摘要: 数值分类学(Numerical Taxonomy)是随着电子计算机技术在分类学中的应用而深入发展起来一门新兴的边缘学科。数值分类学以表型特征为基础，利用有机体大量性状(包括形态学的、解剖学的和生理学等的各种性状)数据，按一定的数学模型，应用电子计算机运... 展开 数值分类学(Numerical Taxonomy)是随着电子计算机技术在分类学中的应用而深入发展起来一门新兴的边缘学科。数值分类学以表型特征为基础，利用有机体大量性状(包括形态学的、解剖学的和生理学等的各种性状)数据，按一定的数学模型，应用电子计算机运算得出结果，从而作出有机体的定量比较，客观的反映出分类群之间的关系。植物数值分类系统中的边界划分问题是目前植物分类系统中争论较多的关键问题，而云理论在处理边界划分问题上有优势。结合粒子群优化算法处理(PSO，Particle Swarm Optimization)，对植物数值特征进行有效整理并分类，并把研究结果应用于植物数值分类系统，将会为数据挖掘技术开辟的新的领域，具有广阔的应用前景。 目前，云理论应用研究尚处于初期阶段，本文将在拓展云分类器的应用方面进行研究，主要是将云分类器应用于植物数值特征数据挖掘中的分类问题。具体而言，主要完成以下几个方面的工作：(1)将云分类器与其他有类似功能的常用数值分类方法进行比较，分析其优点与不足，并提出改进方向。(2)依据植物形态解剖特征，运用云分类器进行山茶属组及以下水平植物数值分类应用研究。(3)从分类学角度对山茶属植物的光合生理特性进行评价，并结合其生理生态特性进行系统演化方面的初步探索。 主要研究结果如下： (1)依据目前开发分类器算法中国际上公认的Fisher鸢尾花数据集对基于相似度的粒子群优化云分类器(PSOCCAS)的分类效果进行比较。结果显示PSOCCAS与相关研究方向目前公认的11种分类算法相比，本试验中所涉及的云分类器分别以Versicolor类群96%、Virginica类群98%、Setosa类群100%以及平均98%的较高正确率优于除遗传、进化算法外的其他所有算法。 (2)本文中研究的云分类器依据不同类型分类指标(形态、解剖、生理特征等指标)对瘤果茶组、油茶组、短柱茶组、茶组、红山茶组和糙果茶组等进行分类研究。为探索不同数目分类指标对本云分类器分类效果的影响，本实验中将从瘤果茶组、油茶组、短柱茶组、茶组、红山茶组和糙果茶组6个组中随机分别挑选3个组进行两次比较研究： A)瘤果茶组、油茶组和短柱茶组部分，依据权数不同的分类属性所确立的云模型差异是明显的。基于一些权数较小的属性(CMSW)所建立的云模型，不同组间界限划分很模糊，彼此间交迭的部分比较多。例如，本实验中，短柱茶组中有30.00%的种类被归入油茶组。相比较而言，基于权数较大的一些属性(CMLW)所建立的云模型中不同组之间的界限就清晰得多，分类正确率明显提高，此时只有16.70%的短柱茶组植物被归入油茶组。另一方面，考察了依据所有可用分类指标和依据部分分类指标进行分类的效果比较。依据全部13个分类指标的3个组分类结果正确率分别为瘤果茶组85.00%，短柱茶组80.00%，油茶组60.00%，达到全局最优化效果，分类结果正确率明显高于依据局部分类指标的分类。 B)茶组、红山茶组和糙果茶组部分，本部分的研究结果与上部分存在着一定的相似性，且更进一步印证了分类指标越全面数值分类正确率可能越高的假设。我们在上部分中基于13个分类指标的数值分类结果中，正确率最高的局部组也只有85.00%，而本部分分类属性增加到23个后，3个组分类结果正确率都能达到100%。 (3)运用本试验中介绍的方法对分类指标进行加权处理所获得权值顺序可为今后客观编写植物志检索表提供了客观的依据。以中国植物志中的糙果茶组为例，本研究中苞片数目(ABA)、萼片数目(ASP)、果实周长(FDM)等大小位列分类权重前三，因而可以在编制该组植物的种水平的检索表时优先考虑这3个特征。 (4)本试验中所定义的“期望种”与传统分类上的“模式种”密切相关。譬如，油茶、短柱茶和皱果茶分别为油茶组、短柱茶组和瘤果茶组的期望种，前面两个期望恰好是其传统分类学中其所在两个组中的模式种；而且，糙果茶和山茶既是糙果茶组和红山茶组的期望种也是这两组中的模式种!茶组中期望种是缙云山茶，而模式种是茶。 (5)对山茶属金花茶组、古茶组、油茶组、实果茶组、糙果茶组和小黄花茶组的相对叶绿素含量、光合作用和叶绿素荧光特性测定后分别对各参数运用数值分类学手段进行山茶植物光合生理生态特征研究。从数值分类角度考虑，光合生理特性分析中，植物叶胞内二氧化碳浓度(Ca，weight=0.4916)、相对叶绿素含量(RCOC，weight=0.2146)以及蒸腾速率(E，weight=0.1740)等参数对于这六个组植物的分类贡献最突出。依据山茶叶片胞内二氧化碳浓度(Ca)、相对叶绿素含量(RCOC)以及蒸腾速率(E)等参数进行聚类分析。上述6个组植物可以分成3个生态型：以茶梨油茶、高州油茶、狭叶油茶和油茶为山茶生态I型，此型植物光合能力较强，适于光照强度较高地区分布；以小黄花茶为山茶生态II型，此类植物光合能力相对较弱，分布范围为直射光照强度较弱的小范围；以越南油茶和古茶组、实果茶组、金花茶组以及糙果茶组为山茶生态III型，此类植物界于前两生态型之间，分布范围相对较广。 综上所述，本实验为数值分类学中算法研究提出了新的思路，也为进一步的发展完善该算法奠定了基础。并且证明了运用全部分类指标进行分类的效果要优于仅凭局部(即便是分类权重比较大的)指标分类的结果，从定量角度验证了数值分类学上“应尽可能运用全部可利用的性状”的原则。此外，本文中所定义的“期望种”有很好的应用前景，值得推广应用。为拓展云分类技术的应用，还从分类学角度出发对植物光合作用、叶绿素荧光特性等生理特征进行分析，达到了预期研究目标，从而为探索山茶物种之间协同进化以及系统演化等问题提供新思路，也客观评价山茶物种资源提供新的技术手段。因此，云分类器适合作为植物数值分类学领域研究的一种重要方法和手段。 收起