亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        神經(jīng)網(wǎng)絡(luò)決策樹的矢量數(shù)據(jù)變化信息快速識(shí)別方法

        2013-07-25 04:18:52郭泰圣張新長(zhǎng)梁志宇
        測(cè)繪學(xué)報(bào) 2013年6期
        關(guān)鍵詞:決策樹檢索要素

        郭泰圣,張新長(zhǎng),2,梁志宇

        1.中山大學(xué) 地理科學(xué)與規(guī)劃學(xué)院,廣東 廣州 510275;2.廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510275;3.廣東省國(guó)土資源測(cè)繪院,廣東 廣州 510500

        1 引 言

        變化信息的建模與檢測(cè)是空間數(shù)據(jù)庫更新[1]的研究重點(diǎn)。國(guó)內(nèi)外學(xué)者提出了對(duì)象匹配[2-4]、拓?fù)渎?lián)動(dòng)及空間疊加等變化信息檢測(cè)方法。文獻(xiàn)[2-3]通過計(jì)算對(duì)象間距離、形狀或方向差異等多項(xiàng)指標(biāo)檢測(cè)變化信息。算法中閾值與權(quán)重主要由人工設(shè)置,自動(dòng)化程度有待進(jìn)一步提高。文獻(xiàn)[5]提出了基于概率理論的多指標(biāo)匹配模型,避免了精確閾值的人為確定,但是在雙向匹配過程中出現(xiàn)了重復(fù)計(jì)算,如何提高效率值得進(jìn)一步研究?;鶓B(tài)-修正模型[6]、時(shí)空快照模型[7]等分類模型以事件為驅(qū)動(dòng),通過拓?fù)浼罢Z義關(guān)系確定目標(biāo)的變化類型,在地籍?dāng)?shù)據(jù)庫更新中得到應(yīng)用[8-9],變化信息的判斷規(guī)則與專題應(yīng)用聯(lián)系緊密,通用型有待加強(qiáng)。通過專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)或snake模型從遙感影像中提取變化信息是另一種研究思路[10-11]。這類方法的實(shí)時(shí)性強(qiáng)、變化檢測(cè)的效率高,但變化信息的描述能力有待提高,如何與后續(xù)的更新處理結(jié)合仍需深入研究。

        目前,變化信息的檢測(cè)方法側(cè)重于對(duì)多項(xiàng)評(píng)價(jià)指標(biāo)的統(tǒng)計(jì)分析以獲取變化信息。需要反復(fù)進(jìn)行試驗(yàn)得出合理的權(quán)重及閾值參數(shù),工作效率較低,并容易受到人為的影響。模式識(shí)別技術(shù)的自學(xué)習(xí)、自組織能力可用于挖掘空間數(shù)據(jù)隱含的特征,在制圖綜合[12]、空間特征分析[13]、遙感圖像變化信息提?。?4]等領(lǐng)域得到了廣泛應(yīng)用。因此,本文結(jié)合模式識(shí)別的理論與方法,提出基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別方法,融合了決策樹實(shí)現(xiàn)效率高和神經(jīng)網(wǎng)絡(luò)自適應(yīng)的特征,通過樣本的訓(xùn)練,自適應(yīng)地調(diào)整模型參數(shù)與閾值,避免人為多次試驗(yàn),提高了工作效率。

        2 變化信息特征空間

        矢量數(shù)據(jù)的變化信息檢測(cè)需要對(duì)新舊數(shù)據(jù)的幾何信息、語義信息及拓?fù)湫畔⑦M(jìn)行判別[15],從而確定信息的變化類型。本文從實(shí)體幾何類型、尺度特征、特征差異、更新類型等方面定義變化信息的特征空間。

        式(1)中,Scale記錄尺度信息,可劃分為同級(jí)比例尺的更新或不同比例尺數(shù)據(jù)的更新;Time Span表示時(shí)間跨度;Geometry Type表示數(shù)據(jù)的幾何類型;Change Characteristics為新舊數(shù)據(jù)間幾何、語義及空間關(guān)系的變化特征。Update Type是從對(duì)象的特征差異中所提取的變化類型:新增、消失、合并(多個(gè)舊要素合并成一個(gè)新要素)、分解(一個(gè)舊要素分解成多個(gè)新要素)、聚合(多個(gè)舊要素聚合成多個(gè)新要素)、形狀變化、屬性變化等;Update Operation則是針對(duì)不同變化類型進(jìn)行的處理。具體如圖1所示。

        圖1 變化信息特征空間Fig.1 Feature space of change information

        3 基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別方法

        3.1 總體設(shè)計(jì)

        本文的研究重點(diǎn)是面向同一尺度數(shù)據(jù)的變化信息識(shí)別。更新場(chǎng)景的定義與更新數(shù)據(jù)的比例尺、幾何特征及圖層內(nèi)容相關(guān)。通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練所構(gòu)建模型,可應(yīng)用于相同的更新場(chǎng)景中。方法的總體思路如下:

        (1)通過數(shù)據(jù)疊加,選取新舊對(duì)象組合作為訓(xùn)練樣本。

        (2)計(jì)算樣本數(shù)據(jù)的變化特征指標(biāo)。

        (3)把指標(biāo)作為輸入層,更新分類信息作為輸出層,進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,獲取模型的閾值與權(quán)重矩陣。

        (4)通過對(duì)全體數(shù)據(jù)的疊加操作獲取更新對(duì)象組合,并進(jìn)行指標(biāo)計(jì)算。

        (5)把數(shù)據(jù)的變化特征指標(biāo)作為輸入量,使用(3)中建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模式判別,獲取變化信息的分類結(jié)果。

        圖2 基于神經(jīng)網(wǎng)絡(luò)決策樹的矢量數(shù)據(jù)變化信息識(shí)別方法Fig.2 Change information recognition of vector data based on neural network decision tree

        3.2 變化特征提取

        3.2.1 指標(biāo)選取

        變化特征指標(biāo)的選取需要全面地反映新舊對(duì)象之間的距離、空間關(guān)系、幾何及語義等特征的差異。按照不同的幾何類型,指標(biāo)的選取情況如表1所示。

        表1 變化特征指標(biāo)Tab.1 Index of change characteristics

        其中,距離指標(biāo)對(duì)于點(diǎn)、面要素可通過計(jì)算質(zhì)心的歐氏距離來實(shí)現(xiàn),線要素可視為點(diǎn)的組合,通過Hausdoff距離衡量線要素的遠(yuǎn)近程度??臻g關(guān)系的指標(biāo)主要表現(xiàn)為要素重疊度。幾何特征的差異可通過周長(zhǎng)、面積、長(zhǎng)度的相似程度或傅立葉描述子[17]、轉(zhuǎn)向函數(shù)[18]等指標(biāo)進(jìn)行描述。方向特征則以線要素的首尾節(jié)點(diǎn)連線方向或面要素的最小面積包絡(luò)矩形的長(zhǎng)軸方向確定。語義特征由要素屬性值的差異程度確定,本文參考文獻(xiàn)[20]提出的對(duì)象屬性匹配算法進(jìn)行計(jì)算。匹配特征指標(biāo)反映了新舊對(duì)象1∶0、1∶n、m∶n等多種匹配情況。

        3.2.2 基于層次檢索的變化特征提取方法

        在變化信息檢測(cè)中,全要素逐一匹配的方法[9]相對(duì)于變化較少的區(qū)域運(yùn)算效率低?;赗樹和R+樹的空間索引具有動(dòng)態(tài)更新、深度平衡特點(diǎn),可提高要素的查詢效率[21-22]。然而,該方法 “自下而上”地構(gòu)建索引,需要對(duì)各分割空間內(nèi)的要素進(jìn)行逐一匹配,難以快速過濾不變的要素。本文提出的方法通過計(jì)算區(qū)域內(nèi)要素的“節(jié)點(diǎn)-弧段”特征,對(duì)可能發(fā)生變化的區(qū)域進(jìn)行“自上而下”地剖分,不考慮沒有發(fā)生變化的區(qū)域,有助于提高計(jì)算的效率。

        3.2.2.1 基于四叉樹的變化區(qū)域檢索

        基于四叉樹的變化區(qū)域檢索操作步驟為:(1)遍歷所有更新數(shù)據(jù)中的對(duì)象,計(jì)算最小外包矩形作為四叉樹的根節(jié)點(diǎn)。

        (2)計(jì)算范圍內(nèi)的數(shù)據(jù)變化特征,本文在文獻(xiàn)[23]提出的 NVQ(number of vertices queried)模型的基礎(chǔ)上,綜合考慮節(jié)點(diǎn)數(shù)與弧段數(shù),提出區(qū)域要素變化特征評(píng)估模型

