CN103793850B - 一种作物育种材料筛选方法和*** - Google Patents
一种作物育种材料筛选方法和*** Download PDFInfo
- Publication number
- CN103793850B CN103793850B CN201410030900.0A CN201410030900A CN103793850B CN 103793850 B CN103793850 B CN 103793850B CN 201410030900 A CN201410030900 A CN 201410030900A CN 103793850 B CN103793850 B CN 103793850B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- index
- msubsup
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明提供了一种作物育种材料筛选方法和***,该方法包括:步骤S1,对涉及作物育种材料的多个候选性状进行聚类;步骤S2,从根据聚类得到的每一类候选性状中各选择至少一个性状参数将其作为育种材料的评价指标;步骤S3,确定步骤S2中选择的每个评价指标对应的权重值;步骤S4,根据步骤S3中得到的权重值对各个育种材料相应的指标值进行运算,得到各个育种材料的综合评分;步骤S5,根据步骤S4中得到的综合评分进行作物育种材料的筛选。使用本发明提供的作物育种材料筛选方法和***,能够提高筛选的效率和准确性;同时,能够使选取的用于***综合评价的作物性状指标更加科学合理。
Description
技术领域
本发明涉及作物育种技术领域,尤其涉及一种作物育种材料筛选方法和***。
背景技术
综合评价学一门运用多学科、多领域的理论、方法、技术和知识相互交叉、渗透的综合性学科。从哲学视角上看,综合评价技术是一种认识手段,一种定量认识客观实际的手段,它能够使我们从纷杂的现象中把握事物的整体水平;从统计学视角上看,它与回归分析、指数分析、时间序列分析等统计方法分支一样,是统计方法体系中的一个重要分支,且被广泛应用于社会现象的定量综合评价实践中去,如经济效益评价、物流规划评价、环境影响评价、食品安全评估等领域。
目前,在农作物育种领域,育种人员主要通过以下两种方式对育种材料进行评价,分别为:主观评价法和田间试验统计法。主观评价法是指育种人员基于自己多年的育种经验对育种材料直接做出主观的评价。受个人知识水平与育种经验的影响,不同的育种人员对同一植株可能做出不同的评价,导致主观性较强;其次,该方法一次仅可以针对一个植株的某个性状对其进行评判,不能同时综合多个性状对植株进行评判,缺乏全面性;最后,对一些未数量化的指标没有统一的划分标准,这种模糊性使得在品种评判时准确度较低。因此,农作物的育种过程需要科学的综合评价方法。田间试验统计法通常包括:完全随机法、随机区组法、拉丁方法、重复内分组法、裂区法、条区法等,这些方法的一个共同点就是:通过事先设计田间试验,然后基于方差分解的思想对田间试验中的各试验因素进行方差分析,然后采用最小显著差数法(Least Significant Difference,LSD)或新复极差法(Shortest Significant Ranges,SSR)进行多重比较,以此来分析各材料之间的差异性,或对几个性状进行互作效应评判,较少对多个性状进行综合而定量的评价,严重影响到结果的真实性和可用性。通常,育种材料的优劣由许多性状指标决定的,如产量、株高、抗病性、倒伏性、生育期等性状,只有综合性状表现优良的作物品种才有大面积推广的价值。
因此,研究一种科学、客观的作物育种材料综合评价方法,将有助于育种人员对作物育种材料进行综合评判和分析决策,辅助育种家进行材料筛选淘汰,提高育种材料的筛选效率。
发明内容
本发明提供了一种作物育种材料筛选方法和***,能够提高筛选的效率和准确性,同时能够使选取的指标参数更加科学合理。
本发明提供了一种作物育种材料筛选方法,其特征在于,包括:
步骤S1,对涉及作物育种材料的多个候选性状参数进行聚类;
步骤S2,从根据聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的候选性状参数将其作为育种材料的评价指标;
步骤S3,确定步骤S2中选择的各个评价指标对应的权重值;
步骤S4,根据步骤S3中得到的权重值对各个育种材料相应的评价指标进行加权运算,得到各个育种材料的综合评分;
步骤S5,根据步骤S4中得到的综合评分进行作物育种材料的筛选。
优选的,所述步骤S1具体包括:
步骤S11,逐个计算任意两个候选性状参数之间的距离,其中候选性状参数xi和候选性状参数xj间的距离 i=1,2,…,n,j=i+1,i+2,…,n,p为xi和xj维数,n为各序列的长度即数据个数,m为因素(变量)的个数;
步骤S12,使用离差平方和法确定类与类之间的距离;
步骤S13,选择类的个数;
步骤S14,对各个候选性状参数进行分类;
步骤S15,判断同类候选性状参数在数值特征上是否存在显著差异,若是,则判定聚类结果合理;否则,改变类的个数,并重新执行步骤S14-S15。
优选的,所述步骤S2包括:
步骤S21,将每一类候选性状参数中的各个候选性状值消除量纲,转换为可比较的数据序列;
步骤S22,确定母序列{X0(t)}与子序列{Xi(t)};其中,t=1,2,…,n, i=1,2,…,m;
步骤S23,根据如下公式计算灰色关联系数L0i(k):
其中,Δ0i(k)=|x0(k)-xi(k)|(1≤i≤m);Δmax和Δmin分别表示所有子序列各个材料绝对差中的最大值和最小值,ρ为预设分辨系数,且ρ∈(0,1);
步骤S24,根据如下公式计算子序列i与母序列的关联度r0i:
步骤S25,将m个子序列对同一母序列的关联度按由大到小顺序排列起来,组成关联序{X};
