基于SMN算法的生态生物识别方法与流程

基于smn算法的生态生物识别方法
技术领域
1.本发明涉及生物识别技术领域，尤其涉及基于smn算法的生态生物识别方法。


背景技术：

2.水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。
3.水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况。
4.目前通过生物识别技术通过大量设备频繁采集信息，容易造成网络的额外负担，造成采集信息性能下降，不利于生物的识别。


技术实现要素：

5.基于背景技术存在的技术问题，本发明提出了基于smn算法的生态生物识别方法。
6.本发明提出的基于smn算法的生态生物识别方法，包括如下步骤：
7.s1收集生态生物特征，将收集的生态特征进行收集分类，并建立生态特征数据库；
8.s2通过smn算法选取节点集进行采集器的安装；
9.s21选取一个对应的最小的节点；
10.s22删去关联矩阵中最小的节点对应的行及该行中值为1的元素所在的列；
11.s23然后在剩下的关联矩阵中再依次删除所有元素之和不超过1的其他行为及这些行中值为1的元素对应的列，直到不能再删除新的行和列为止；
12.s24对剩下的节点重复步骤s21和步骤s22，直到最后得到的关联矩阵为0，这样，所选取的节点集即为覆盖集；
13.s25在所选取的节点集安装采集器，通过采集器进行生物图像采集；
14.s3发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
15.s4对采集的生物图像数据进行处理，并将处理后的生物图像数据进行存储；
16.s5将传输的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
17.优选的，所述步骤s1收集生态生物特征包括历史特征数据和输入型特征数据。
18.优选的，所述步骤s4采集的生物图像数据进行拆分提纯，剔除无用数据信息。
19.优选的，所述步骤s4还采用混合滤波方法对生物图像做降噪处理，同时，对生物图像做颜色校正处理。
20.优选的，所述步骤s4将生物图像数据进行特征提取，得到生物图像的特征数据。
21.优选的，所述采集生物图像数据通过对像进行降维处理，降维处理有效去除冗余信息，提取有用特征。
22.优选的，所述步骤s5生物图像数据特征与生态特征数据库中的特征数据进行对比识别成功后，将生物图像数据。
23.优选的，所述步骤s5生物图像数据与生态特征数据库中的特征数据进行对比识别成功后，进行信息提示。
24.本发明中，所述基于smn算法的生态生物识别方法，通过smn算法的设置，能够对大规模复杂网络的有效点监控采集进行优化，能够优化网络的性能，提高生物图像的采集性能，便于提交生物识别的效率。
附图说明
25.图1为本发明提出的基于smn算法的生态生物识别方法的流程图；
26.图2为选取节点集进行采集器的安装流程图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
28.参照图1-2，基于smn算法的生态生物识别方法，包括如下步骤：
29.s1收集生态生物特征，将收集的生态特征进行收集分类，并建立生态特征数据库；
30.s2通过smn算法选取节点集进行采集器的安装；
31.s21选取一个对应的最小的节点；
32.s22删去关联矩阵中最小的节点对应的行及该行中值为1的元素所在的列；
33.s23然后在剩下的关联矩阵中再依次删除所有元素之和不超过1的其他行为及这些行中值为1的元素对应的列，直到不能再删除新的行和列为止；
34.s24对剩下的节点重复步骤s21和步骤s22，直到最后得到的关联矩阵为0，这样，所选取的节点集即为覆盖集；
35.s25在所选取的节点集安装采集器，通过采集器进行生物图像采集；
36.s3发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
37.s4对采集的生物图像数据进行处理，并将处理后的生物图像数据进行存储；
38.s5将传输的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
39.本发明中，步骤s1收集生态生物特征包括历史特征数据和输入型特征数据。
40.本发明中，步骤s4采集的生物图像数据进行拆分提纯，剔除无用数据信息。
41.本发明中，步骤s4还采用混合滤波方法对生物图像做降噪处理，同时，对生物图像做颜色校正处理。
42.本发明中，步骤s4将生物图像数据进行特征提取，得到生物图像的特征数据。
43.本发明中，采集生物图像数据通过对像进行降维处理，降维处理有效去除冗余信息，提取有用特征。
44.本发明中，步骤s5生物图像数据特征与生态特征数据库中的特征数据进行对比识别成功后，将生物图像数据。
45.本发明中，步骤s5生物图像数据与生态特征数据库中的特征数据进行对比识别成功后，进行信息提示。
46.本发明：收集生态生物特征，将收集的生态特征进行收集分类，并建立生态特征数据库；通过smn算法选取节点集进行采集器的安装；选取一个对应的最小的节点；删去关联矩阵中最小的节点对应的行及该行中值为1的元素所在的列；然后在剩下的关联矩阵中再依次删除所有元素之和不超过1的其他行为及这些行中值为1的元素对应的列，直到不能再删除新的行和列为止；对剩下的节点重复步骤s21和步骤s22，直到最后得到的关联矩阵为0，这样，所选取的节点集即为覆盖集；在所选取的节点集安装采集器，通过采集器进行生物图像采集；发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；对采集的生物图像数据进行处理，并将处理后的生物图像数据进行存储；将传输的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
47.以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.基于smn算法的生态生物识别方法，其特征在于，包括如下步骤：s1收集生态生物特征，将收集的生态特征进行收集分类，并建立生态特征数据库；s2通过smn算法选取节点集进行采集器的安装；s21选取一个对应的最小的节点；s22删去关联矩阵中最小的节点对应的行及该行中值为1的元素所在的列；s23然后在剩下的关联矩阵中再依次删除所有元素之和不超过1的其他行为及这些行中值为1的元素对应的列，直到不能再删除新的行和列为止；s24对剩下的节点重复步骤s21和步骤s22，直到最后得到的关联矩阵为0，这样，所选取的节点集即为覆盖集；s25在所选取的节点集安装采集器，通过采集器进行生物图像采集；s3发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；s4对采集的生物图像数据进行处理，并将处理后的生物图像数据进行存储；s5将传输的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。2.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s1收集生态生物特征包括历史特征数据和输入型特征数据。3.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s4采集的生物图像数据进行拆分提纯，剔除无用数据信息。4.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s4还采用混合滤波方法对生物图像做降噪处理，同时，对生物图像做颜色校正处理。5.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s4将生物图像数据进行特征提取，得到生物图像的特征数据。6.根据权利要求5所述的基于smn算法的生态生物识别方法，其特征在于，所述采集生物图像数据通过对像进行降维处理，降维处理有效去除冗余信息，提取有用特征。7.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s5生物图像数据特征与生态特征数据库中的特征数据进行对比识别成功后，将生物图像数据。8.根据权利要求1所述的基于smn算法的生态生物识别方法，其特征在于，所述步骤s5生物图像数据与生态特征数据库中的特征数据进行对比识别成功后，进行信息提示。

技术总结
本发明公开了基于SMN算法的生态生物识别方法，包括如下步骤：收集生态生物特征，将收集的生态特征进行收集分类，并建立生态特征数据库；通过SMN算法选取节点集进行采集器的安装；发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；对采集的生物图像数据进行处理，并将处理后的生物图像数据进行存储；将传输的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。本发明通过SMN算法的设置，能够对大规模复杂网络的有效点监控采集进行优化，能够优化网络的性能，提高生物图像的采集性能，便于提交生物识别的效率。便于提交生物识别的效率。便于提交生物识别的效率。


技术研发人员：杨志峰 沈永明 张远 蔡宴朋
受保护的技术使用者：澜途集思生态科技集团有限公司
技术研发日：2022.04.02
技术公布日：2022/7/1