(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111470450.3 (22)申请日 2021.12.0 3 (71)申请人 新疆海狸农牧业软件 有限公司 地址 830000 新疆维吾尔自治区乌鲁 木齐 市经济技术开 发区 （头屯河区） 厦门路 16号D-305室 (72)发明人 常松　盛建东　武红旗　陈冰　 石书兵　康定明　马英杰　张红忠　 程军回　张凯　石秀楠　易雪飞　 马浩楠　张聪　陈方磊　 (74)专利代理 机构 北京酷爱智慧知识产权代理 有限公司 1 1514 代理人 刘志刚 (51)Int.Cl. G06V 10/764(2022.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于土壤分类的特征识别机器学习优 化方法 (57)摘要 本发明公开了一种基于土壤分类的特征识 别机器学习优化方法， 涉及信息技术领域， 获取 待识别的二维图， 并对待识别的二维图进行数据 变化与数维转换， 得到多个备选二维图； 通过计 算机自动图像处理算法对各个备选二维图的特 征依次进行识别、 转换与枚举， 并按照最大随机 化选取部分特征建立正交坐标特征系， 将待识别 的二维图的特征投影到正交坐标特征系， 形成特 征序列， 其中， 二维图的特征包括数据点、 线段、 图斑及其组合； 通过回归分析和机器学习计算特 征序列到标注结果的映射， 并输出特征序列对应 的具有最大信息熵的标注序列， 通过MCMC对输 出 的标注序列进行随机采样， 得到标注序列的输出 值及其概率分布。 权利要求书1页 说明书8页 附图4页 CN 114266918 A 2022.04.01 CN 114266918 A 1.一种基于 土壤分类的特 征识别机器学习优化方法， 其特 征在于， 包括如下步骤： 获取待识别的二维图， 并对待识别的二维图进行数据变化与数维转换， 得到多个备选 二维图； 通过人工辅助或者计算机自动图像处理算法对点、 线和图斑及其组合组成的各个备选 二维图的特征依 次进行识别、 转换与枚举， 并按照最大随机化选取部分特征建立正交坐标 特征系， 将待识别的二维图的特征投影到正交坐标特征系， 形成特征序列， 其中， 二维图的 特征包括数据点、 线段、 图斑及其组合； 通过回归分析和机器学习计算特征序列到标注结果的映射， 并输出特征序列对应的具 有最大信息熵的标注序列， 通过MCMC对输出的标注序列进行随机采样， 得到标注序列的输 出值及其 概率分布。 2.根据权利要求1所述的一种基于土壤分类的特征识别机器学习优化方法， 其特征在 于， 获取的多个备选二维图通过对数据点、 线段、 图斑及其组合进行叠加的方式进行拟合， 且不同尺寸或大小的备选二 维图采用拉伸或挤压的方式， 使 各个备选二 维图的尺寸或大小 保持一致。 3.根据权利要求1所述的一种基于土壤分类的特征识别机器学习优化方法， 其特征在 于， 建立的正交坐标系， 可通过最短路径搜索算法或者宽度优先搜索算法计算互信息I(X； Y)最小解， 根据互信息I(X； Y)最小解是否 趋近于0判断部分特 征是否正交。 4.根据权利要求3所述的一种正交特征识别 机器学习 优化方法， 其特征在于， 所述互信 息I(X； Y)的数 学表达式如下 所示： 其中， p(x,y)是联合概率， p(x)和 p(y)是先验概率， I(X； Y)是对应x和y的随机变量X和Y 的互信息， 当互信息越小， 表 示两个事件x和y越不相关， 用I(X； Y)是否趋近于零来决定随机 变量X和Y是否正交。 5.