步骤S26,依次计算母序列{Y1},{Y2},…,{Yn}与子序列 {X1},{X2},…,{Xm}的关联度,得到关联度矩阵R:
其中,rab为第b个子序列对第a个母序列的关联度,n为母序列{Y1},{Y2},…,{Yn}(n≠2)的个数及m为子序列 {X1},{X2},…,{Xm}(m≠1)的个数;
步骤S27,计算矩阵R每一行的均值并将按大小进行排序,选择均值大于预设阈值的候选性状参数作为需要选用的评价指标。
优选的,所述步骤S5具体包括:步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个性状指标所对应的原始值;
步骤S52,根据评价指标所对应的性状参数的含义不同,将所有评价指标分为正向指标、逆向指标和适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中,
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素 vij=yij×wj,wj为第j个指标的权重(i=1,2,…,m;j=1,2,…,n),wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离,以及到负理想材料的解S-的距离:
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度
优选的,若指标j为正向指标,其中max(zij)为矩阵Z 中第j列的最大值;若指标j为逆向指标,其中min(zij) 为矩阵Z中第j列的最小值;若指标j为适度指标,其中为指标j的理想值。
本发明还提供了一种作物育种材料筛选***,其特征在于,包括:
聚类模块,用于对涉及作物育种材料的多个候选性状参数进行聚类;
第一选择模块,用于从所述聚类模块聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的性状参数;
权重获取模块,确定所述第一选择模块中选择的各个候选性状参数对应的权重值;
计算模块,用于根据权重获取模块得到的权重值对各个育种材料相应的评价指标进行运算,得到各个育种材料的综合评分;
第二选择模块,根据所述计算模块得到的综合评分进行作物育种材料的筛选。
优选的,所述聚类模块具体用于执行:
步骤S11,逐个计算任意两个候选性状参数之间的距离,其中候选性状参数xi和候选性状参数xj间的距离 i=1,2,…,n,j=i+1,i+2,…,n,p为xi和xj维数,n为各序列的长度即数据个数,m为因素(变量)的个数;
步骤S12,使用离差平方和法确定类与类之间的距离;
步骤S13,确定类的个数;
步骤S14,对各个候选性状参数进行分类;
步骤S15,判断同类指标在数值特征上是否存在显著差异,若是,则判定聚类结果合理;否则,改变类的个数,并重新执行步骤S14-S15。
优选的,所述第一选择模块,具有用于执行:
步骤S21,将每一类候选性状参数中的各个候选性状参数消除量纲,转换为可比较的数据序列;
步骤S22,确定母序列{X0(t)}与子序列{Xi(t)}。其中,t=1,2,…,n, i=1,2,…,m;
步骤S23,根据如下公式计算灰色关联系数L0i(k):
其中,Δ0i(k)=|x0(k)-xi(k)|(1≤i≤m);Δmax和Δmin分别表示所有子序列各个材料绝对差中的最大值和最小值,ρ为预设分辨系数,且ρ∈(0,1);
步骤S24,根据如下公式计算子序列i与母序列的关联度r0i:
步骤S25,将m个子序列对同一母序列的关联度按由大到小顺序排列起来,组成关联序{X};
步骤S26,依次计算母序列{Y1},{Y2},…,{Yn}与子序列 {X1},{X2},…,{Xm}的关联度,得到关联度矩阵R:
其中,rab为第b个子序列对第a个母序列的关联度,n为母序列{Y1},{Y2},…,{Yn}(n≠2)的个数及m为子序列 {X1},{X2},…,{Xm}(m≠1)的个数;
步骤S27,计算矩阵R每一行的均值并将按大小进行排序,选择均值大于预设阈值的候选性状参数作为需要选用的评价指标。
优选的,所述第二选择模块具体用于执行:
步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个性状指标所对应的原始指标值;
步骤S52,根据性状指标所对应性状参数的的含义不同,将所有性状指标分为正向指标、逆向指标或适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中,
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素 vij=yij×wj,wj为第j个指标的权重(i=1,2,…,m;j=1,2,…,n),权重满足wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离,以及到负理想材料的解S-的距离:
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度
优选的,若指标j为正向指标,其中max(zij)为矩阵 Z中第j列的最大值;若指标j为逆向指标,其中min(zij) 为矩阵Z中第j列的最小值;若指标j为适度指标,其中为指标j的理想值。
通过采用本发明提供的作物育种材料筛选方法,育种人员仅需将相应的候选性状参数及其各个材料对应的性状值输入到作物育种材料筛选***中即可得到相应的筛选结果,避免了因育种人员的经验或知识不足导致筛选结果不合理,同时本发明提供的作物育种材料筛选方法能够同时综合多株植物的性状指标进行评价,提高了筛选的准确性和筛选效率。另一方面,本发明中,使用聚类方法使***避免选用多个(反映同一指标)的同一类型的候选性状指标参数,在保证筛选的准确性的同时降低了用于***综合评价的性状指标的个数,使选取的用于作物材料综合评价的作物性状指标更加科学合理。
附图说明
图1为本发明实施例提供的一种作物育种材料筛选方法的流程示意图;
