据式(17)将MIHW标准化后结果为

MNHW=[wnhw_ki]6×4=

将新权重的计算结果和6个相似实例的解特征值带入式(18)中，利用PCM-CCM-HSM方法，完成基于6个相似实例的实例修改，结果为设计实例的解特征值。铲式播种机的解特征值描述如下：v01表示轮盘直径的值，v02打穴值铲数目的值，v03打穴铲高度的值，v04打穴铲厚度的值。计算结果为：

采用文献[5]提出的基于GRE_WM方法的实例修改结果，其新解特征值为

式中：wngre_wm_kj,j=1,2,3,4为灰关联优化平均权重得到的权重[5]。

采用文献[5]中的基于WM方法的实例修改结果，其新解特征值为

式中：wnhsm_wm_kj,j=1,2,3,4为基于混合相似矩阵计算得到的平均权重[5]。

3.3 结果分析

采用相对误差来评估PCM-CCM-HSM方法、WM方法、GRE_WM方法修改结果的性能。分别计算轮盘直径、打穴铲数目、打穴铲高度、打穴铲厚度4个解特征的修改结果与设计实例相应解特征值的相对误差，如表2所示。

表2 不同实例修改方法条件下的不同特征相对误差Table 2 Average percentage error for different methods anddifferent features

表2中计算结果分析可以看出，在实例数量相同的条件下：PCM-CCM-HSM修改结果的误差值分别为(0.1754，1.4192，0.2996，2.7396)，GRE-WM修改结果的误差值分别为(0.3593，1.5846，0.5575，2.9696)，PCM-CCM-HSM方法修改结果的误差值分别比GRE-WM方法的修改结果的误差值要小得多，例如对于特征轮盘直径，PCM-CCM-HSM方法的误差值0.1754比GRA-WM方法的误差值0.3593小51.2%。

显然本文方法在兼顾多种数据格式的相似计算问题的同时，提高了修改准确度和可用性。

从表2中还可以看出，WM修改结果的误差值为(1.7720，0.7369，5.7767，3.0647)，对于特征1、特征3和特征4，PCM-CCM-HSM方法修改结果的误差值比WM方法的修改结果的误差值要小得多，由于所有实例特征2的值比较接近，相似度高，致使PCM-CCM-HSM方法的优势没有体现出来。

4 结 论

本文设计了卫星遥感农业监测系统，在该系统中采用卫星遥感等技术动态准确地监测土壤、农作物生长过程中一些参数，以调整设计需求，并重点研究了需求控制下的实例修改算法，并将方法运用到铲式播种机设计过程中。实例修改算法的核心是利用混合相似度法、层次分析法、灰色关联分析法多角度解析相似实例集隐含信息并融合，建立混合权重矩阵，进而用混合权重作为解特征的权重，完成实例修改，获得新设计实例的解。计算结果表明播种机实例的修改结果与新设计需求有较高相似性，其优势如下：

1)在实例数量给定的情况下，本文提出混合权重的实例修改算法达到了实例修改算法的可用性要求。

2)适当选择遥感定量采集设计相关参数，可以有效提高机械设计过程的智能性和设计结果的可用性。