根据权利要求1所述的一种基于土壤分类的特征识别机器学习优化方法， 其特征在 于， 将待识别二维图的特征投影到正交坐标特征系， 其投影的距离运算函数采用： 点积运 算、 叉乘运算、 欧氏距离运算、 高斯距离运算、 朴素贝叶斯分类距离运算、 PageRank距离运 算、 MC2多项式距离运算、 勒贝格距离运算、 NlogN距离运算、 傅里叶变换距离运算其一种或 者多种的组合。 6.一种电子设备， 其特征在于， 包括： 处理器、 输入设备、 输出设备和存储器， 所述处理 器、 输入设备、 输出设备和存储器相互连接， 所述存储器用于存储计算机程序， 所述计算机 程序包括程序指令， 所述处理器被配置用于调用所述程序指令时执行权利要求1 ‑5中的任 意一项方法。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机程序， 所述计算机程序包括程序指令， 所述程序指令在计算机上运行时执行权利要求1 ‑5的任意 一项方法。权　利　要　求　书 1/1 页 2 CN 114266918 A 2一种基于土壤分类的特征识别机 器学习优化方 法 技术领域 [0001]本发明涉及信息技术领域， 具体涉及一种基于土壤分类的特征识别机器学习优化 方法。 背景技术 [0002]土壤分类分为土壤发生分类和土壤系统分类。 土壤发生分类是在承认 “土壤成土 条件‑成土过程 ‑土壤属性 ”三者相互联系、 相互统一的前提下进 行土壤分类的。 由于缺乏严 格的定量分类标准， 该分类系统在进 行土壤分类时常以土壤的中心 概念和土壤成土条件作 为分类依据， 所以它 是一个定性分类。 土壤系统分类则是以诊断层和诊断特性为基础的谱 系式的定量土壤分类。 土壤发生分类更加主观， 土壤系统分类更加客观。 土壤发生分类更容 易建立区域内各土壤类型的联系， 土壤系统分类则会带来关系紧密的土壤类型在分类系统 中却很远的问题。 因为这两个分类系统有 各自的优缺点， 由于土壤分类问题的复杂性， 二者 都不可放弃。 本系统采用类似的分类过程， 首先做随机特征识别的定性估算与分类， 然后通 过拒绝与接受和机器学习过程进 行分类和定量。 随机或者人工辅助特征识别的过程就类似 于土壤发生分类的过程， 拒接与接受过程和机器学习过程 就类似于 土壤系统分类的过程。 发明内容 [0003]针对现有技术中的缺陷， 本发明提供一种基于土壤分类的特征识别机器学习优化 方法。 [0004]为解决背景技 术所提出的问题， 本发明的技 术方案如下： [0005]一种基于 土壤分类的特 征识别机器学习优化方法， 包括如下步骤： [0006]获取待识别的二维图， 并对待识别的二维图进行数据变化与数维转换， 得到多个 备选二维图； [0007]通过人工辅助方法或者计算机自动图像处理算法对各个备选二维图的特征依次 进行识别、 转换与枚举， 并按照最大随机化选取部 分特征建立正交坐标特征系， 将要 学习的 和待识别的二 维图的特征投影到正交坐标特征系， 形成特征序列， 其中， 二 维图的特征包括 数据点、 线段、 图斑及其组合； 这里计算机自动图像处理算法包括数字滤波技术、 卷积神经 网络、 生成对抗神经网络、 各种图像分割技 术和其它已经开发的技 术。 [0008]通过回归分析和机器学习计算特征序列到标注结果的映射， 并输出特征序列对应 的具有最大信息熵的标注序列， 通过MCMC对输出的标注序列进行随机采样， 得到标注序列 的输出值及其 概率分布。 [0009]作为优选的， 获取的多个备选二维图通过对数据点、 线段、 图斑及其组合进行叠加 的方式进行拟合， 且不同尺寸或大小的备选二维图采用拉伸或挤压的方式， 使各个备选二 维图的尺寸或大小保持一 致。 [0010]作为优选 的， 建立的正交坐标系， 可通过最短路径搜索算法或者宽度优先搜索算 法计算互信息I(X； Y)最小解， 根据互信息I(X； Y)最小解是否趋近于0判断部分特征是否正说　明　书 1/8 页 3 CN 114266918 A 3