[发明专利]一种耦合遗传算法和神经网络的土壤污染物含量插值方法

说明书

本发明公开了一种耦合遗传算法和神经网络的土壤污染物含量插值方法，包括：场地采样，获取样本数据；对获取的样本数据进行预处理，获得初始种群数量N；判断初始生物种群数量N的值是否为1，是，则算法结束，用相关系数和RMSE检验RBM神经网络模型；否则，执行下一步骤；聚类分析，将样本数据和新个体数据分配到每个种群中，构建新种群；对每个种群实施遗传算法，产生新个体，获得待检验的新种群；对每个种群构建RBF神经网络模型，评价新个体的优劣，接收或拒绝新个体；更新整个生物群落，缩小种群数量N，并判断N值是否为1，是则算法结束，用相关系数和RMSE检验RBM神经网络模型。

技术领域

本发明涉及计算机、数据挖掘、土壤学、生态学技术领域，尤其涉及一种耦合遗传算法和神经网络对场地土壤重金属含量进行空间数据插值分析的方法。

背景技术

现有地统计法是一类与地理位置相关的插值方法，主要有反距离法、克里格法、样条函数法等。这类方法的共同特征是，用插值点附近的观测值数据来加权计算插值数据，距离插值点近的观测值获得较高的加权系数，距离较远的观测值的加权系数偏小，同时，各种地统计法要满足不同的插值约束条件。

这类插值法的插值数据仅与插值点的地理位置、观测值数据有关，没有综合考虑插值点、观测点的其他地理要素，例如pH值、土壤粒度、高程、有机质等。以场地土壤污染物为例，相邻地点的场地土壤污染物含量与pH值、土壤颗粒、有机质、附近污染源、降水、建筑物是相关的。地统计法忽略了这些相关的地理要素。

此外，地统计法对场地土壤污染物含量进行插值时，存在一些缺陷，例如出现少量的负数值、场地边界上无法插值等现象。用克里金插值污染物含量时可能出现奇异矩阵，导致插值数据过大，偏离正常范围太远。

本发明采用遗传算法和RBF神经网络构建一个场地土壤污染物含量插值方法，综合观测点的pH值、有机质、土壤颗粒等地理要素与环境要素进行插法，能够克服地统计法的缺陷。

发明内容

为解决上述技术问题，本发明的目的是提供一种耦合遗传算法和RBF神经网络模型的场地土壤污染物含量插值方法。

本发明的目的通过以下的技术方案来实现：

一种耦合遗传算法和神经网络的土壤污染物含量插值方法，包括以下步骤：

步骤A场地采样，获取样本数据；

步骤B对获取的样本数据进行预处理，获得初始种群数量N，N1；

步骤C判断初始生物种群数量N的值是否为1，是，则算法结束，用相关系数和RMSE检验RBM神经网络模型；否则，执行步骤D；

步骤D聚类分析，将样本数据和新个体数据分配到每个种群中，构建新种群；

步骤E对每个种群实施遗传算法，产生新个体，获得待检验的新种群；

步骤F对每个种群构建RBF神经网络模型，评价新个体的优劣，接收或拒绝新个体；

步骤G更新整个生物群落，缩小种群数量N，并判断N值是否为1，是则算法结束，用相关系数和RMSE检验RBM神经网络模型；否则，继续执行步骤D；

步骤H算法结束，计算样本数据及其模拟数据，得出相关系数和RMSE值，评价RBF神经网络模型的插值性能。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

能够避免地统计法产生的负数值、过大或过小的奇异插值，样本数据与模拟数据的相关系数更高，均方根误差更小。

附图说明

图1是耦合遗传算法和神经网络的土壤污染物含量插值方法流程图；

图2是RBF神经网络结构示意图。

具体实施方式