[发明专利]一种基于K-Means算法的梭子蟹群体个性分类方法及应用

权利要求书

1.一种基于K-Means算法的梭子蟹群体个性分类方法，其特征在于包括以下步骤

步骤1实验梭子蟹的暂养，

步骤2梭子蟹行为的拍摄，

预备观察箱(3)，观察箱(3)内装有带挡板(4)的箱型遮蔽物(5)，在观察箱(3)中加入新鲜砂滤海水(水深40cm)后，将梭子蟹放入遮蔽物中适应10min，然后打开挡板(4)，连续拍摄24h后实验结束，共计完成s只个体的拍摄，n不少于50；

步骤3梭子蟹个性特征量化及统计，

选取梭子蟹个性特征为勇敢性、活跃性、犹豫性，其中勇敢性为拍摄期间梭子蟹不在遮蔽物下的时间占比(Belgrad et al.,2017)；活跃性为梭子蟹离开遮蔽物后十分钟内的移动次数(Brodin and Drotz,2014)；犹豫性为梭子蟹完全离开遮蔽物的时间减梭子蟹开始离开遮蔽物的时间(Brown et al.,2005)；

步骤4基于以上个性特征对梭子蟹进行分类，

步骤4.1生成每个梭子蟹个体的个性特征数据D1＝(x₁,y₁,z₁),…,(x_i,y_i,z_i),…,(x_s,y_s,z_s)，其中每个个体的个性特征数据坐标x、y、z分别表示梭子蟹个体的勇敢性、活跃性、犹豫性；

步骤4.2对其勇敢性、活跃性、犹豫性数据进行了Min-max标准化处理，以确保原始数据序列：经变换后的数值范围统一在[0,1]区间内，从而消除不同个性特征的数值差异。

Min-max标准化变换公式，以勇敢性为例：

则梭子蟹勇敢性、活跃性、犹豫性分别得到新的序列

U＝u₁,u₂,……,u_s

V＝v₁,v₂,……,v_s

W＝w₁,w₂,……,w_s

并得到梭子蟹个性特征数据集D2＝(u₁,v₁,w₁),(u₂,v₂,w₂),…,(u_s,v_s,w_s)；

步骤4.3：随机生成k个聚类中心，坐标为D3＝(a₁,b₁,c₁),…，(a_j,b_j,c_j),…,(a_k,b_k,c_k)；其中每个聚类中心坐标a、b、c分别表示勇敢性、活跃性、犹豫性，a_j为百分比，b_j自然数，c_j为时间，k为1—10之间的常数，j∈1-k；

步骤4.4：利用手肘法(Elbow Method)，通过优化基于欧式距离的簇内误差平方和SSE(within-cluster sum of squared errors)和步骤4.1、4.2中的数据来寻找步骤4.3的最优k值；

本发明中，欧氏距离的平方即：

((x_i,y_i,z_i)-(a_j,b_j,c_j))²＝(x_i-a_j)²+(y_i-b_j)²+(z_i-c_j)²

公式中，i∈1—s，j∈1—k；x、y、z以及a、b、c分别代表个性特征中的勇敢性、活跃性、冒险性；

计算每个个体个性特征(x_i,y_i,z_i)与每个聚类中心(a_j,b_j,c_j)的距离，并将该个体的个性特征归于距离最小的聚类中心(a_j,b_j,c_j)，设这种具有个性特征的聚类中心的数量为r，则r≤k；将这r个聚类中心依次重新排序，得到次聚类中心(a′₁,b′₁,c′₁),···，(a′_q,b′_q,c′_q),…,(a′_r,b′_r,c′_r)，记属于(a′_q,b′_q,c′_q)的个性特征的集合为Pq，q为1-r中的元素；在方案中，k∈1—10；

SSE计算公式如下：

在公式中，q为次聚类中心序号，q∈1—r，δ为集合Pq中的个性特征，SSE数值用于评估聚类效果，SSE数值越小，代表着簇内差距越小，聚类效果越好；

在步骤4.3开始计算时，每个聚类中心的初始位置是随即形成的，对于每一个次聚类中心(a′_q,b′_q,c′_q)，计算每一个次聚类中心所对应的个性特征与该次聚类中心(a′_q,b′_q,c′_q)的平均值；

步骤4.5：将所得的SSE重新赋值给每个次聚类中心；

步骤4.6：以步骤4.4的方式重新对个体归属于哪个次聚类中心进行计算，再进行SSE计算；如此重复步骤4.4，直至聚类中心的位置收敛；从而生成一个SSE与k的关系的折线图；

步骤5：取SSE下降幅度骤减的点为最优聚类；在梭子蟹个性特征分类中，SSE在聚类中心个数为2时下降幅度骤减，因此确定最优聚类K值为2，即将梭子蟹个体分为两个类别；命名为勇敢型(Bold Type，BP)、羞怯型(Shy Type，SP)；从而将梭子蟹群体中的每一只个体进行了个性分类，即将每个梭子蟹个体划分为勇敢型与羞怯型的其中一类。