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

        ?

        基于群體智能的多源遙感數(shù)據(jù)分頁(yè)查詢方法

        2022-11-15 01:53:40曾泳諭
        經(jīng)緯天地 2022年5期
        關(guān)鍵詞:語(yǔ)義特征智能

        曾泳諭 丘 泉

        (廣東省國(guó)土資源測(cè)繪院,廣東 廣州 510000)

        0.引言

        隨著航空航天遙感技術(shù)和光學(xué)成像技術(shù)的不斷進(jìn)步和發(fā)展,遙感數(shù)據(jù)的來(lái)源廣泛、種類繁多,數(shù)據(jù)體量越來(lái)越多,這些數(shù)據(jù)涵蓋了空間TDICCD相機(jī)成像時(shí)產(chǎn)生的影像數(shù)據(jù)、衛(wèi)星監(jiān)測(cè)數(shù)據(jù)、物探數(shù)據(jù)、地質(zhì)環(huán)境監(jiān)測(cè)等遙感數(shù)據(jù)。隨著多源遙感數(shù)據(jù)的種類和規(guī)模越來(lái)越大,急切需要構(gòu)建優(yōu)化的多源遙感數(shù)據(jù)分頁(yè)查詢方法,對(duì)這些數(shù)據(jù)進(jìn)行特征分析和像移參數(shù)分析,從而實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的特征檢測(cè)和識(shí)別,降低多源遙感數(shù)據(jù)查詢和檢索開(kāi)銷,提高數(shù)據(jù)的實(shí)時(shí)分析能力[1]。

        對(duì)多源遙感數(shù)據(jù)分頁(yè)查詢是通過(guò)用戶和數(shù)據(jù)的屬性參數(shù)檢測(cè)和識(shí)別實(shí)現(xiàn)的,結(jié)合對(duì)全局和局部的參數(shù)融合,采用分組和分塊檢測(cè)的方法,最終構(gòu)建多源遙感數(shù)據(jù)分頁(yè)檢索和特征分類集。當(dāng)前,查詢多源遙感數(shù)據(jù)的方法主要有擴(kuò)展類別檢測(cè)法、語(yǔ)義搜索法、圖像處理法等[2,3]。文獻(xiàn)[4]通過(guò)構(gòu)建基于HBase的遙感數(shù)據(jù)分布式存儲(chǔ)與查詢方法,利用HBase的過(guò)濾機(jī)制設(shè)計(jì)過(guò)濾列族,進(jìn)行詞語(yǔ)關(guān)聯(lián)規(guī)則挖掘;基于目標(biāo)遙感影像數(shù)據(jù)的分類屬性,通過(guò)擴(kuò)展算法,達(dá)到在查詢時(shí)篩選數(shù)據(jù)的目的,但該方法的聚類性較弱。文獻(xiàn)[5]中提出一種遙感柵格數(shù)據(jù)庫(kù)檢索高效的拓?fù)洳樵兎椒?,采用最小外接矩形(MBR)和最大內(nèi)接矩形(IR)的空間拓?fù)潢P(guān)系實(shí)現(xiàn)遙感數(shù)據(jù)查詢,但該方法易出現(xiàn)共現(xiàn)頻率結(jié)合形成新規(guī)則現(xiàn)象,導(dǎo)致查詢的穩(wěn)定性較低。

        對(duì)此,本文提出基于群體智能的多源遙感數(shù)據(jù)分頁(yè)查詢方法。首先采用本體圖模型和關(guān)聯(lián)規(guī)則擴(kuò)展的方法構(gòu)建數(shù)據(jù)查詢的分布模型和數(shù)據(jù)結(jié)構(gòu)模型,并采用語(yǔ)義本體特征分析,實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)分頁(yè)特征分析;然后采用群體智能進(jìn)行多源遙感數(shù)據(jù)分頁(yè)查詢過(guò)程聚類和分類識(shí)別;最后進(jìn)行仿真測(cè)試,驗(yàn)證了本文方法在提高多源遙感數(shù)據(jù)分頁(yè)查詢能力方面的優(yōu)越性。

        1.多源遙感數(shù)據(jù)的分布結(jié)構(gòu)和特征分析

        1.1 分布結(jié)構(gòu)

