基于决策树模型的微生物修复效果评价方法、系统及介质
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及土壤修复评价技术领域,尤其涉及一种基于决策树模型的微生物修复效果评价方法、系统及介质。
背景技术
土壤是农业生产的物质基础,是生态环境的重要组成部分。近年来,随着工业化、城镇化的发展,工业、农业生产以及生活垃圾中的各种污染物流入土壤,导致土壤环境恶化。其不仅影响农作物的产量,也会直接威胁到居民的身体健康。目前,微生物技术不断发展,采用微生物技术优化土壤重金属污染是合理控制重金属污染问题的基础,也是保证土壤正确修复的关键。微生物的类型决定对重金属污染的耐性,类型不同耐性不同,一般顺序为,放线菌<细菌<真菌。微生物具有的高效降解活性可就地净化土壤环境,其特殊的去毒作用已被用于土壤生物的改造和改良,但微生物修复易受到水分、温度、氧气及pH等多种环境因素影响,微生物的活性受到影响,将会直接影响土壤修复效果。微生物修复技术是指通过微生物的代谢功能来吸收、富集和减少溶解沉积水中的污染因子,微生物不能直接降解重金属,一般多以辅助其他技术存在。而现如今,对于批量监测微生物的修复过程中,主要是通过无线传感器进行监测,然而在进行监测时需要对大量的数据处理,才能获取到微生物修复土壤状态,现有技术中大多数对于该类监测数据进行人工识别,耗费大量的人力以及物力,监测成本过高。
发明内容
本发明克服了现有技术的不足,提供了一种基于决策树模型的微生物修复效果评价方法、系统及介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于决策树模型的微生物修复效果评价方法,包括以下步骤:
通过在土壤污染区域布设无线传感器,并根据无线传感器构建无线信息传输网络,通过无线信息传输网络获取微生物修复土壤过程中的污染数据信息;
引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵;
引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果;
获取预设时间之内每个土壤污染区域的修复评价结果,并通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议。
进一步地,在本方法中,根据无线传感器构建无线信息传输网络,具体包括:
设置无线传感器的信息传输速率阈值,初始化通讯设施的数量信息,并获取无线传感器的数量信息,根据通讯设施的数量信息构建无线信息传输网络;
根据无线信息传输网络以及无线传感器的数量信息计算出所有无线传感器进行工作时的信息传输速率信息,并判断所有无线传感器进行工作时的信息传输速率信息是否大于无线传感器的信息传输速率阈值;
引入遗传算法,并根据遗传算法设置遗传代数,当所有无线传感器进行工作时的信息传输速率信息不大于无线传感器的信息传输速率阈值时,根据遗传代数增加通讯设施的数量信息;
当所有无线传感器进行工作时的信息传输速率信息大于无线传感器的信息传输速率阈值时,迭代停止,输出通讯设施的数量信息,并根据通讯设施的数量信息对无线信息传输网络进行调整。
进一步地,在本方法中,引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵,具体包括:
引入决策树模型,并根据污染数据信息构建根节点,设置若干个微生物土壤修复状态阈值范围,并根据微生物土壤修复状态阈值范围对根节点进行分裂,生成新的节点;
当新的节点中所有数据都为同一微生物土壤修复状态阈值范围之内时,不再生成新的节点,并输出若干个叶节点,根据叶节点生成修复评价结果,同时引入主成分分析算法;
获取修复评价结果中每个叶节点的污染数据信息,并将叶节点中的污染数据信息通过线性变换,构建低维空间,将污染数据信息投影到低维空间中,生成协方差矩阵;
通过对协方差矩阵进行特征值分解,得到主要特征值对应的特征向量,并根据特征向量构建降维矩阵。
进一步地,在本方法中,引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果,具体包括:
引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取特征向量之间的所形成的夹角的方差值,并判断是否出现方差值是否大于预设方差阈值的情况;
当出现方差值大于预设方差阈值的情况时,获取出现方差值大于预设方差阈值的情况的叶节点,并对叶节点进行重新分裂;