图2为本发明实施例提供的一种作物育种材料筛选方法中候选性状聚类过程的流程示意图;
图3为本发明实施例提供的一种作物育种材料筛选方法中评价指标筛选的流程示意图;
图4为本发明实施例提供的一种作物育种材料筛选方法中计算育种材料综合得分的流程示意图;
图5为本发明实施例提供的一种作物育种材料筛选***的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明实施例提供了一种作物育种材料筛选方法,如图1所示,包括:
步骤S1,对涉及作物育种材料的多个候选性状参数进行聚类;
步骤S2,从根据聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的候选性状参数将其作为育种材料的评价指标;
步骤S3,确定步骤S2中选择的各个评价指标对应的权重值;
步骤S4,根据步骤S3中得到的权重值对各个育种材料相应的评价指标进行运算,得到各个育种材料的综合评分;
步骤S5,根据步骤S4中得到的综合评分进行作物育种材料的筛选。
通过采用本发明提供的作物育种材料筛选方法,育种人员仅需将相应的候选性状参数及其各个材料对应的性状值输入到作物育种材料筛选***中即可得到相应的筛选结果,避免了因育种人员的经验或知识不足导致筛选结果不合理,同时本发明提供的作物育种材料筛选方法能够同时综合多株植物的性状指标进行评价,提高了筛选的准确性和筛选效率。另一方面,本发明中,使用聚类方法使***避免选用多个(反映同一指标)的同一类型的候选性状参数,在保证筛选的准确性的同时降低了用于***综合评价的性状指标的个数,使选取的用于育种材料综合评价的性状指标更加科学合理。
实际应用中,上述的步骤S1可以包括如图2所述的:
步骤S11:逐个计算任意两个指标之间的距离,其中指标xi和指标xj间的距离p为xi和 xj维数,n为各序列的长度即数据个数,m为因素(变量)的个数;
需要指出的是,本发明中所涉及的指标与候选性状参数一致,均是指涉及到作物育种材料的性状参数。
步骤S12:使用离差平方和法确定类与类之间的距离。令G表示类,x1,x2,…,xm表示G中的元素,m为G中的指标数,定义G的重心为指标散布阵为指标协方差阵为G的直径为令Dp,Dq分别表示类Gp和类Gq的直径,令Dp+q表示大类Gp+q的直径,则 其中,Np,Nq分别为类Gp和类Gq中个的指标数。从而,用离差平方和法定义类Gp和类Gq之间的距离平方为:
步骤S13:选择类的个数。在运用上述聚类方法得到聚类图之后,确定类的个数。这里选择类的个数,可以是***随机选择,也可以育种人员按照需要设定的类的个数。
步骤S14,对各个候选性状参数进行分类;
步骤S15:对聚类后的每类指标进行K-W检验,判断同类指标在数值特征上是否存在显著差异,若是,则判定聚类数目合理,结束聚类过程,否则,转向步骤S16。
步骤S16,改变类的个数,并重新执行步骤S14-S15。
步骤S15中,判断同类指标在数值特征上是否存在显著差异是用于判断聚类数目是否合理,如果每一类的显著性水平都大于一定的预设值,即同一类指标间无显著差异,此时认为聚类数目合理,结束聚类过程;否则,改变类的个数,并重新进行聚类和判断。实际应用中,这里的预设值可以为0.05。
实际应用中,上述的步骤S2可以包括如图3所示的:
步骤S21,数据标准化,对原始数据消除量纲,将其转换为可比较的数据序列。可采用均值化变换、初值化变换、标准化变换等方法进行数据标准化;
步骤S22,确定母序列和子序列。母序列一般由最优目标优化值构成,也称母序列,记为{X0(t)},其中t=1,2,…,n。与母序列做关联程度比较的“子序列”即为子序列,记为{Xi(t)},其中,t=1,2,…,n, i=1,2,…,m;
步骤S23,计算灰色关联系数。当t=k时,母序列{X0(t)}与子序列{Xi(t)}的关联系数L0i(k)可由下式计算:
其中,Δ0i(k)表示当t=k时两子序列的绝对差,即Δ0i(k)=|x0(k)-xi(k)|(1≤i≤m);Δmax和Δmin分别表示所有子序列各个时刻绝对差中的最大值和最小值,一般取Δmin=0;ρ为分辨系数,ρ∈(0,1),一般取ρ=0.5;
步骤S24,计算关联度,即其中,r0i表示子序列i 与母序列的关联度,N为子序列的长度;
步骤S25,按关联序大小进行排序。将m个子序列对同一母序列的关联度按大小顺序排列起来,组成关联序,记为{X},它直接反应了各个子序列对于母序列的优劣关系。
步骤S26,列出关联矩阵。若有n个母序列{Y1},{Y2},…,{Yn}(n≠2)及其m个子序列{X1},{X2},…,{Xm}(m≠1),则各子序列对母序列{Y1}有关联度[r11,r12,…,r1m],各子序列对母序列{Y2}有关联度[r21,r22,…,r2m],类似地,各子序列对母序列{Yn}有关联度[rn1,rn2,…,rnm],从而可以得到关联度矩阵R:
步骤S27,计算矩阵R每一行的均值将按大小进行排序,选择均值大于一定阈值的候选性状参数作为需要选用的候选性状参数。
实际应用中,关联度越大,表明该候选性状参数在综合评价中越重要,对评价结果影响越大;否则,对评价结果影响越小,应予以剔除。
通过这种方式(灰色关联度分析)筛选出同类中关联度最大的候选性状参数,保证筛选出的候选性状参数对作物育种材料综合评价影响最显著。
实际应用中,上述的步骤S5可以包括如图4所示的:
步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个性状指标所对应的原始值;
步骤S52,根据每个评价指标所对应的性状参数的含义不同,将所有评价指标分为正向指标、逆向指标或适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中,
优选的,若指标j为正向指标,则对Zij无量纲化处理的结果其中max(zij)为矩阵Z中第j列的最大值;若指标j为逆向指标,其中min(zij)为矩阵Z中第j列的最小值;若指标j为适度指标,其中为指标j的理想值。
