基于SOM神经网络的建筑物聚类方法技术

本发明专利技术提供一种基于SOM神经网络的建筑物聚类方法，包括：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；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；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。本发明专利技术实现了具有地图认知能力的建筑物智能聚类，在建筑物要素密集而且规则分布的城区，该聚类方法能够在线状要素约束下将相邻的建筑物划分在一个群组内。在建筑物零散分布的郊区或农村，缺少道路约束的条件下，该方法也能根据建筑物之间的距离进行聚类，符合制图要求。

Building clustering method based on SOM neural network

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(UrquhartGraph)、最小支撑树(MinimumSpanningTree，MST)等邻近图，在密度、距离和偏差等适应性的约束下，利用邻近图进行点群的层次聚类。李志林等提取了面状要素的TIN和Voronoi图，结合城市形态学和Gestalt理论提出了基于城市形态学的全局约束和基于Gestalt原理的局部约束的建筑物聚类方法。Qi和Li依据方向、距离以及相似度等因素对建筑物聚类的影响程度，将约束按照不同的层次引入到建筑物的空间聚类过程中，提出了基于分级约束的建筑物聚类方法。而目前的建筑物聚类方法存在一下缺陷：(1)缺少智能化的数据模型制图综合是人脑的创造性思维过程，这个过程是非常复杂、难以定义、很难完全结构化的。用计算机实现手工地图综合的过程，主要依赖于问题的规范化(格式化)水平。在用计算机描述人类生存的现实世界时不可能事无巨细地全部存储到计算机中，必然会有一些信息(如空间关系)丢失，而且信息丢失的程度与采用的制图综合数据模型密切相关。但是现有的数据模型或数据结构还不能完全支持智能化的制图综合方法。(2)认知理论对自动制图综合的指导作用较低地图是人类进行信息传输的媒介，制图综合的根本目的就是增强地图的信息传输能力，满足人类对空间地理信息日益增加的需求。人类对大脑思维的具体过程和认知活动还不是完全清楚，自动制图综合的研究中还存在着一种不好的倾向，即“为了综合而综合”。这种对制图综合的理解没有考虑制图综合对象的各种语义信息，仅盲目进行图形变换或者图形处理的方法研究。这样做的最终结果将失去地图要素特征对于制图综合方法的约束，获得的制图综合结果将缺乏相应的地理特征。到目前为止，居民地要素的自动制图综合研究仍然有诸多问题没有解决，如居民地与其他要素的综合关联不够，居民地的结构化选取结果不是很好。建筑物群的合并以及单个建筑物图形的化简还有很多研究工作需要完成。
技术实现思路
本专利技术的目的在于解决上述现有技术存在的缺陷，提供一种主要围绕大比例尺地图的建筑物要素，依托人工神经网络技术，模拟制图专家在进行制图综合时的思维过程，学习制图综合的专家知识和经验，研究建筑物要素的基于SOM神经网络的建筑物聚类方法。一种基于SOM神经网络的建筑物聚类方法，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。进一步地，如上所述的方法，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神经网络的输入层神经元；步骤23：寻找获胜神经元：计算Ak与Wj之间的距离dkj＝||Ak-Wj||，从中选择距离最小的神经元作为获胜神经元c，即步骤24：调整连接权值：对获胜神经元c邻域内任一个被激活的神经元j的连接权向量Wj按照公式进行调整；步骤25：重复步骤22-24，直至所有的输入模式都提交过一次；步骤26：训练迭代计数器加1，即t＝t+1；更新学习率α(t)以及邻域半径σ(t)；步骤27：重复步骤22-26，直到训练迭代计数t达到预先设定的训练迭代总次数T。进一步地，如上所述的方法，步骤3中所述行列扫描方法包括以下步骤：步骤31：以行为主，从左上角的格网单元开始，依次扫描SOM神经网络竞争层的二维平面网格中每个格网单元来确定格网单元与当前搜索到的网格单元是否属于同一群组，如果是，终止对格网单元的圈层扩张搜索，如果不是，则将新的群组属性赋予格网单元，然后继续扫描下一个格网单元；步骤32：根据行扫描的结果，建立建筑物群组编号索引，用于记录每个群组中所包含的SOM神经网络竞争层的格网单元编号；步骤33：对SOM神经网络的竞争层平面网格再进行列扫描，即从左下角的格网单元开始，按照以列为主的方式扫描格网单元；当扫描到单元C时，以单元C为中心按照圈层向外扩张搜索，调整每个格网单元的群组属性，得到最终的建筑物群聚类结果。有益效果：本申请通过对建筑物聚类综合中的全局和局部约束条件的研究，着重分析了Gestalt原理的邻近性、相似性等准则，依据建筑物的位置、面积、形状、朝向，建筑物之间的距离，以及建筑物与其他线状要素(道路、河流等)的空间关系等影响因素，采用建筑物重心、建筑物间的距离、建筑物与邻近线状地物要素间位置关系等参数描述建筑物的特性。建筑物智能聚类分为两步：第一步初步聚类，根据建筑物的描述参数，利用SOM神经网络的聚类能力，得到建筑物初步聚类的类簇。第二步精细划分，设计了基于行列扫描的建筑物类簇划分算法，对SOM竞争层的初步聚类结果进行行列扫描，实现建筑物类簇的精确划分，获得满足建筑物聚类的全局和局部约束条件等制图要求的本文档来自技高网...

【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