当不再出现方差值大于预设方差阈值的情况时,输出新的叶节点,并根据新的叶节点对修复评价结果进行修正,获取处理后的评价结果。
进一步地,在本方法中,获取预设时间之内每个土壤污染区域的修复评价结果,通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,具体包括:
构建时间戳,并获取每个时间戳中每个土壤污染区域的修复评价结果,根据每个时间戳中每个土壤污染区域的修复评价结果构建预设时间之内每个土壤污染区域的修复评价结果;
通过马尔科夫链计算每个时间戳中从一种微生物土壤修复状态转移到另一种微生物土壤修复状态的状态转移概率值,并根据状态转移概率值构建土壤修复状态转移概率矩阵。
进一步地,在本方法中,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议,具体包括:
获取上一预设时间之内每个土壤污染区域的初始微生物土壤修复状态,并从状态转移矩阵中获取每个土壤污染区域在当前时间戳的状态转移概率值;
判断状态转移概率值是否大于预设状态转移概率值,当状态转移概率值大于预设状态转移概率值时,将初始微生物土壤修复状态的下一个微生物土壤修复状态作为土壤污染区域的微生物土壤修复状态;
当状态转移概率值不大于预设状态转移概率值时,将初始微生物修复状态作为土壤污染区域的微生物土壤修复状态;
当土壤污染区域的微生物土壤修复状态为预设状态时,发出停止修复指令,当土壤污染区域的微生物土壤修复状态不为预设状态时,生成继续修复指令,并根据停止修复指令以及继续修复指令生成相关的土壤修复建议。
本发明第二方面提供了一种基于决策树模型的微生物修复效果评价系统,系统包括存储器以及处理器,存储器中包括基于决策树模型的微生物修复效果评价方法程序,基于决策树模型的微生物修复效果评价方法程序被处理器执行时,实现如下步骤:
通过在土壤污染区域布设无线传感器,并根据无线传感器构建无线信息传输网络,通过无线信息传输网络获取微生物修复土壤过程中的污染数据信息;
引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵;
引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果;
获取预设时间之内每个土壤污染区域的修复评价结果,并通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议。
进一步的,在本系统中,引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵,具体包括:
引入决策树模型,并根据污染数据信息构建根节点,设置若干个微生物土壤修复状态阈值范围,并根据微生物土壤修复状态阈值范围对根节点进行分裂,生成新的节点;
当新的节点中所有数据都为同一微生物土壤修复状态阈值范围之内时,不再生成新的节点,并输出若干个叶节点,根据叶节点生成修复评价结果,同时引入主成分分析算法;
获取修复评价结果中每个叶节点的污染数据信息,并将叶节点中的污染数据信息通过线性变换,构建低维空间,将污染数据信息投影到低维空间中,生成协方差矩阵;
通过对协方差矩阵进行特征值分解,得到主要特征值对应的特征向量,并根据特征向量构建降维矩阵。
进一步的,在本系统中,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议,具体包括:
获取上一预设时间之内每个土壤污染区域的初始微生物土壤修复状态,并从状态转移矩阵中获取每个土壤污染区域在当前时间戳的状态转移概率值;
判断状态转移概率值是否大于预设状态转移概率值,当状态转移概率值大于预设状态转移概率值时,将初始微生物土壤修复状态的下一个微生物土壤修复状态作为土壤污染区域的微生物土壤修复状态;
当状态转移概率值不大于预设状态转移概率值时,将初始微生物修复状态作为土壤污染区域的微生物土壤修复状态;