        式(2)中,Ofeas、Nfeas為區(qū)域范圍內(nèi)的原數(shù)據(jù)和更新數(shù)據(jù)的要素集合,F(xiàn)CI(Ofeas,Nfeas)用于衡量要素的整體變化情況。Ovts、Nvts為新舊要素的結(jié)點(diǎn)集合。Oegs、Negs為相應(yīng)的弧段集合,對(duì)于面圖層,則為邊界弧段的集合。VCI(Ovts,Nvts)和ECI(Oegs,Negs)分別用于衡量區(qū)域內(nèi)新舊數(shù)據(jù)集的節(jié)點(diǎn)與弧段的變化程度。PCI(Ofeas,Nfeas)用于表示新舊區(qū)域要素的重心偏移程度。ω1、ω2、ω3表示各指標(biāo)所占的權(quán)重,取值在0~1之間。對(duì)于點(diǎn)圖層,不存在弧段變化特征的計(jì)算,故ω2應(yīng)設(shè)為0。式(3)中函數(shù)Cnt()用于計(jì)算節(jié)點(diǎn)集的數(shù)量,式(4)中的函數(shù)Len()計(jì)算弧段集的總長(zhǎng)度。式(5)中(Xofeas,Yofeas)為舊區(qū)域的重心坐標(biāo),(Xnfeas,Ynfeas)為新區(qū)域的重心坐標(biāo),Area()用于計(jì)算區(qū)域的面積。

        (3)判斷區(qū)域范圍內(nèi)數(shù)據(jù)變化特征情況,若FCI(Ofeas,Nfeas)的計(jì)算結(jié)果小于閾值,則視為沒有發(fā)生變化的區(qū)域,無需進(jìn)行變化特征提取。若大于閾值,說明該區(qū)域存在變化信息需要分割。分割的方法為:提取區(qū)域內(nèi)新舊要素重心的X、Y坐標(biāo)并計(jì)算其均值,最后以其為中心沿x軸、y軸方向把原區(qū)域分劃為4個(gè)子區(qū)域。

        (4)重復(fù)步驟(2)、(3),直到所劃分的子區(qū)域內(nèi)的要素?cái)?shù)目少于指定的數(shù)值就結(jié)束剖分。并把該區(qū)域范圍記錄在鏈表內(nèi),以備下一步對(duì)象的匹配(見圖3)。

        圖3 基于四叉樹的變化區(qū)域檢索Fig.3 Searching of change region based on quad-tree

        3.2.2.2 交互迭代的新舊要素匹配方法

        對(duì)于存在變化對(duì)象的區(qū)域,本文通過新舊要素交互迭代檢索的方法進(jìn)行匹配,避免對(duì)同一數(shù)據(jù)集的重復(fù)檢索[24]。算法思路為:歷遍原要素集合Ofeas(Ofea1,Ofea2,Ofea3,…,Ofeam),創(chuàng) 建要素Ofeai的緩沖區(qū)Buffer(Ofeai),并搜索與該區(qū)域重疊的新要素。若不存在,則為1∶0匹配;若存在新要素Nfeaj,則創(chuàng)建新要素Nfeaj的緩沖區(qū),重新搜索閾值重疊的原要素。如此交替進(jìn)行,即可識(shí)別出1∶1、m∶1、1∶n、m∶n等多種要素匹配情況。對(duì)于原要素與新要素0∶1的匹配情況,則歷遍新要素集,搜索出與原要素?zé)o任何重疊的新要素。通過緩沖距離設(shè)置,可識(shí)別出不同的新舊要素組合,為變化信息的識(shí)別提供基礎(chǔ)。

        3.2.2.3 變化特征指標(biāo)計(jì)算與歸一化處理

        按照表1中的指標(biāo),對(duì)要素組進(jìn)行變化特征計(jì)算。對(duì)于1∶1的匹配情況,可直接計(jì)算新舊要素指標(biāo)的差值。對(duì)于1∶n、m∶1、m∶n等要素匹配情況,則根據(jù)不同的指標(biāo),對(duì)多要素的特征計(jì)算結(jié)果進(jìn)行求和或平均值的處理,再計(jì)算指標(biāo)差值。為了消除量綱差異,可采取線性函數(shù)轉(zhuǎn)換、對(duì)數(shù)函數(shù)轉(zhuǎn)換等歸一化處理方法,把變化特征指標(biāo)中的絕對(duì)值變成相對(duì)值關(guān)系,以獲得更好的識(shí)別效果。

        3.3 基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別

        3.3.1 面向變化信息識(shí)別的神經(jīng)網(wǎng)絡(luò)決策樹結(jié)構(gòu)

        算法通過在決策樹的非葉節(jié)點(diǎn)中設(shè)置神經(jīng)網(wǎng)絡(luò),以實(shí)現(xiàn)自適應(yīng)的模式分類[25-27]。在變化信息的識(shí)別中,對(duì)于“消失”、“新增”的類別,本文借鑒分裂節(jié)點(diǎn)(split node)[25]概念,在決策樹中按匹配特征直接判斷。對(duì)于難以直接判斷的類型(如分解、合并、聚合、幾何變化、語義變化),本文通過構(gòu)建不同的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)(P1、P2、P3)進(jìn)行識(shí)別(見圖4)。神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的輸入層為對(duì)象組合的距離特征、幾何特征等變化特征指標(biāo)(見表1),輸出層為變化信息的分類。激活函數(shù)選用Sigmoidal函數(shù),隱藏層與輸出層的節(jié)點(diǎn)輸出可分別表示為

        式(6)表示隱藏層,oj為隱藏層的第j個(gè)節(jié)點(diǎn)的輸出,M為輸入節(jié)點(diǎn)數(shù),bi為偏置值(bias),wij是輸入-隱藏的權(quán)重值,xi是第i個(gè)輸入節(jié)點(diǎn)的值。式(7)表示輸出層,yk為輸出層的第k個(gè)節(jié)點(diǎn)的輸出,N為隱藏節(jié)點(diǎn)數(shù),bj為偏置值(bias),wjk是隱藏-輸出的權(quán)重值,oj是第j個(gè)輸入節(jié)點(diǎn)的值。

        圖4 面向變化信息識(shí)別的神經(jīng)網(wǎng)絡(luò)決策樹結(jié)構(gòu)Fig.4 Neural network decision tree architecture of change information recognition

        3.3.2 訓(xùn)練與識(shí)別的方法

        3.3.2.1 訓(xùn)練方法

        為有效促進(jìn)貧困地區(qū)普通話推廣,助力推普脫貧攻堅(jiān)工作,推動(dòng)鄉(xiāng)村振興,打贏廣西扶貧攻堅(jiān)戰(zhàn),廣西開展了一系列推普脫貧攻堅(jiān)活動(dòng)。從廣西縣域普通話普及調(diào)研的數(shù)據(jù)分析看,盡管廣西普通話普及率較高,但是基層群眾的普通話水平仍然有待進(jìn)一步提高,部分縣區(qū)的鄉(xiāng)鎮(zhèn)還存在普通話普及率低于70%的情況。對(duì)此,廣西積極開展“六個(gè)一”系列行動(dòng):組織一期推普公益課程、開展一次主題文化下鄉(xiāng)活動(dòng)、發(fā)放一套普通話培訓(xùn)教材、策劃一次推普脫貧攻堅(jiān)主題宣傳、開展一次扶貧幫扶調(diào)研、搭建一個(gè)推普網(wǎng)絡(luò)平臺(tái)。

        訓(xùn)練方法以每一個(gè)新舊對(duì)象組的變化特征指標(biāo)作為一個(gè)樣本,設(shè)Ω={ω1,ω2,…,ωM}為問題集(M=6,為變化特征指標(biāo)),訓(xùn)練集表示為Tr={tr1,tr2,…,trq},q表示訓(xùn)練樣本的數(shù)目。通過基于判斷規(guī)則的變化檢測(cè)與人工檢查相結(jié)合方法可生成大量的訓(xùn)練數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)決策樹的訓(xùn)練步驟如下:

        (1)初始化神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)中的輸入-隱藏權(quán)重矩陣W1及隱藏-輸出權(quán)重矩陣W2。

        (2)把訓(xùn)練樣本集Tr加入神經(jīng)網(wǎng)絡(luò)決策樹根節(jié)點(diǎn)。通過分裂節(jié)點(diǎn)中的規(guī)則剔除0∶1匹配和1∶0匹配的樣本,只保留需要神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本。并根據(jù)1∶1匹配判斷規(guī)則,把樣本分為兩個(gè)子集Tr1,Tr2。

        (3)分別遍歷訓(xùn)練集Tr1、Tr2,分別對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)P1、P2(見圖4)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,按式(6)、式(7)計(jì)算網(wǎng)絡(luò)輸出值。對(duì)于發(fā)生變化的要素,在Tr1中分出樣本集Tr3,對(duì)節(jié)點(diǎn)P3進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

        (4)結(jié)束遍歷子樣本集后,進(jìn)行誤差計(jì)算和自適應(yīng)的權(quán)重矩陣與偏置值調(diào)整。設(shè)在神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)Pi中,輸出節(jié)點(diǎn)數(shù)目為N(N為分類數(shù)),對(duì)于第k個(gè)樣本,誤差可表示為

        式(8)中,i為分類數(shù);y是神經(jīng)網(wǎng)絡(luò)的輸出矩陣;ta是樣本的目標(biāo)矩陣,表示分類的信息。當(dāng)樣本k屬于第i類時(shí),的值就為1,否則就為0。于是,樣本集的整體誤差可通過誤差平方和的均值來表示

        為提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度,學(xué)者們提出了在偏移量和權(quán)重的調(diào)整可考慮把上一次的調(diào)整量納入模型[28],具體為

        式(11)中,η為學(xué)習(xí)效率;δj(n)為本次迭代的誤差;α為動(dòng)量因子;wij(n-1)為上一次調(diào)整量。增加動(dòng)量項(xiàng)有助于降低誤差曲面局部調(diào)整的敏感性,從而限制網(wǎng)絡(luò)陷入局部極小。

        (5)若樣本的整體誤差值小于閾值或迭代次數(shù)大于上限,則結(jié)束迭代并輸出權(quán)重矩陣與偏置值。否則,回到(3),繼續(xù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

        3.3.2.2 變化信息識(shí)別方法

        變化信息的識(shí)別把新舊對(duì)象組的變化特征指標(biāo)作為一個(gè)樣本,加至神經(jīng)網(wǎng)絡(luò)決策樹的根節(jié)點(diǎn)。在分裂節(jié)點(diǎn)處對(duì)其匹配特征指標(biāo)進(jìn)行分類判斷。若樣本進(jìn)入神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn),則根據(jù)訓(xùn)練所得到的權(quán)重與偏置值進(jìn)行識(shí)別,計(jì)算網(wǎng)絡(luò)的輸出向量。最后通過判別函數(shù)分析輸出向量yk,若的值最接近1,則樣本k屬于第i類。

        4 試驗(yàn)分析

        為驗(yàn)證模型與方法的效率,本文在Windows環(huán)境下,以Visual Studio 2008為開發(fā)平臺(tái),集成ArcGIS Engine10.0開發(fā)包,研制了變化信息識(shí)別原型系統(tǒng)。本文以1∶2000矢量地形圖數(shù)據(jù)為例,進(jìn)行同比例尺變化信息識(shí)別的試驗(yàn),實(shí)現(xiàn)了變化特征指標(biāo)提取,神經(jīng)網(wǎng)絡(luò)決策樹訓(xùn)練與識(shí)別等算法(見圖5)。

        圖5 基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別試驗(yàn)Fig.5 An experiment of change information recognition based on neural network decision tree

        4.1 變化特征指標(biāo)提取試驗(yàn)分析

        本文按照表1所列出的變化特征指標(biāo)分別對(duì)點(diǎn)、線、面等不同幾何類型的空間對(duì)象進(jìn)行試驗(yàn)。選擇長(zhǎng)度相似度、形狀系數(shù)[19]作為線要素、面要素的幾何特征指標(biāo)。在更新數(shù)據(jù)中點(diǎn)要素670個(gè)(變化率為32.84%),線要素1308個(gè)(變化率為8.72%),面要素1101個(gè)(變化率為12.08%),變化率為發(fā)生變化的要素與全部要素的比值。本文進(jìn)行算法試驗(yàn),對(duì)遍歷要素檢索,四叉樹層次檢索及R樹索引檢索等方法進(jìn)行對(duì)比分析,結(jié)果如圖6所示。

        試驗(yàn)表明,四叉樹層次檢索方法與遍歷要素的檢索方法相比,在變化比率較低的情況下,可大幅度提高變化信息的檢索速度。添加R樹索引后,遍歷要素的檢索速度得到了提高。然而,由于基于R樹索引的檢索難以過濾掉不變的信息,仍需對(duì)要素進(jìn)行逐一匹配,運(yùn)算量較大,因此,速度改善不如四叉樹層次檢索明顯。對(duì)于點(diǎn)要素,由于在變化特征模型無需衡量弧段的變化情況。因此,計(jì)算效率提高得最明顯。線要素、面要素需要綜合計(jì)算節(jié)點(diǎn)變化情況和弧段變化情況(見式(2))。但是,由于減少了對(duì)不變數(shù)據(jù)的匹配與指標(biāo)計(jì)算,仍可實(shí)現(xiàn)明顯的效率提高。

        圖6 變化特征指標(biāo)提取試驗(yàn)對(duì)比Fig.6 Experimental results and comparison of change characteristics index calculation

        對(duì)于線要素和面要素,空間分割容易造成具有n∶m匹配特征的新舊要素分布在不同的空間區(qū)域,產(chǎn)生對(duì)匹配準(zhǔn)確率的影響。因此,本文在新舊要素進(jìn)行匹配的時(shí)候,把邊界區(qū)域外的重疊要素也添加到新舊要素組中,實(shí)現(xiàn)顧及要素聚集的四叉樹檢索,從而保證匹配的準(zhǔn)確率。

