买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河海大学申请的专利一种基于PCA和CatBoost回归融合预测土壤渗透率的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114818886B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210375616.1，技术领域涉及：G06F18/21；该发明授权一种基于PCA和CatBoost回归融合预测土壤渗透率的方法是由刘逸辰;诸敏燕;冯艺设计研发完成，并于2022-04-11向国家知识产权局提交的专利申请。

本一种基于PCA和CatBoost回归融合预测土壤渗透率的方法在说明书摘要公布了：本发明公开了一种基于PCA和CatBoost回归融合预测土壤渗透率的方法，包括收集带有渗透率数值的若干个样本土壤，以这些样本的数值特征数据作为样本集，提取待预测渗透率土壤的特征数据；数据清洗；基于PCA主成分分析方法的思想，对样本高维度数据集进行降维处理，保留重要特征并去除无关特征和冗余特征；构建CatBoost回归模型；将待预测渗透率土壤的特征数据输入训练好的CatBoost回归模型中，得到该样本土壤的渗透率预测值。本发明为土壤渗透率的预测提供了一种考虑因素更加全面、预测更加精确、对土壤类型等类别特征处理效果更好的方法。本发明将PCA与CatBoost二者结合，可以改善样本土壤中类别型特征的处理效果，也可以适应样本土壤特征维度高的特点，从而提高预测精度。

本发明授权一种基于PCA和CatBoost回归融合预测土壤渗透率的方法在权利要求书中公布了：1.一种基于PCA和CatBoost回归融合预测土壤渗透率的方法，其特征在于，具体步骤如下： 步骤1数据收集；收集带有渗透率数值的若干个样本土壤，以这些样本的数值特征数据作为样本集，提取待预测渗透率土壤的特征数据； 步骤2数据清洗；对步骤1所述样本集中缺失数据进行填补、异常数据进行剔除、并进行归一化操作； 步骤3PCA主成分分析；基于PCA主成分分析方法的思想，对样本高维度数据集进行降维处理，保留重要特征并去除无关特征和冗余特征； 步骤4构建CatBoost回归模型；将样本土壤的类别特征以及土壤渗透率值，加入经步骤3得到的样本新特征数据集中，进行模型训练；训练过程中采用K折交叉验证法，将加入类别特征以及土壤渗透率值的样本新特征数据集分成K个子集，将每个子集数据分别作为一次验证集，其余的K-1组子集数据作为训练集，这样进行K轮训练，得到训练好的CatBoost回归模型； 步骤5将待预测渗透率土壤的特征数据输入步骤4训练好的CatBoost回归模型中，得到该土壤的渗透率预测值； 步骤1所述样本集、待预测渗透率土壤的特征数据均包括：黏土含量、淤泥含量、沙含量、土壤颗粒平均直径、土壤颗粒直径的标准偏差、土壤有机碳含量、土壤容重、土壤颗粒密度、饱和土壤体积含水量、不饱和土壤体积含水量、湿骨料稳定性、土壤电导率和土壤类型； 步骤2的具体做法包括： 步骤2.1对数据集进行异常值检测；对步骤1所得的样本集进行标准化处理，然后进行KS检验，对检验结果符合正态分布的特征，根据3σ原则检测异常值，将异常数值清空；对非正态分布的特征用四分位法进行异常值检测，将异常数值清空； 步骤2.2对清空的数值进行缺失值填补；用均值插补的方法对步骤2.1中数据集的特征数据进行缺失值处理，填补步骤2.1中清空的数值；若特征数据使用数值等级度量，则用特征数据有效值的众数进行插补缺失值，若特征数据使用常数度量，则用特征数据有效值的平均值进行插补缺失值； 步骤2.3对填补后的数据集进行归一化操作，最终得到清洗后的数据集； 步骤3的具体做法如下： 步骤3.1对样本集数据进行中心化； 步骤3.2通过计算样本土壤特征数据协方差矩阵，找到使得样本土壤特征数据映射后方差最大的单位向量ω；计算样本土壤特征数据协方差矩阵的特征值和对应特征向量，将特征值按从大到小进行排序，根据排序顺序及贡献度选择前k个特征，并将对应的k个特征向量取出； 步骤3.3根据选取后的特征向量对样本土壤原特征进行投影，得到样本土壤降维后的k维新特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河海大学，其通讯地址为：210000 江苏省南京市鼓楼区西康路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。