当土壤污染区域的微生物土壤修复状态为预设状态时,发出停止修复指令,当土壤污染区域的微生物土壤修复状态不为预设状态时,生成继续修复指令,并根据停止修复指令以及继续修复指令生成相关的土壤修复建议。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括基于决策树模型的微生物修复效果评价方法程序,基于决策树模型的微生物修复效果评价方法程序被处理器执行时,实现任一项的基于决策树模型的微生物修复效果评价方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过在土壤污染区域布设无线传感器,并根据无线传感器构建无线信息传输网络,通过无线信息传输网络获取微生物修复土壤过程中的污染数据信息,引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵,进而引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果,最后获取预设时间之内每个土壤污染区域的修复评价结果,并通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议。本发明通过融合决策树模型来监控微生物修复土壤的修复状态,能够对大量的数据进行快速处理,实现了对土壤修复过程中修复效果的智能监控。另一方面,本发明融合了主成分分析法以及ABOD算法对决策树模型进行优化,能够提高批量处理数据时的精度,从而提高对于评价土壤修复状态效果的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示基于决策树模型的微生物修复效果评价方法的整体方法流程图;
图2示出了基于决策树模型的微生物修复效果评价方法的第一方法子流程图;
图3示出了基于决策树模型的微生物修复效果评价方法的第二方法流程图;
图4示出了基于决策树模型的微生物修复效果评价系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种基于决策树模型的微生物修复效果评价方法,包括以下步骤:
S102:通过在土壤污染区域布设无线传感器,并根据无线传感器构建无线信息传输网络,通过无线信息传输网络获取微生物修复土壤过程中的污染数据信息;
如图2所示,需要说明的是,在步骤S102中,根据无线传感器构建无线信息传输网络,具体包括:
S202:设置无线传感器的信息传输速率阈值,初始化通讯设施的数量信息,并获取无线传感器的数量信息,根据通讯设施的数量信息构建无线信息传输网络;
S204:根据无线信息传输网络以及无线传感器的数量信息计算出所有无线传感器进行工作时的信息传输速率信息,并判断所有无线传感器进行工作时的信息传输速率信息是否大于无线传感器的信息传输速率阈值;
S206:引入遗传算法,并根据遗传算法设置遗传代数,当所有无线传感器进行工作时的信息传输速率信息不大于无线传感器的信息传输速率阈值时,根据遗传代数增加通讯设施的数量信息;
S208:当所有无线传感器进行工作时的信息传输速率信息大于无线传感器的信息传输速率阈值时,迭代停止,输出通讯设施的数量信息,并根据通讯设施的数量信息对无线信息传输网络进行调整。
需要说明的是,不同通讯设施的数量信息就会形成不同的MIMO网络,不同的MIMO网络则对于无线传感器而言,就会产生不同的信息传输速度,通过遗传算法根据无线传感器进行工作时的信息传输速率信息来选取出最佳的通讯设施的数量信息,从而能够实现及时接收监控数据。
S104:引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵;
如图3所示,需要说明的是,在步骤S104中,本步骤具体包括:
S302:引入决策树模型,并根据污染数据信息构建根节点,设置若干个微生物土壤修复状态阈值范围,并根据微生物土壤修复状态阈值范围对根节点进行分裂,生成新的节点;
S304:当新的节点中所有数据都为同一微生物土壤修复状态阈值范围之内时,不再生成新的节点,并输出若干个叶节点,根据叶节点生成修复评价结果,同时引入主成分分析算法;
S306:获取修复评价结果中每个叶节点的污染数据信息,并将叶节点中的污染数据信息通过线性变换,构建低维空间,将污染数据信息投影到低维空间中,生成协方差矩阵;
S308:通过对协方差矩阵进行特征值分解,得到主要特征值对应的特征向量,并根据特征向量构建降维矩阵。
需要说明的是,通过决策树模型来监控微生物修复土壤的修复状态,能够对大量的数据进行快速处理,实现了对土壤修复过程中修复效果的智能监控。其中,微生物土壤修复状态阈值范围,土壤修复状态可分为,高度污染状态、中度污染状态、低度污染状态、无污染状态,在修复的过程中,往往是一个修复状态慢慢转为另一个修复状态,如某一区域的土壤状态为高度污染状态,则修复效果的路线为高度污染状态、中度污染状态、低度污染状态、无污染状态,最终转为无污染状态,无污染状态代表修复效果好,而不同的土壤阈值范围代表着不同的修复状态,如1mol/L-2 mol/L污染浓度的污染属于中度污染状态。污染数据信息包括污染浓度、污染类型等数据。
S106:引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果;
需要说明的是,在步骤S106中,具体包括:
引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取特征向量之间的所形成的夹角的方差值,并判断是否出现方差值是否大于预设方差阈值的情况;
当出现方差值大于预设方差阈值的情况时,获取出现方差值大于预设方差阈值的情况的叶节点,并对叶节点进行重新分裂;
当不再出现方差值大于预设方差阈值的情况时,输出新的叶节点,并根据新的叶节点对修复评价结果进行修正,获取处理后的评价结果。
需要说明的是,本发明融合了主成分分析法以及ABOD算法对决策树模型进行优化,能够对于决策树算法出现局部最优解的现象进行进一步的判断,能够提高批量处理数据时的精度,从而提高对于评价土壤修复状态效果的精度,实现智能监控。
需要说明的是,ABOD(Angle-based Outlier Detection)算法是数据挖掘领域中的一种异常检测算法,大多数异常检测模型要求用户指定对输出结果有着重要影响的参数。
S108:获取预设时间之内每个土壤污染区域的修复评价结果,并通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议。
需要说明的是,进一步地,在本方法中,获取预设时间之内每个土壤污染区域的修复评价结果,通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,具体包括:
构建时间戳,并获取每个时间戳中每个土壤污染区域的修复评价结果,根据每个时间戳中每个土壤污染区域的修复评价结果构建预设时间之内每个土壤污染区域的修复评价结果;
通过马尔科夫链计算每个时间戳中从一种微生物土壤修复状态转移到另一种微生物土壤修复状态的状态转移概率值,并根据状态转移概率值构建土壤修复状态转移概率矩阵。
需要说明的是,状态转移概率值代表的是从一种微生物土壤修复状态转移到另一种微生物土壤修复状态的概率值,如修复过程中高污染状态转为低污染状态的概率值。
进一步地,在本方法中,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议,具体包括:
获取上一预设时间之内每个土壤污染区域的初始微生物土壤修复状态,并从状态转移矩阵中获取每个土壤污染区域在当前时间戳的状态转移概率值;
判断状态转移概率值是否大于预设状态转移概率值,当状态转移概率值大于预设状态转移概率值时,将初始微生物土壤修复状态的下一个微生物土壤修复状态作为土壤污染区域的微生物土壤修复状态;
当状态转移概率值不大于预设状态转移概率值时,将初始微生物修复状态作为土壤污染区域的微生物土壤修复状态;
当土壤污染区域的微生物土壤修复状态为预设状态时,发出停止修复指令,当土壤污染区域的微生物土壤修复状态不为预设状态时,生成继续修复指令,并根据停止修复指令以及继续修复指令生成相关的土壤修复建议。
需要说明的是,当状态转移概率值大于预设状态转移概率值时,说明微生物土壤修复过程中的污染状态已经从一种状态转移到另一种状态,所述的预设状态为无污染状态。通过本方法能够对修复过程进行监测,使得清楚地了解处于何修复阶段。
综上所述,本发明通过融合决策树模型来监控微生物修复土壤的修复状态,能够对大量的数据进行快速处理,实现了对土壤修复过程中修复效果的智能监控。另一方面,本发明融合了主成分分析法以及ABOD算法对决策树模型进行优化,能够提高批量处理数据时的精度,从而提高对于评价土壤修复状态效果的精度。
此外,本发明还可以包括以下步骤:
获取土壤污染区域的历史环境因子数据信息,并通过灰色关联分析法计算历史环境因子数据信息与各微生物类型生存的相关性,并获取当前土壤污染区域的环境因子数据信息;
根据所述历史环境因子数据信息与各微生物类型生存的相关性以及当前土壤污染区域的环境因子数据信息获取当前环境因子数据对于当前微生物类型生存的适生程度;
判断所述适生程度是否不大于预设适生程度,当所述适生程度不大于预设适生程度时,则判断所述环境因子是否可进行调控的因子,当所述环境因子为可调控的因子时,则获取最适当前微生物类型的生存环境因子数据,根据所述最适当前微生物类型的生存环境因子数据生成相关的调控基准,根据所述调控基准对当前环境因子数据进行调控;
当所述环境因子为不可调控的因子时,通过大数据进行检索,获取最适当前环境因子的微生物类型,并根据所述最适当前环境因子的微生物类型生成相关的调控信息。