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素 vij=wj×yij,wj为第j个指标的权重(i=1,2,…,m;j=1,2,…,n),权重满足wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离,以及到负理想材料的解S-的距离:
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度
实际应用中,在步骤S3中,可以采用专家赋权法或***自动赋权法进行指标权重设定。其中,专家赋权法是依靠专家经验对各指标的权重系数进行设定;***自动赋权法是采用AHP法和熵值法对评价指标进行组合赋权,为了全面反映评价指标的重要性,并考虑到专家的经验判断力,将AHP给出的主观权重与熵值法确定的客观权重相结合,最终确定各指标的权重。由于评价指标往往较多,指标权重相差不大,为了放大指标之间的重要度差异,常常采用乘法合成法对决策指标进行组合赋权,即首先将上述主、客观赋权法确定的权重系数对应相乘,最后将乘积进行归一化处理。具体赋权公式为
其中,αj和βj分别为利用AHP和熵值法确定的第j个指标的权重,wj为第j个指标的权重,从而得到权重矩阵W=(W1,W2,…,Wn),其中Wj=(0,…,0,wj,…,0)T。
采用本发明提供的作物育种材料筛选方法,育种人员仅需将相应的候选性状参数及其各个育种材料的候选性状值输入到作物育种材料筛选***中即可得到相应的筛选结果,避免了因育种人员的经验或知识不足导致筛选结果不合理,同时本发明提供的作物育种材料筛选方法能够同时综合多株植物的性状指标进行评价,提高了筛选的准确性和筛选效率。另一方面,本发明中,使用聚类方法使***避免选用多个(反映同一指标)的同一类型的性状参数,在保证筛选的准确性的同时降低了输入到***中的性状指标的个数,使选取的用于育种材料评价的性状指标更加科学合理。
本发明实施例还提供了一种作物育种材料筛选***,如图5所示,包括:
聚类模块501,用于对涉及作物育种材料的多个候选性状参数进行聚类;
第一选择模块502,用于从聚类模块501聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的性状参数;
权重获取模块503,确定第一选择模块502中选择的各个候选性状参数对应的权重值;
计算模块504,用于根据权重获取模块503得到的权重值对各个育种材料相应的候选性状参数进行加权运算,得到各个育种材料的综合评分;
第二选择模块505,根据计算模块504得到的综合评分进行作物育种材料的筛选。
优选的,聚类模块501具体用于执行:
步骤S11,逐个计算任意两个候选性状参数之间的距离,其中候选性状参数xi和候选性状参数xj间的距离 i=1,2,…,n,j=i+1,i+2,…,n,p为xi和xj维数,n为各序列的长度即数据个数,m为因素(变量)的个数;
步骤S12,使用离差平方和法确定类与类之间的距离;
步骤S13,确定类的个数;
步骤S14,根据步骤S13中选定的类的个数对各个候选性状参数进行分类;
步骤S15,判断同类指标在数值特征上是否存在显著差异,若是,则判定聚类结果合理;否则,改变类的个数,并重新执行步骤S14-S15。
优选的,第一选择模块502,具有用于执行:
步骤S21,将每一类候选性状参数中的各个候选性状参数消除量纲,转换为可比较的数据序列;
步骤S22,确定母序列{X0(t)}与子序列{Xi(t)},其中,t=1,2,…,n, i=1,2,…,m;
步骤S23,根据如下公式计算灰色关联系数L0i(k):
其中,Δ0i(k)=|x0(k)-xi(k)|(1≤i≤m);Δmax和Δmin分别表示所有子序列各个时刻绝对差中的最大值和最小值,ρ为预设分辨系数,且ρ∈(0,1);
步骤S24,根据如下公式计算子序列i与母序列的关联度r0i:
步骤S25,将m个子序列对同一母序列的关联度按大小顺序排列起来,组成关联序{X};
步骤S26,依次计算母序列{Y1},{Y2},…,{Yn}与子序列 {X1},{X2},…,{Xm}的关联度,得到关联度矩阵R:
其中,rab为第b个子序列对第a个母序列的关联度,n为母序列{Y1},{Y2},…,{Yn}(n≠2)的个数及m为子序列 {X1},{X2},…,{Xm}(m≠1)的个数;
步骤S27,计算矩阵R每一行的均值并将按大小进行排序,选择均值大于预设阈值的候选性状参数作为需要选用的育种材料的评价指标。
优选的,第二选择模块505具体用于执行:
步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个评价指标所对应的原始指标值;
步骤S52,根据指标的含义不同将所有指标分为正向指标、逆向指标或适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素 vij=wj×yij,wj为第j个指标的权重(i=1,2,…,m;j=1,2,…,n),wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离,以及到负理想材料的解S-的距离:
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度
优选的,若指标j为正向指标,其中max(zij)为矩阵Z 中第j列的最大值;若指标j为逆向指标,其中min(zij)为矩阵Z中第j列的最小值;若指标j为适度指标,其中为指标j的理想值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种作物育种材料筛选方法,其特征在于,包括:
步骤S1,对涉及作物育种材料的多个候选性状参数进行聚类;
