申请/专利权人：成都理工大学;四川省地质调查研究院测绘地理信息中心

申请日：2024-04-17

公开（公告）日：2024-06-21

公开（公告）号：CN118071210B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/26;G06F18/15;G06F18/213;G06F18/214;G06F18/24;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.06.11#实质审查的生效;2024.05.24#公开

摘要：本发明公开了一种结合CNN和PPM的生态环境脆弱性评估方法，涉及生态环境评价领域，包括以下步骤：构建不同区域的生态环境脆弱性评估指标体系；构建CNN神经网络模型并输入不同区域的生态环境脆弱性评估指标数据，得到优化后的指标数据；对优化后的指标数据进行样本归一化，建立投影目标函数并进行优化，计算各指标数据的特征值，得到对应的权重；利用生态脆弱性指数方程对各权重进行计算，得到对应的生态环境脆弱性指数。本发明利用Adam‑CNN神经网络模型对指标数据中的异常值进行清洗，解决传统投影寻踪模型对样本异常值较敏感的问题，自动识别和剔除异常值，提高处理效率，可适用于不同区域，有效解决传统评估方法中的主观性和局限性以及数据的高纬和非线性相关问题。

主权项：1.一种结合CNN和PPM的生态环境脆弱性评估方法，其特征在于：包括以下步骤：S1、获取不同区域的生态环境特征并构建对应区域的生态环境脆弱性评估指标体系；S2、构建CNN神经网络模型；对不同区域的生态环境脆弱性评估指标数据输入至CNN神经网络模型，得到优化后的指标数据；S3、对优化后的指标数据进行样本归一化，并根据归一化后的指标数据建立投影目标函数；S4、优化投影目标函数，计算各归一化后的指标数据的特征值，得到对应的权重；S5、利用生态脆弱性指数方程对各权重进行计算，得到对应的生态环境脆弱性指数，完成对区域的生态环境脆弱性评估；所述步骤S2的CNN神经网络模型包括依次连接的输入层、隐含层、第一全连接层、第二全连接层和输出层；所述隐含层由个卷积层和个降采样层交替形成；所述输入层、第一全连接层、第二全连接层和输出层均包括若干个神经元；所述步骤S2的具体过程为：通过CNN神经网络模型对处理后的指标数据进行识别，若处理后的指标数据为异常值则进行剔除，若处理后的指标数据为正常值则进行保留，得到优化后的指标数据；所述步骤S2的CNN神经网络模型的训练过程为：A1、获取训练指标数据并进行处理，得到处理后的训练指标数据及其标签；A2、将处理后的训练指标数据及其标签输入至CNN神经网络模型并通过Adam优化器进行迭代优化，直至将模型参数调整至目标状态，完成对CNN神经网络模型的训练；所述步骤A1进一步包括：A1-1、根据不同区域的公里格网，对不同区域的生态环境脆弱性评估指标数据进行提取，得到对应的提取后的指标数据；A1-2、对提取后的指标数据进行标准化，得到对应的标准化后的指标数据；A1-3、对标准化后的指标数据进行分类，得到正常指标数据样本集及其标签和异常指标数据样本集及其标签；所述处理后的训练指标数据包括正常指标数据样本集和异常指标数据样本集；所述步骤S3的投影目标函数的公式如下： 其中，表示投影目标函数，表示的第个归一化后的指标数据对应的一维投影值，表示一维投影值的标准差，表示一维投影值的局部核密度，表示平均值函数，表示求和函数，表示样本数量，表示单位阶跃函数，表示局部密度的窗口半径，表示第个归一化后的指标数据和第个归一化后的指标数据之间的距离；所述步骤S4进一步包括：S4-1、根据公式： 获得投影目标函数的最大值；其中，表示最大值函数，表示约束条件，表示归一化后的指标数据的总数量，表示第个归一化后的指标数据对应的投影方向；S4-2、利用RAGA算法确定投影目标函数的最大值并获取最佳投影方向；S4-3、根据最佳投影方向和目标函数得到各指标数据的特征值，并根据公式： 得到对应的第个归一化后的指标数据的权重；其中，表示第个指标数据的特征值；所述步骤S5中的生态脆弱性指数方程为： 其中，表示生态环境脆弱性指数，表示求和函数，表示归一化后的指标数据的总数量，表示第个归一化后的指标数据的权重，表示第个归一化后的指标数据的值。

全文数据：

权利要求：

百度查询： 成都理工大学;四川省地质调查研究院测绘地理信息中心 一种结合CNN和PPM的生态环境脆弱性评估方法

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