需要说明的是,不同的环境因子对于微生物的适生程度是不一致的,如温度、湿度、盐度、土壤透气度等数据,而对于自然界的环境中,有些环境因子是不可调控的或者调控的成本高、或者难以调控的,如温度即为调控的成本高、难以调控,通过本方法能够根据环境因素进行调控,提高土壤修复的效果。
此外,本方法还可以包括以下步骤:
获取各土壤修复区域在每个时段中的历史温度因子数据信息,并基于深度学习网络构建温度预测模型,根据所述土壤修复区域在每个时段中的历史温度因子数据信息构建特征矩阵;
将所述特征矩阵输入到所述温度预测模型中进行训练,获取训练完成的温度预测模型,并根据所述训练完成的温度预测模型预测各个时段的温度数据信息;
获取每个土壤污染区域的环境因子数据,通过大数据获取在所述各个时段的温度数据信息以及土壤污染区域的环境因子数据之下的最适生存微生物类型;
根据所述各个时段的温度数据信息之下的最适生存微生物类型制定各个时段的微生物类型调整计划,根据所述各个时段的微生物类型调整计划对土壤污染区域的微生物类型进行调整。
需要说明的是,通过本方法能够进一步融合温度预测特征来提高土壤的修复效果。
如图4所示,本发明第二方面提供了一种基于决策树模型的微生物修复效果评价系统4,系统4包括存储器41以及处理器42,存储器41中包括基于决策树模型的微生物修复效果评价方法程序,基于决策树模型的微生物修复效果评价方法程序被处理器42执行时,实现如下步骤:
通过在土壤污染区域布设无线传感器,并根据无线传感器构建无线信息传输网络,通过无线信息传输网络获取微生物修复土壤过程中的污染数据信息;
引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵;
引入ABOD算法,通过ABOD算法对降维矩阵的特征向量进行计算,获取夹角的方差值,并根据夹角的方差值对修复评价结果进行处理,获取处理后的评价结果;
获取预设时间之内每个土壤污染区域的修复评价结果,并通过马尔科夫链根据预设时间之内每个土壤污染区域的修复评价结果构建土壤修复状态转移概率矩阵,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议。
进一步的,在本系统中,引入决策树模型,通过决策树模型对污染数据信息进行分类评价,获取修复评价结果,并输入主成分分析算法,通过修复评价结果中的数据进行数据处理,获取每个叶节点的降维矩阵,具体包括:
引入决策树模型,并根据污染数据信息构建根节点,设置若干个微生物土壤修复状态阈值范围,并根据微生物土壤修复状态阈值范围对根节点进行分裂,生成新的节点;
当新的节点中所有数据都为同一微生物土壤修复状态阈值范围之内时,不再生成新的节点,并输出若干个叶节点,根据叶节点生成修复评价结果,同时引入主成分分析算法;
获取修复评价结果中每个叶节点的污染数据信息,并将叶节点中的污染数据信息通过线性变换,构建低维空间,将污染数据信息投影到低维空间中,生成协方差矩阵;
通过对协方差矩阵进行特征值分解,得到主要特征值对应的特征向量,并根据特征向量构建降维矩阵。
进一步的,在本系统中,根据土壤修复状态转移概率矩阵生成相关的土壤修复建议,具体包括:
获取上一预设时间之内每个土壤污染区域的初始微生物土壤修复状态,并从状态转移矩阵中获取每个土壤污染区域在当前时间戳的状态转移概率值;
判断状态转移概率值是否大于预设状态转移概率值,当状态转移概率值大于预设状态转移概率值时,将初始微生物土壤修复状态的下一个微生物土壤修复状态作为土壤污染区域的微生物土壤修复状态;
当状态转移概率值不大于预设状态转移概率值时,将初始微生物修复状态作为土壤污染区域的微生物土壤修复状态;
当土壤污染区域的微生物土壤修复状态为预设状态时,发出停止修复指令,当土壤污染区域的微生物土壤修复状态不为预设状态时,生成继续修复指令,并根据停止修复指令以及继续修复指令生成相关的土壤修复建议。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括基于决策树模型的微生物修复效果评价方法程序,基于决策树模型的微生物修复效果评价方法程序被处理器执行时,实现任一项的基于决策树模型的微生物修复效果评价方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
- 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质
- 一种基于多孔介质模型体积平均的微通道散热器热性能评价方法
- 一种基于微生物群落的人工鱼礁生态修复效果评价方法
- 一种基于微生物群落的人工鱼礁生态修复效果评价方法