        4.2 變化信息識(shí)別試驗(yàn)分析

        按照?qǐng)D4的神經(jīng)網(wǎng)絡(luò)決策樹算法,選取31個(gè)訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,本文所選取的是BP神經(jīng)網(wǎng)絡(luò),試驗(yàn)把隱藏節(jié)點(diǎn)數(shù)設(shè)為8,學(xué)習(xí)效率預(yù)設(shè)為0.15,動(dòng)量因子設(shè)為0.075,最大迭代次數(shù)設(shè)為20 000。訓(xùn)練結(jié)束后進(jìn)行變化信息模式識(shí)別試驗(yàn),按照幾何類型,更新數(shù)據(jù)分別選取670個(gè)點(diǎn)要素、1308個(gè)線要素及1101個(gè)面要素。與基于目標(biāo)匹配判斷規(guī)則的方法(參考文獻(xiàn)24)相比較,試驗(yàn)結(jié)果如圖7所示。

        圖7 變化信息識(shí)別試驗(yàn)對(duì)比Fig.7 Experimental results and comparison of change information recognition

        從圖7中可以看出,基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別方法比判定規(guī)則識(shí)別準(zhǔn)確率更高,對(duì)于線要素與面要素,識(shí)別準(zhǔn)確率的提高更明顯。模式識(shí)別方法在分析多要素變化的情況比傳統(tǒng)方法更具優(yōu)勢(shì),通過在訓(xùn)練數(shù)據(jù)中對(duì)變化類型進(jìn)行明確的區(qū)分,應(yīng)用在變化識(shí)別過程中,就能夠較準(zhǔn)確地識(shí)別合并、分解、聚合等各種變化情況。針對(duì)不同更新場(chǎng)景,分別通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,可以對(duì)數(shù)據(jù)的變化信息進(jìn)行識(shí)別,避免人為地設(shè)置閾值。

        5 結(jié) 論

        本文以矢量數(shù)據(jù)變化信息的自動(dòng)識(shí)別為切入點(diǎn),提出了基于神經(jīng)網(wǎng)絡(luò)決策樹的識(shí)別方法。試驗(yàn)表明該方法提高了分類的準(zhǔn)確度且計(jì)算效率高。

        (1)本文提出的基于層次檢索的變化特征提取方法,通過四叉樹分割快速定位到變化區(qū)域,檢索存在重疊關(guān)系的新舊對(duì)象組,提高了運(yùn)算效率。同時(shí),該方法有助于過濾未發(fā)生變化的數(shù)據(jù)區(qū)域,使信息識(shí)別更具有針對(duì)性。

        (2)基于神經(jīng)網(wǎng)絡(luò)決策樹的變化信息識(shí)別方法具備了決策樹邏輯性強(qiáng),易于實(shí)現(xiàn)的優(yōu)點(diǎn),同時(shí)兼顧了神經(jīng)網(wǎng)絡(luò)的自適應(yīng)特征。在保證運(yùn)算效率的前提下,可提高分類的準(zhǔn)確度。此外,該方法還可以減少人工的干預(yù),有助于提升矢量數(shù)據(jù)更新的自動(dòng)化水平,具有實(shí)用價(jià)值。

        本文主要是以單一的要素為操作單元,實(shí)現(xiàn)要素級(jí)的變化信息識(shí)別。在實(shí)際應(yīng)用中,更多情況是以多要素組合的地理實(shí)體作為更新的單元。因此,需要把要素級(jí)的變化信息映射為面向地理實(shí)體的變化信息,這將是本文下一步研究的方向。此外,為進(jìn)一步提高識(shí)別的精度,下一步的研究工作還包括:① 改進(jìn)變化區(qū)域的檢索方法,使用基于不規(guī)則網(wǎng)格的劃分方式,把具有集聚特征的新舊對(duì)象組更有效地劃分在同一區(qū)域,避免被區(qū)域邊界分割;② 引入粒子群算法等優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣和閾值進(jìn)行優(yōu)化,以更好地尋找全局最優(yōu)和實(shí)現(xiàn)快速收斂,提高變化信息的識(shí)別精度與效率;③ 從地理事件的角度,探討空間對(duì)象到地理實(shí)體的變化信息映射機(jī)制,研究基于地理實(shí)體的變化信息識(shí)別模式。

        [1] JIAN C L,HUANG M L.Research on Geographic Information Database Incremental Updating Method[C]∥Proceedings of International Conference on Audio Language and Image Processing.Shanghai:[s.n.],2010:985-989.

        [2] PATRICK R,ANTOINE B.Automated Matching of Building Feature of Differing Levels of Detail:A Case Study[C]∥Proceedings of 24th International Cartographic Conference.Santiago:[s.n.],2009.

        [3] ZHANG Xinchang,GUO Taisheng,TANG Tie.An Adaptive Method for Incremental Updating of Vector Data[J].Acta Geodaetica et Cartographica Sinica,2012,41(4):613-619.(張新長(zhǎng),郭泰圣,唐鐵.一種自適應(yīng)的矢量數(shù)據(jù)增量更新方法研究 [J].測(cè)繪學(xué)報(bào),2012,41(4):613-619.)

        [4] ZHANG Qiaoping,LI Deren,GONG Jianya.Areal Feature Matching among Urban Geographic Databases[J].Journal of Remote Sensing,2004,8(2):107-112.(張橋平,李德仁,龔健雅.城市地圖數(shù)據(jù)庫面實(shí)體匹配技術(shù) [J].遙感學(xué)報(bào),2004,8(2):107-112.)

        [5] TONG Xiaohua,DENG Susu,SHI Wenzhong.A Probabilistic Theory-based Matching Method[J].Acta Geodaetica et Cartographica Sinica,2007,36(2):210-217.(童小華,鄧愫愫,史文中.基于概率的地圖實(shí)體匹配方法 [J].測(cè)繪學(xué)報(bào),2007,36(2):210-217.)

        [6] LIN Y,LIU W Z,CHEN J.Model Spatial Database Incremental Updating Based on Base State with Amendment[J].Procedia Earth and Planetary Science,2009,1:1173-1179.

        [7] CHEN Jun,LIN Yan,LIU Wanzeng et al.Formal Classification of Spatial Incremental Changes for Updating[J].Acta Geodaetica et Cartographica Sinica,2012,41(1):108-114.(陳軍,林艷,劉萬增,等.面向更新的空間目標(biāo)快照差分類與形 式化描述 [J].測(cè)繪 學(xué)報(bào),2012,41(1):108-114.)

        [8] ZHANG Feng,LIU Nan,LIU Renyi,et al.Research of Cadastral Data Modeling and Database Updating Based on Spatio-temperal Process [J].Acta Geodaetica et Cartographica Sinica,2010,39(3):303-309.(張豐,劉男,劉仁義,等.面向?qū)ο蟮牡丶畷r(shí)空過程表達(dá)與數(shù)據(jù)更新模型研究[J].測(cè)繪學(xué)報(bào),2010,39(3):303-309.)

        [9] FAN Y T,YANG J Y,ZHU D H.An Event-based Change Detection Method of Cadastral Database Incremental Updating[J].Mathematical and Computer Modeling,2010,51:1343-1350.

        [10] BALTSAVIAS E,ZHANG C S.Automatic Updating of Road Databases from Aerial Images [J].International Journal of Applied Earth Observation and Geoinformation,2005,6:199-213.

        [11] IOANNIDIS C,PSALTIS C,POTSIOU C.Towards a Strategy for Control of Suburban Informal Buildings through Automatic Change Detection [J].Computer,Environment and Urban Systems,2009,33(1):64-74.

        [12] BALBOA J L G,LóPEZ F J A.Sinuosity Pattern Recognition of Road Features for Segmentation Purposes in Cartographic Generalization [J].Pattern Recognition,2009,42:2150-2159.

        [13] HEINZLE F,HEINRICH K,SESTER M.Pattern Recognition in Road Networks on Example of Circular Road Detection[J].Geographic Information Science,Lecture Notes in Computer Science,2006,4197:153-167.

        [14] GHOSH S,PATRA S,GHOSH A.An Unsupervised Context-sensitive Change Detection Technique based on Modified Self-organizing Feature Map Neural Network[J].International Journal of Approximate Reasoning,2009,50:37-50.

        [15] XU Feng,DENG Min,ZHAO Binbin et al.A Detail Investigation on the Method of Object Matching [J].Journal of Geo-information Science,2009,11(5):657-663.(徐楓,鄧敏,趙彬彬,等.空間目標(biāo)匹配方法的應(yīng)用分析[J].地球信息科學(xué)學(xué)報(bào),2009,11(5):657-663.)

        [16] DENG M,LI Z L,CHEN X Y.Extended Hausdorff Distance for Spatial Objects in GIS [J].International Journal of Geographical Information Science,2007,21(4):459-475.

        [17] ZHANG D,LU G.A Comparative Study on Shape Retrieval Using Fourier Descriptors with Different Shape Signatures[J].Journal of Visual Communication and Image Representation,2003,14(1):41-60.

        [18] ARKIN E,CHEW P,HUTTENLOCHER D,et al.An Efficiently Computable Metric for Comparing Polygon Shapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(3):209-216.

        [19] LI Xinbi,JIANG Na,KONG Jie.A Change Detection Method of Polygon Features Based on Geometrical Characteristic [J].Geomatics & Spatial Information Technology,2011,34(3):177-180.(李新濱,江娜,孔杰.一種基于幾何特征的面狀要素變化檢測(cè)方法[J].測(cè)繪與空間地理信息,2011,34(3):177-180.)

        [20] COBB M A,CHUNG M J,F(xiàn)OLEY III H,et al.A Rulebased Approach for the Conflation of Attributed Vector Data[J].GeoInformatica,1998,2(1):7-35.

        [21] GONG Jun,ZHU Qing,ZHANG Yeting,et al.An Efficient 3DR-Tree Extension Method Concerned with Levels of Detail[J].Acta Geodaetica et Cartographica Sinica.2011,40(2):249-255.(龔俊,朱慶,張葉廷,等.顧及多細(xì)節(jié)層次的三維 R樹索引擴(kuò)展方法,2011,40(2):249-255.)

        [22] DENG Hongyan,WU Fang,ZHAI Renjian,et al.R-Tree Index Structure for Multi-Scale Representation of Spatial Data[J].Chinese Journal of Computers,2009,32(1):177-184.(鄧紅艷,武芳,翟仁健,等.一種用于空間數(shù)據(jù)多尺度表達(dá)的 R樹索引結(jié)構(gòu),2009,32(1):177-184.)

        [23] CHENG C X,LU F,CAI J.A Quantitative Scale-setting Approach for Building Multi-scale Spatial Databases[J].Computer&Geosciences,2009,35:2204-2209.

        [24] YING Shen,LI Lin,LIU Wanzeng,et al.Change-only Updating Based on Object Matching in Version Databases[J].Geomatics and Information Science of Wuhan University,2009,34(6):752-755.(應(yīng)申,李霖,劉萬增,等.版本數(shù)據(jù)庫基于目標(biāo)匹配的變化信息提取與數(shù)據(jù)更新 [J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2009,34(6):752-755.)

        [25] MICHELONI C,RANI A,KUMAR A,et al.A Balance Neural Tree for Pattern Classification [J].Neural Network,2012,27:81-90.

        [26] FORESTI G L,PIERONI G.Exploiting Neural Trees in Range Image Understanding [J].Pattern Recognition Letters,1998,19:869-878.

        [27] MAJI P.Efficient Design of Neural Network Tree Using a Single Splitting Criterion[J].Neurocomputing,2008,71:787-800.

        [28] WANG Ting,JIANG Wenhui,XIAO Nanfeng.Numerical Recognition Based on Improved BP Neural Network[J].Electronic Design Engineering,2011,19(3):108-112.(王婷,江文輝,肖南峰.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別,2011,19(3):108-112.)

        猜你喜歡
        決策樹檢索要素
        掌握這6點(diǎn)要素,讓肥水更高效
        一種針對(duì)不均衡數(shù)據(jù)集的SVM決策樹算法
        2019年第4-6期便捷檢索目錄
        決策樹和隨機(jī)森林方法在管理決策中的應(yīng)用
        電子制作(2018年16期)2018-09-26 03:27:06
        觀賞植物的色彩要素在家居設(shè)計(jì)中的應(yīng)用
        論美術(shù)中“七大要素”的辯證關(guān)系
        基于決策樹的出租車乘客出行目的識(shí)別
        專利檢索中“語義”的表現(xiàn)
        專利代理(2016年1期)2016-05-17 06:14:36
        也談做人的要素
        山東青年(2016年2期)2016-02-28 14:25:36
        基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用
        一本大道加勒比东京热| 无码人妻av一二区二区三区| 欧美人与动牲猛交xxxxbbbb| 国产精品不卡无毒在线观看| 亚洲av一区二区国产精品| 亚洲国产91高清在线| 51国产偷自视频区视频| 亚洲av无码久久精品狠狠爱浪潮| 亚洲av理论在线电影网| 亚洲中文无码精品久久不卡| 亚洲天堂av路线一免费观看| 国偷自拍av一区二区三区| 国产一区二区三区免费观看在线| 亚洲一区av无码少妇电影| 一本一本久久a久久精品综合| 蜜臀久久久精品国产亚洲av| 免费av网站大全亚洲一区| 国产99久久久国产精品免费看| 日韩一欧美内射在线观看| 亚洲成AV人片在一线观看| 一区二区亚洲精品国产精| 99国产精品久久久久久久成人热| 亚洲国产精品va在线播放| 欧美日韩性视频| 国产三级视频一区二区| 日韩三级一区二区不卡| 一区二区三区av波多野结衣| 中文字幕一区二区三区久久网站| 亚洲AV成人综合五月天在线观看| 精品久久一区二区三区av制服| 久久国产人妻一区二区| 97久久香蕉国产线看观看| 无遮挡中文毛片免费观看| 日本人妻三级在线观看| 丰满女人猛烈进入视频免费网站 | 中文字幕日韩人妻高清在线| 中文字幕在线亚洲精品一区| 国产午夜精品无码| 国产精品白浆在线观看无码专区| 女同av在线观看网站| 国产优质av一区二区三区|