步骤S2,对聚类得到的每一类候选性状参数进行关联度分析,根据聚类结果并结合关联分析结果,从聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的性状参数将其作为育种材料的评价指标;
步骤S3,确定步骤S2中选择的各个评价指标对应的权重值;
步骤S4,根据步骤S3中得到的权重值对各个育种材料相应的评价指标值进行运算,得到各个育种材料的综合评分;
步骤S5,根据步骤S4中得到的综合评分进行作物育种材料的筛选;
其中,步骤S3中的权重值为:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
其中,αj和βj分别为利用AHP和熵值法确定的第j个指标的权重,wj为第j个指标的权重,从而得到权重矩阵W=(W1,W2,…,Wn),其中Wj=(0,...,0,wj,...,0)T;
其中,所述步骤S1具体包括:
步骤S11,逐个计算任意两个候选性状之间的距离,其中候选性状xi和候选性状xj间的距离其中,i=1,2,…,n,j=i+1,i+2,…,n,p为xi和xj维数,n为候选性状的个数;
步骤S12,确定类与类之间的距离,计算方法如下:令G表示类,x1,x2,…,xm表示G中的元素,m为G中的指标数,定义G的重心为指标散布阵为指标协方差阵为G的直径为令Dp,Dq分别表示类Gp和类Gq的直径,令Dp+q表示大类Gp+q的直径,则 其中,Np,Nq分别为类Gp和类Gq中个的指标数;从而,类Gp和类Gq之间的距离平方为:
步骤S13,确定类的个数;
步骤S14,对各个候选性状参数进行分类;
步骤S15,对聚类后的每类指标进行K-W检验,判断同类候选性状参数在数值特征上是否存在显著差异,若是,则判定聚类结果合理;否则,改变类的个数,并重新执行步骤S14-S15;
其中,所述步骤S2包括:
步骤S21,将每一类候选性状参数中的各个候选性状值消除量纲,转换为可比较的数据序列;
步骤S22,确定母序列{X0(t)}与子序列{Xi(t)};其中,t=1,2,…,n,i=1,2,…,m,n为各序列的长度即数据个数,m为因素的个数;
步骤S23,根据如下公式计算灰色关联系数L0i(k):
其中,Δ0i(k)=|x0(k)-xi(k)|,1≤i≤m,Δmax和Δmin分别表示所有子序列各个材料绝对差中的最大值和最小值,ρ为预设分辨系数,且ρ∈(0,1);
步骤S24,根据如下公式计算子序列i与母序列的关联度r0i:
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>L</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤S25,将m个子序列对同一母序列的关联度按由大到小顺序排列起来,组成关联序{X};
步骤S26,依次计算母序列{Y1},{Y2},…,{Yn}与子序列{X1},{X2},…,{Xm}的关联度,得到关联度矩阵R:
其中,rab为第b个子序列对第a个母序列的关联度,n为母序列{Y1},{Y2},…,{Yn}的个数及m为子序列{X1},{X2},…,{Xm}的个数,其中,n≠2,m≠1;
步骤S27,计算矩阵R每一行的均值并将按大小进行排序,选择均值大于预设阈值的候选性状参数作为需要选用的评价指标;
其中,所述步骤S5具体包括:
步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个性状指标的原始值;
步骤S52,根据评价指标所对应性状参数的含义不同,将所有评价指标分为正向指标、逆向指标和适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中,
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素vij=yij×wj,wj为第j个指标的权重,其中,i=1,2,...,m,j=1,2,...,n,wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
<mrow>
<msup>
<mi>S</mi>
<mo>+</mo>
</msup>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>+</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>-</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mi>m</mi>
<mo>+</mo>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mi>S</mi>
<mo>-</mo>
</msup>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>+</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>max</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>-</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mi>m</mi>
<mo>-</mo>
</msubsup>
<mo>}</mo>
</mrow>
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离以及到负理想材料的解S-的距离
<mrow>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mo>+</mo>
</msubsup>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mo>+</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mo>-</mo>