        首先,為實(shí)現(xiàn)多源遙感數(shù)據(jù)分頁(yè)查詢,需要結(jié)合群體智能學(xué)習(xí)的方法,構(gòu)建多源遙感數(shù)據(jù)分頁(yè)特征檢測(cè)模型;其次,需要結(jié)合樣本參數(shù)的訓(xùn)練和語(yǔ)義結(jié)構(gòu)分析方法,進(jìn)行Word-Net本體的加權(quán)圖查詢和模型結(jié)構(gòu)參數(shù)分析;再次,通過(guò)語(yǔ)義相似度擴(kuò)展的方法,建立多源遙感數(shù)據(jù)的模型庫(kù)和語(yǔ)義特征本體庫(kù),結(jié)合Web檢索的方法,構(gòu)建多源遙感數(shù)據(jù)的多維動(dòng)態(tài)特征分布集;最后,通過(guò)關(guān)鍵詞檢索和特征降維,降低多源遙感數(shù)據(jù)的存儲(chǔ)空間維數(shù),同時(shí)提高多源遙感數(shù)據(jù)的查詢精準(zhǔn)度。在進(jìn)行多源遙感數(shù)據(jù)分頁(yè)查詢中,使用WordNet和其語(yǔ)義關(guān)聯(lián)度構(gòu)建知識(shí)本體庫(kù),通過(guò)元素標(biāo)簽識(shí)別和擴(kuò)展詞應(yīng)用的方法,使查詢結(jié)果接近用戶意圖,滿足多源遙感數(shù)據(jù)的屬性分類性和特征聚類性,最終構(gòu)建多源遙感數(shù)據(jù)的存儲(chǔ)節(jié)點(diǎn)分布模型。根據(jù)存儲(chǔ)節(jié)點(diǎn)分布,采用多重檢索的自適應(yīng)搜索方法,進(jìn)行數(shù)據(jù)集成,構(gòu)建概率樹(shù)模型,并通過(guò)元素標(biāo)簽識(shí)別,分析遙感數(shù)據(jù)的特征量,得到多源遙感數(shù)據(jù)的特征分布結(jié)構(gòu),如圖1所示。

        圖1 多源遙感數(shù)據(jù)的特征分布結(jié)構(gòu)

        在Map/Reduce模式下構(gòu)建多源遙感數(shù)據(jù)的時(shí)態(tài)分析模型,在時(shí)態(tài)對(duì)象模型中,采用動(dòng)態(tài)查詢結(jié)合非結(jié)構(gòu)化的數(shù)據(jù)處理機(jī)制,建立多源遙感數(shù)據(jù)的延遲預(yù)寫(xiě)日志,同時(shí)基于映射(key/value)和關(guān)系模型分析建立多源遙感數(shù)據(jù)的動(dòng)態(tài)分布集合,并通過(guò)遙感物探分布,采用全周期記錄和動(dòng)態(tài)存儲(chǔ)的方法,實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的動(dòng)態(tài)挖掘和編碼?;谡Z(yǔ)義概念分析的方法,進(jìn)行多源遙感數(shù)據(jù)查詢擴(kuò)展性分析。對(duì)多源遙感數(shù)據(jù)的查詢擴(kuò)展主要包括同義詞擴(kuò)展、語(yǔ)義擴(kuò)展、遙感衛(wèi)星數(shù)據(jù)擴(kuò)展、圖像邊緣性擴(kuò)展等。基于語(yǔ)義外延特征分析,采用規(guī)則性挖掘和調(diào)度的方法,得到多源遙感數(shù)據(jù)擴(kuò)展的相關(guān)規(guī)則詞。同時(shí)設(shè)置多源遙感數(shù)據(jù)的權(quán)重分量,在原查詢?cè)~中,采用語(yǔ)義消歧和圖像濾波檢測(cè)的方法,構(gòu)建多源遙感圖像濾波和降噪模型;在遙感動(dòng)態(tài)數(shù)據(jù)的相關(guān)規(guī)則集中,通過(guò)相關(guān)規(guī)則持續(xù)性爬取,實(shí)現(xiàn)遙感數(shù)據(jù)的分頁(yè)查詢檢索。多源遙感數(shù)據(jù)查詢總體技術(shù)路線如圖2所示:

        圖2 多源遙感數(shù)據(jù)查詢總體技術(shù)路線

        1.2 數(shù)據(jù)特征

        結(jié)合數(shù)據(jù)特征分析,建立多源遙感數(shù)據(jù)的動(dòng)態(tài)查詢分析模型,采用本體圖模型和關(guān)聯(lián)規(guī)則擴(kuò)展的方法,建立多源遙感數(shù)據(jù)的語(yǔ)義索引通道,并設(shè)定數(shù)據(jù)初始步長(zhǎng)與初始稀疏度,定義數(shù)據(jù)查詢的鏈路分布映射為:X→Y,其中X,Y?I且是空間向量R中的一組正交基,D=}是原始多源遙感數(shù)據(jù)的動(dòng)態(tài)事務(wù)特征分布集合,稱為數(shù)據(jù)庫(kù)。其中多源遙感數(shù)據(jù)的特征分布集t在I中是非空子集。X和Y分別為多個(gè)相同長(zhǎng)度數(shù)據(jù)的稀疏參量和重構(gòu)參數(shù)。其中supp(X∪Y)是聯(lián)合稀疏函數(shù),包含X和Y的百分比,supp(X)、supp(Y)分別為最小效用閾值在X和Y的百分比,以相似度多源遙感數(shù)據(jù)查詢的特征關(guān)系如表1所示。

        表1 多源遙感數(shù)據(jù)查詢的特征關(guān)系表

        2.數(shù)據(jù)查詢算法優(yōu)化

        2.1 群體智能學(xué)習(xí)算法

        采用概念結(jié)構(gòu)圖模型分析的方法,進(jìn)行語(yǔ)義擴(kuò)展和數(shù)據(jù)的關(guān)聯(lián)性度量,結(jié)合群體智能學(xué)習(xí)算法,分析多源遙感數(shù)據(jù)的層次性結(jié)構(gòu)分量,同時(shí)使用基本粒子群算法作為智能群體。在遙感數(shù)據(jù)挖掘中,粒子初始化是隨機(jī)產(chǎn)生方式,挖掘得到的遙感數(shù)據(jù)解稱為個(gè)體極值pbest,迭代前期,粒子的自我認(rèn)知過(guò)程采用適應(yīng)度函數(shù)來(lái)控制。基于收斂控制,構(gòu)建多源遙感數(shù)據(jù)挖掘的位置之間的關(guān)系分布式,如式(1)所示:

        式(1)中,xt=xt-1+vt為多次調(diào)整總效用;vt為適應(yīng)度;xt為離散粒子群更新規(guī)則;c1和c2分別為遙感數(shù)據(jù)分頁(yè)訓(xùn)練過(guò)程中的操作算子常數(shù),一般取c1=c2=2;rand1()和rand2()是[0,1]之間的隨機(jī)數(shù),為最小相對(duì)效用閾值;pbest、gbest分別為測(cè)試集和訓(xùn)練集粒子的最佳訓(xùn)練函數(shù),通過(guò)隨機(jī)數(shù)進(jìn)行自適應(yīng)訓(xùn)練,對(duì)于每個(gè)Xi對(duì)應(yīng)的一個(gè)函數(shù),在存在高效用項(xiàng)集的狀況下,得到雙重二元粒子群訓(xùn)練的迭代式,如式(2)所示:

        式(2)中,ρ為Xi的最小支持度閾值;f(xi(k))為k時(shí)刻第i個(gè)粒子向其鄰居集合中第i個(gè)粒子移動(dòng)的概率;γ為粒子群的離群系數(shù);li為挖掘頻繁項(xiàng)集;k為查詢擴(kuò)展的過(guò)程類別參數(shù)。

        采用群體智能學(xué)習(xí),得到粒子群個(gè)體之間的距離,并得到多源遙感數(shù)據(jù)分頁(yè)查詢的變異適應(yīng)度值,搜索全局最優(yōu)點(diǎn),實(shí)現(xiàn)遙感數(shù)據(jù)挖掘過(guò)程中的粒子自適應(yīng)尋優(yōu)[6]。

        2.2 數(shù)據(jù)分頁(yè)查詢輸出

        以地理空間位置分布特性,結(jié)合遙感特征提取方法,通過(guò)群體智能學(xué)習(xí)算法建立多源遙感數(shù)據(jù)的分頁(yè)檢索和分類模型,并采用全域本體類型模型,在粒子群里智能尋優(yōu)下,數(shù)據(jù)查詢輸出公式如式(3)所示:

        式(3)中,pad為所有的個(gè)體最優(yōu)位置的平均值;ω為在相同特征子集下的加權(quán)權(quán)重;c1和c2為正則項(xiàng)參數(shù);r1和r2為回歸參數(shù);pgd為最大相關(guān)系數(shù);xtid為查詢最終特征子集;m為數(shù)據(jù)庫(kù)的分布維數(shù);pid為穩(wěn)態(tài)特征量,根據(jù)排序索引集合,得到遙感數(shù)據(jù)分頁(yè)查詢后輸出的新粒子集{x~ik}Ni=1。

        通過(guò)本文改進(jìn)算法設(shè)計(jì),采用全局性領(lǐng)域本體特征分類,在群體智能性分類集中實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的分頁(yè)查詢。

