基于MLP神经网络的室内空间地标显著度评价方法技术

本发明专利技术公开了一种基于MLP神经网络的室内空间地标显著度评价方法，包括步骤：S1.确定地标显著度影响因素；S2.对室内空间地标样本的地标显著度影响因素进行量化处理，得到量化后的影响因素；S3.对量化后的影响因素进行数据特征扩充，得到特征扩充后的影响因素；S4.构建MLP神经网络模型；S5.将特征扩充后的影响因素输入到MLP神经网络模型进行模型训练，得到训练后的MLP神经网络模型；S6.将待测室内空间地标的地标显著度影响因素输入到训练后的MLP神经网络模型，输出地标显著度评价值。本发明专利技术能够从用户实际需求出发对室内地标进行显著度评价，更具层次化地依据地标显著度提取室内空间中能吸引用户的地标。间中能吸引用户的地标。间中能吸引用户的地标。

【技术实现步骤摘要】
基于MLP神经网络的室内空间地标显著度评价方法


[0001]本专利技术涉及室内空间地标领域，具体涉及一种基于MLP神经网络的室内空间地标显著度评价方法。

技术介绍

[0002]近年来，互联网、移动通讯以及定位技术快速发展，全民进入了智能移动终端的普及和应用时代，人们对位置信息服务的需求呈大幅度增长趋势。随着超十万平方米以上的大型建筑物不断涌现，建筑物内部的结构逐渐复杂，人在建筑物内部更容易迷失方向。同时研究表明，人类80％
‑
90％的时间生活在室内，使得人们日常生活中越来越需要室内位置服务。但是，由于技术与成本的限制，室内定位、导航技术尚未普及，相较于室外用户可以轻易获取自身的位置及导航路径，用户在高信息密度的室内空间中辨清方向和寻路就显得十分困难。然而，地标作为室内空间认知中最基础、最重要的空间要素，具有辨识度明显的特点，能够帮助用户在陌生的室内环境中确定方向和位置，是室内位置服务的“锚固点”；并且，在室内智能导航系统中，室内地标又是重要的导航线索，连续的地标序列能够增强行人对路径选择的信心，降低认知负担。因此，通过构建地标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MLP神经网络的室内空间地标显著度评价方法，其特征在于：包括如下步骤：S1.确定地标显著度影响因素；所述影响因素包括知名度、空间位置、独特性以及相对规模；S2.采集室内空间地标，并对室内空间地标的地标显著度影响因素进行量化处理，得到量化后的影响因素；所述室内空间地标为若干；S3.对量化后的影响因素进行数据特征扩充，得到特征扩充后的影响因素；S4.构建MLP神经网络模型；S5.将特征扩充后的影响因素作为原始数据，并将原始数据输入到MLP神经网络模型进行模型训练，得到训练后的MLP神经网络模型；S6.采集待测室内空间地标，并将待测室内空间地标的地标显著度影响因素依次进行量化以及数据特征扩充处理，得到处理后的待测室内空间地标的地标显著度影响因素；将待测室内空间地标的地标显著度影响因素输入到训练后的MLP神经网络模型，输出地标显著度评价值。2.根据权利要求1所述的基于MLP神经网络的室内空间地标显著度评价方法，其特征在于：对室内空间地标的地标显著度影响因素进行量化处理，具体包括：在设定的分值范围内对室内空间地标的知名度进行评分，并将所述评分的平均值作为知名度的量化值；确定室内空间地标在设定的空间位置等级中的级别，并将所述级别对应的评定值作为空间位置的量化值；确定室内空间地标在设定的独特性类型中的类型，并将所述类型对应的评分值作为独特性的量化值；确定室内空间地标在设定的相对规模等级中的级别，并将所述级别对应的评定值作为相对规模的量化值。3.根据权利要求2所述的基于MLP神经网络的室内空间地标显著度评价方法，其特征在于：对量化后的影响因素进行数据特征扩充，具体包括：使用λ位状态寄存器存储知名度的量化值；使用μ位状态寄存器存储空间位置的量化值；所述μ取值为空间位置等级中的空间位置个数；使用ν位状态寄存器存储独特性的量化值；所述ν取值为独特性类型中的类型个数；使用O位状态寄存器存储相对规模的量化值；所述O取值为相对规模等级中的相对规模个数。4.根据权利要求3所述的基于MLP神经网络的室内空间地标显著度评价方法，其特征在于：所述MLP神经网络模型包括输入层、隐藏层以及输出层；所述输入层为1层，所述输出层为1层；所述输入层中神经元的个数k
input
＝λ+μ+ν+O；所述输出层中神经元的个数为1；并根据如下方法确定隐藏层的层数以及隐藏层中每层神经元的个数：a.构建若干MLP神经网络模型；其中，所述若干ML...

【专利技术属性】
技术研发人员：李华蓉，李天童，郑嘉欣，叶晨昱，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：