</msubsup>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mo>-</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度为:
2.一种作物育种材料筛选***,其特征在于,包括:
聚类模块,用于对涉及作物育种材料的多个候选性状参数进行聚类;
第一选择模块,用于对聚类得到的每一类候选性状参数进行关联度分析,根据聚类结果并结合关联分析结果,从所述聚类模块聚类得到的每一类候选性状参数中各选择若干个大于一定阈值的候选性状参数将其作为育种材料的评价指标;
权重获取模块,确定所述第一选择模块中选择的各个评价指标对应的权重值;
计算模块,用于根据权重获取模块得到的权重值对各个育种材料相应的评价指标进行运算,得到各个育种材料的综合评分;
第二选择模块,根据所述计算模块得到的综合评分进行作物育种材料的筛选;
其中,所述权重获取模块中的权重值为:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
其中,αj和βj分别为利用AHP和熵值法确定的第j个指标的权重,wj为第j个指标的权重,从而得到权重矩阵W=(W1,W2,…,Wn),其中Wj=(0,...,0,wj,...,0)T;
其中,所述聚类模块具体用于执行:
步骤S11,逐个计算任意两个候选性状参数之间的距离,其中候选性状xi和候选性状xj间的距离j=i+1,i+2,…,n,p为xi和xj维数,n为各序列的长度即数据个数,m为因素的个数;
步骤S12,确定类与类之间的距离,计算方法如下:令G表示类,x1,x2,…,xm表示G中的元素,m为G中的指标数,定义G的重心为指标散布阵为指标协方差阵为G的直径为令Dp,Dq分别表示类Gp和类Gq的直径,令Dp+q表示大类Gp+q的直径,则 其中,Np,Nq分别为类Gp和类Gq中个的指标数;从而,类Gp和类Gq之间的距离平方为:
步骤S13,确定类的个数;
步骤S14,对各个候选性状参数进行分类;
步骤S15,对聚类后的每类指标进行K-W检验,判断同类指标在数值特征上是否存在显著差异,若是,则判定聚类结果合理;否则,改变类的个数,并重新执行步骤S14-S15;
其中,所述第一选择模块,具有用于执行:
步骤S21,将每一类候选性状参数中的各个候选性状参数值消除量纲,转换为可比较的数据序列;
步骤S22,确定母序列{X0(t)}与子序列{Xi(t)},其中,t=1,2,…,n,i=1,2,…,m;
步骤S23,根据如下公式计算灰色关联系数L0i(k):
其中,Δ0i(k)=|x0(k)-xi(k)|,1≤i≤m,Δmax和Δmin分别表示所有子序列各个时刻绝对差中的最大值和最小值,ρ为预设分辨系数,且ρ∈(0,1);
步骤S24,根据如下公式计算子序列i与母序列的关联度r0i:
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>L</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤S25,将m个子序列对同一母序列的关联度按大小顺序排列起来,组成关联序{X};
步骤S26,依次计算母序列{Y1},{Y2},…,{Yn}与子序列{X1},{X2},…,{Xm}的关联度,得到关联度矩阵R:
其中,rab为第b个子序列对第a个母序列的关联度,n为母序列{Y1},{Y2},…,{Yn}的个数及m为子序列{X1},{X2},…,{Xm}的个数,其中,n≠2,m≠1;
步骤S27,计算矩阵R每一行的均值并将按大小进行排序,选择均值大于预设阈值的候选性状参数作为育种材料的综合评价指标;
其中,所述第二选择模块具体用于执行:
步骤S51,建立育种材料样本数据的评价矩阵Z;其中,
zij表示第i个材料的第j个性状指标所对应的原始指标值;
步骤S52,根据指标的含义不同将所有评价指标分为正向指标、逆向指标和适度指标三种类型,并对各个类型的指标进行无量纲化处理,得到规范化矩阵Y,其中
步骤S53,建立加权的规范化决策矩阵V,其中,其中,元素vij=yij×wj,wj为第j个指标的权重,其中,i=1,2,...,m,j=1,2,...,n,wj>0且
步骤S54,根据如下公式计算正理想材料的解S+、负理想材料的解S-;
<mrow>
<msup>
<mi>S</mi>
<mo>+</mo>
</msup>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>+</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>-</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mi>m</mi>
<mo>+</mo>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mi>S</mi>
<mo>-</mo>
</msup>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>+</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>max</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>-</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>|</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mi>m</mi>
<mo>-</mo>
</msubsup>
<mo>}</mo>
</mrow>