        3.試驗(yàn)測(cè)試

        3.1 試驗(yàn)環(huán)境描述

        對(duì)于多源遙感數(shù)據(jù)查詢的群體智能學(xué)習(xí)工具,采用PyTorch1.3.1。試驗(yàn)中取智能粒子群的種群個(gè)數(shù)為2000,狀態(tài)分布的關(guān)聯(lián)規(guī)則項(xiàng)為600,遙感數(shù)據(jù)的多源類別屬性為4,匯聚節(jié)點(diǎn)匯聚40個(gè)節(jié)點(diǎn),訓(xùn)練周期設(shè)置為100 epoch,遙感數(shù)據(jù)的像素為1200×1200像素,包含10類場(chǎng)景。多源遙感數(shù)據(jù)的數(shù)據(jù)庫(kù)特征參數(shù),如表2所示。

        表2 數(shù)據(jù)庫(kù)特征參數(shù)

        3.2 結(jié)果分析

        在表2所建立的多源數(shù)據(jù)參數(shù)分布基礎(chǔ)上,進(jìn)行數(shù)據(jù)分頁(yè)查詢,得到10類場(chǎng)景的查詢結(jié)果,如圖3所示。

        圖3 遙感數(shù)據(jù)分頁(yè)查詢結(jié)果

        由圖3可知:采用本文方法進(jìn)行多源遙感數(shù)據(jù)查詢的分類性能較好,查詢輸出結(jié)果準(zhǔn)確可靠。測(cè)試采用不同方法進(jìn)行遙感數(shù)據(jù)查詢的查準(zhǔn)率,與采用本文方法進(jìn)行對(duì)比,結(jié)果如表3所示,可知采用本文方法的查準(zhǔn)率優(yōu)于傳統(tǒng)方法。

        表3 查準(zhǔn)率對(duì)比測(cè)試 單位:%

        4.結(jié)束語(yǔ)

        本文提出基于群體智能的多源遙感數(shù)據(jù)分頁(yè)查詢方法。該方法的核心理念是構(gòu)建多源遙感數(shù)據(jù)的存儲(chǔ)節(jié)點(diǎn)分布模型,采用多重檢索的自適應(yīng)搜索的方法進(jìn)行數(shù)據(jù)集成,并結(jié)合群體智能學(xué)習(xí)算法分析多源遙感數(shù)據(jù)的層次性結(jié)構(gòu)分量,最終實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的分頁(yè)挖掘;同時(shí)通過(guò)10組遙感數(shù)據(jù)與傳統(tǒng)方法進(jìn)行對(duì)比測(cè)試,試驗(yàn)結(jié)果準(zhǔn)確可靠,查準(zhǔn)率明顯高于傳統(tǒng)方法,具備一定的應(yīng)用價(jià)值。

        猜你喜歡
        語(yǔ)義特征智能
        語(yǔ)言與語(yǔ)義
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        智能前沿
        文苑(2018年23期)2018-12-14 01:06:06
        智能前沿
        文苑(2018年19期)2018-11-09 01:30:14
        智能前沿
        文苑(2018年17期)2018-11-09 01:29:26
        智能前沿
        文苑(2018年21期)2018-11-09 01:22:32
        抓住特征巧觀察
        “上”與“下”語(yǔ)義的不對(duì)稱性及其認(rèn)知闡釋
        認(rèn)知范疇模糊與語(yǔ)義模糊
        日本人与黑人做爰视频网站| 亚洲乱熟妇一区二区三区蜜桃| 日韩中文字幕素人水野一区| 亚洲天堂色婷婷一区二区| 日产一区日产2区日产| 日韩av无码中文无码电影| 激情久久av一区av二区av三区| 亚洲av成人在线网站| 日本女优五十路中文字幕| 国产精品久久久久久av| 日本乱人伦在线观看| 国产chinese在线视频| 久久精品国产黄片一区| 久久99国产精品久久| 色悠久久久久综合欧美99| 国产一起色一起爱| 午夜影院免费观看小视频| 国产无套粉嫩白浆在线观看| 成年女人永久免费看片| 日本一区二区不卡超清在线播放 | 午夜精品一区二区三区的区别 | 免费国产黄片视频在线观看| 国产一区二区不卡av| 亚洲国产一二三精品无码| 97久久超碰国产精品2021 | 成人免费看片又大又黄| JIZZJIZZ国产| 水蜜桃一二二视频在线观看免费 | 日本做受120秒免费视频| 中国年轻丰满女人毛茸茸| 人妻少妇av中文字幕乱码免费| 九九久久精品国产免费av| 欧美成人片在线观看| 国产午夜亚洲精品理论片不卡| 在线亚洲国产一区二区三区| 久久精品丝袜高跟鞋| 美女视频黄的全免费的| 久久久精品国产视频在线| 夜夜骚久久激情亚洲精品| 亚洲av天天做在线观看| 免费黄色福利|