[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

权利要求书

1.一种耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述方法包括以下步骤：

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，并用相关系数和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；

所述步骤B具体包括：将每个采样点的样本数据视作一个独立的生物体，以每个生物体的经纬度作为划分初始种群数量的数据来源，按照初始种群数量计算方法计算出初始生物种群数量N；

所述初始生物种群数量N指：用采样点的地理位置以及采样点的数量K计算出最佳聚类数量，计算方法为：

采用k-means算法分别计算N＝2、3、…、K/2时三个指标的取值，取同时满足三个指标条件的最小N作为初始生物种群数量；

RBF神经网络模型由三层神经元构成，其中第三层为输出层采用类ReLU函数作为传递函数，公式为：

其中，U表示某污染物元素含量的上限值，x表示神经网络模型计算出来的插值数据。

2.如权利要求1所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述步骤A中采集场地采样点的重金属含量以及其他观测要素，包括经度、纬度、有机质、pH值、质地、三种不同深度的土壤粒度。

3.如权利要求1所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述N的取值需同时满足的三个指标为：

指标一，同一生物种群内个体间的差异性尽可能小，体现种群内部的个体相似性，用生物种群内两两个体间的地理位置标准差表示；

指标二，不同生物种群的个体间差异性尽可能大，体现种群之间的个体相异性，用生物种群间两两个体间的地理位置标准差表示；

指标三，为保障个体的生存能力和生物多样性，生物种群内的个体数量尽可能大。

4.如权利要求1所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述步骤E中采用遗传算法的选择、交叉、变异操作在每个生物种群内产生新个体数据，并采用RBF神经网络模型评价新个体的优劣；所述新个体优劣的评价依据为：样本数据与模拟数据的均方根误差，在均方根误差不增加的条件下接收新个体作为插值数据。

5.如权利要求4所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述新个体数据包括新个体即插值点的基因序列的经纬度、土壤污染物含量及生态、环境要素值即经度、纬度、有机质、pH值、质地、三种不同深度的土壤粒度以及重金属含量值。

6.如权利要求1所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述步骤F具体包括：每个生物种群的个体数包括样本数据和新个体数据，构造RBF神经网络模型并进行检验新个体优劣，优胜劣汰的依据是观测点的样本数据及其模拟数据的RMSE不至于增大；其中，RBF神经网络模型的输入、输出是一个n×9矩阵，其中n表示向量数量，每个向量代表1个个体；新个体优胜劣汰的依据是RBF神经网络模型的输入与输出向量之间的RMSE不增加。

7.如权利要求1所述的耦合遗传算法和神经网络的土壤污染物含量插值方法，其特征在于，所述步骤H具体包括：接收优良新个体，淘汰劣势个体，更新整个生物群落，即新个体的规模得以扩充，为避免生物群落过度繁衍，每轮进化产生的新个体不超过总个体数量的5％；按30％的递减率缩小种群数量N，即N＝N-N×30％；当种群数量N1时，重复遗传算法，生物种群继续迭代，每一轮迭代用RBF神经网络模型进行优胜劣汰，直到算法结束。