其中,J+为正向指标的集合,J-为逆向指标的集合,J*为适度指标的集合;
步骤S55,按照如下公式计算第i个育种材料向量到正理想材料的解S+的距离以及到负理想材料的解S-的距离
<mrow>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mo>+</mo>
</msubsup>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mo>+</mo>
</msubsup>
</mrow>
</msqrt>
<msup>
<mo>)</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mo>-</mo>
</msubsup>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mo>-</mo>
</msubsup>
</mrow>
</msqrt>
<msup>
<mo>)</mo>
<mn>2</mn>
</msup>
</mrow>
步骤S56,计算各个育种材料与理想材料的相对接近度,并将计算得到的相对接近度作为该育种材料的综合评分,其中第i个育种材料与理想材料的相对接近度
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410030900.0A CN103793850B (zh) | 2014-01-22 | 2014-01-22 | 一种作物育种材料筛选方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410030900.0A CN103793850B (zh) | 2014-01-22 | 2014-01-22 | 一种作物育种材料筛选方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793850A CN103793850A (zh) | 2014-05-14 |
CN103793850B true CN103793850B (zh) | 2018-06-05 |
Family
ID=50669482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410030900.0A Active CN103793850B (zh) | 2014-01-22 | 2014-01-22 | 一种作物育种材料筛选方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793850B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944487B (zh) * | 2017-11-20 | 2020-01-24 | 北京信息科技大学 | 一种基于混合协同过滤算法的作物育种品种推荐方法 |
CN107967321A (zh) * | 2017-11-23 | 2018-04-27 | 北京信息科技大学 | 一种基于层级式支持向量机的作物育种评价方法 |
CN117745096A (zh) * | 2023-12-21 | 2024-03-22 | 中国矿业大学 | 一种控制网布测方案评价方法及*** |
CN117933580B (zh) * | 2024-03-25 | 2024-05-31 | 河北省农林科学院农业信息与经济研究所 | 用于小麦育种管理***的育种材料优化评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001031484A2 (en) * | 1999-10-25 | 2001-05-03 | Monsanto Company | Computer systems and methods for selecting seed varieties |
CN101427655A (zh) * | 2008-12-22 | 2009-05-13 | 云南省农业科学院甘蔗研究所 | 甘蔗家系综合评价方法 |
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN101750471A (zh) * | 2009-12-17 | 2010-06-23 | 华中农业大学 | 一种快速筛选优质春石斛盆花的方法 |
CN102370242A (zh) * | 2010-08-25 | 2012-03-14 | 红塔烟草(集团)有限责任公司 | 一种烟叶原料叶组分组方法 |
-
2014
- 2014-01-22 CN CN201410030900.0A patent/CN103793850B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001031484A2 (en) * | 1999-10-25 | 2001-05-03 | Monsanto Company | Computer systems and methods for selecting seed varieties |
CN101427655A (zh) * | 2008-12-22 | 2009-05-13 | 云南省农业科学院甘蔗研究所 | 甘蔗家系综合评价方法 |
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN101750471A (zh) * | 2009-12-17 | 2010-06-23 | 华中农业大学 | 一种快速筛选优质春石斛盆花的方法 |
CN102370242A (zh) * | 2010-08-25 | 2012-03-14 | 红塔烟草(集团)有限责任公司 | 一种烟叶原料叶组分组方法 |
Non-Patent Citations (1)
