申请/专利权人：南京师范大学

申请日：2023-10-20

公开（公告）日：2024-06-18

公开（公告）号：CN117315638B

主分类号：G06V20/60

分类号：G06V20/60;G06V10/44;G06V10/46;G06V10/422;G06V10/764;G06V10/82;G06V10/778;G06N3/0464;G06N3/096;G06V10/774;G06N5/022;G06V10/776

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种基于信息素划分生态位的浮游藻类互动快速智能分析办法，具体包括如下组成部分：1基于卷积神经网络（CNN）和SIFTSURFHOG，对不同藻类样本的特征进行提取，包括数量和形状特征；2通过学习已知浮游藻类信息素和特征之间的关系，来识别水样中的信息素；（3）通过规则库，反馈权重文件给识别系统，所得数据用于生态位的鉴定，分析种间互动关系；4利用少量精准标注信息对模型进行权重精调；（5）根据藻类专家的反馈结果，模型自适应微调，本发明能够准确分析水样中浮游藻类的数量和种类，并分析它们之间的相互作用，发明可以帮助科研人员和环境保护部门更好地了解湖泊中藻类的生态系统，为藻类生态学研究和环境保护提供支持。

主权项：1.一种基于信息素划分生态位的浮游藻类互动快速智能分析办法，其特征在于，具体包括如下步骤：步骤1基于卷积神经网络CNN和SIFTSURFHOG技术，对不同藻类样本的特征进行提取，包括数量和形状特征；步骤2使用分类算法，通过学习已知浮游藻类信息素和特征之间的关系，来识别水样中的信息素；再根据聚类算法，将水样数据根据特征的相似性进行聚类，从而发现其中存在的浮游藻类信息素的模型和关联；所述步骤2具体包括如下组成部分:步骤21对于已标记数据集的情况，使用分类算法，可以通过学习浮游藻类信息素与浮游藻类特征之间的关系，来预测和识别位置水样中的浮游藻类的信息；步骤22对于未标记数据集的情况，使用聚类算法，将水样数据根据特征的相似性进行聚类，从而发现其中存在的浮游藻类信息素的模式有关；步骤3利用富有先验知识的规则库，对浮游藻类样本进行分析，得到初步的藻类互动关系；通过对权重文件进行反馈训练，得到各种浮游藻类的权重矩阵，并根据权重矩阵的相似性来判断不同藻类是否属于同一生态位，可以用于分析不同藻类之间的互动关系；具体包括如下组成部分：步骤31集合形成的关于浮游藻类的先验知识和互动关系相关的、基于领域专家知识的、科学研究论文的生态系统模型的规则库；步骤32利用规则库中的互动关系和已知样本数据，计算得到权重矩阵的初始值，反复迭代反馈训练过程，得到权重矩阵满足预设的停止条件；步骤33对于不同的浮游藻类，计算其对应的权重矩阵之间的相似性度量，使用欧氏距离和余弦相似度；步骤34通过设定相似性阈值来确定生态位的归属步骤4利用少量精准标注的浮游藻类种类信息，可以应用迁移学习和fine-tuning的方法对基于yolov8的目标检测模型进行权重精调；步骤5基于专家反馈的精细化微调。

全文数据：

权利要求：

百度查询： 南京师范大学 基于信息素划分生态位的浮游藻类互动快速智能分析办法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD