The invention provides a building clustering method based on SOM neural network, which includes: calculating the relevant characteristic parameters of a building by using the polygon layer data and the linear element layer data of a building; using the Kohonen learning algorithm of SOM neural network to carry out the preliminary clustering of buildings according to the calculated related characteristic parameters; Class, get the preliminary cluster results of the building group; use row and column scanning method to further fine clustering classification of the preliminary cluster results, get the final clustering results of the building group. The invention realizes intelligent clustering of buildings with map cognitive ability, and the clustering method can divide adjacent buildings into a group under the constraints of linear elements in the urban areas where the building elements are dense and regularly distributed. In the suburbs or countryside where buildings are scattered, this method can also cluster according to the distance between buildings without road constraints, which meets the requirements of mapping.
【技术实现步骤摘要】
基于SOM神经网络的建筑物聚类方法
本专利技术涉及计算机地图制图
,尤其涉及一种基于SOM神经网络的建筑物聚类方法。
技术介绍
大、中比例尺地图中的建筑物要素通常符号化为离散分布的多边形图形。随着地图比例尺的缩小,地图上的要素会变得拥挤而不易辨识。因此,许多建筑物需被删除、合并、化简等等。通过对人工制图综合过程的研究发现,建筑物综合包含两个连贯的步骤:第一步是将建筑物划分为不同的群组,即建筑物聚类;第二步是针对不同的建筑物群组执行不同的制图综合操作。自动建筑物综合就是应用计算机程序模拟这两个步骤。Regnauldls提出了构建和存储邻近图的模型和建筑物群典型化的方法。该方法首先分析每个建筑物群组Gestalt参量,这些参量包括建筑物的平均尺寸、建筑物群的密度以及建筑物多边形的形状等,然后建立建筑物典型化的规则和基于约束三角网的空间数据结构,最后通过分割最小生成树(MST)邻近图得到建筑物的聚类结果。闰浩文按方向Voronoi图(DirectionVoronoiDiagram,DVD)、艾廷华和钱海忠首先建立建筑物顶点的Delaunay三角网,然后按建筑物与三角网的关系进行建筑群的分割和降维,以及居民地的结构、形态和相互关系的描述。Anders和郭庆胜从原始点群目标生成Delaunay三角形(DelaunayTriangulation,DT),以及Gabriel图(GabrielGraph,GG)、相对邻近图(RelativeNeighborhoodGraph,RNG)、绝对邻近图(NearestNeighborhoodGraph,NNG)、UG(Ur ...
【技术保护点】
1.一种基于SOM神经网络的建筑物聚类方法,其特征在于,包括以下步骤:步骤1:利用建筑物多边形图层数据和线状要素图层数据进行建筑物的相关特征参数计算;所述线状要素图层数据包括:道路、水系图层;所述相关特征参数包括:建筑物重心坐标、相邻建筑物之间的最短距离、建筑物与邻近道路等线状要素之间的最短距离、建筑物与邻近道路等线状要素之间的位置关系;步骤2:根据计算的所述相关特征参数利用SOM神经网络的Kohonen学习算法进行建筑物群的初步聚类,得到初步的建筑物群类簇结果;步骤3:应用行列扫描方法对初步的类簇结果进行进一步的精细聚类划分,获得建筑物群的最终聚类结果。
【技术特征摘要】
1.一种基于SOM神经网络的建筑物聚类方法,其特征在于,包括以下步骤:步骤1:利用建筑物多边形图层数据和线状要素图层数据进行建筑物的相关特征参数计算;所述线状要素图层数据包括:道路、水系图层;所述相关特征参数包括:建筑物重心坐标、相邻建筑物之间的最短距离、建筑物与邻近道路等线状要素之间的最短距离、建筑物与邻近道路等线状要素之间的位置关系;步骤2:根据计算的所述相关特征参数利用SOM神经网络的Kohonen学习算法进行建筑物群的初步聚类,得到初步的建筑物群类簇结果;步骤3:应用行列扫描方法对初步的类簇结果进行进一步的精细聚类划分,获得建筑物群的最终聚类结果。2.根据权要求1所述的方法,其特征在于,所述步骤2包括以下步骤:步骤21:SOM神经网络的初始化,设置SOM神经网络的输入层神经元数目N=2,竞争层神经元数目M=40×40=1600;设置SOM神经网络竞争层神经元和输入层神经元之间的连接权向量Wj=(w1j,w2j,…,wNj),j=1,2,...,M,wij为[0,1]区间内的随机数,i=1,2,…,N;设置初始邻域半径σ(0)=6.0,初始学习率α(0)=0.1,训练迭代计数t=0;步骤22:从训练样本集{A1,A2,…,Ak,…,Ap}中随机选取一个输入模式提供给SOM神经网络的输...
【专利技术属性】
技术研发人员:刘强,程博艳,冯仁诺,
申请(专利权)人:电子科技大学成都研究院,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。