Title |
---|
AHP 法和 DTOPSIS 法相结合在甘蔗育种中的应用;吴建涛等;《广东农业科学》;20121029;第39卷(第12期);第26-29页第2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103793850A (zh) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A patent quality analysis and classification system using self-organizing maps with support vector machine | |
Khan et al. | Multi-objective feature subset selection using non-dominated sorting genetic algorithm | |
CN103793850B (zh) | 一种作物育种材料筛选方法和*** | |
Cho et al. | Using social network analysis and gradient boosting to develop a soccer win–lose prediction model | |
CN104951987B (zh) | 基于决策树的作物育种评价方法 | |
Asogwa et al. | Of students academic performance rates using artificial neural networks (ANNs) | |
CN105825078A (zh) | 基于基因大数据的小样本基因表达数据分类方法 | |
CN106570537A (zh) | 一种基于混淆矩阵的随机森林模型选择方法 | |
CN111309577A (zh) | 一种面向Spark的批处理应用执行时间预测模型构建方法 | |
De Melo Junior et al. | An empirical comparison of classification algorithms for imbalanced credit scoring datasets | |
Abdipoor et al. | Integrating neural network and colonial competitive algorithm: A new approach for predicting bankruptcy in Tehran security exchange | |
CN106780020A (zh) | 一种基于强匹配排序的股票趋势分析与选股方法 | |
CN112085262A (zh) | 一种基于机器学习算法的大学生寝室调配方法 | |
Zhou et al. | Artificial neural network models as a decision support tool for selection in sugarcane: a case study using seedling populations | |
CN109146232A (zh) | 主成分与变异系数的股市投资者情绪代理指标选择方法 | |
CN104572900A (zh) | 一种作物育种评价的性状特征选择方法 | |
Wati et al. | Comparative Analysis of Multi-Criteria Decision Making for Student Degree Completion Time based on Entropy Weighted | |
Alauddin et al. | Extreme Learning Machine Weight Optimization using Particle Swarm Optimization to Identify Sugar Cane Disease | |
CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
Gallo et al. | A neural network model for classifying olive farms | |
Huang et al. | An efficient convolutional neural network-based diagnosis system for citrus fruit diseases | |
Gachoki et al. | Features Selection in Statistical Classification of High Dimensional Image Derived Maize (Zea Mays L.) Phenomic Data | |
Khotimah et al. | Enhancing Small and Medium Enterprises: A Hybrid Clustering and AHP-TOPSIS Decision Support Framework | |
Laroutis et al. | Discriminant analysis versus Random Forests on qualitative data: Contingent valuation method applied to the Seine estuary wetlands | |
Oduntan et al. | A predictive model for improving cereals crop productivity using supervised machine learning algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |