一种基于图卷积神经网络的河流模式识别方法与装置制造方法及图纸

本发明专利技术属于河系空间分布模式识别技术领域，提出一种基于图卷积神经网络的河流模式识别方法与装置，该方法包括：在矢量数据中，以河段为单元，通过河段首末点的重合表示河段相连的拓扑关系，构成河系的完整形态，将一个河系作为一个完整的图，将河段作为图节点，根据拓扑运算获得河段的连接关系，该连接关系则构成连接邻近节点的边，完成自然河系图结构数据基本要素的构建；从全局、局部以及河段个体三个层面提取描述自然河系特征的参数，并与河段建立映射关系，完成河流特征向量提取；基于河流特征向量构建自然河系空间分布模式的神经网络识别模型；基于识别模型进行自然河系空间分布模式的识别。本发明专利技术实现了自然河系空间分布模式的识别。模式的识别。模式的识别。

【技术实现步骤摘要】
一种基于图卷积神经网络的河流模式识别方法与装置


[0001]本专利技术属于河系空间分布模式识别
，尤其涉及一种基于图卷积神经网络的河流模式识别方法与装置。

技术介绍

[0002]一些学者根据河系空间分布模式的特征差异设计量化参数，并采用不同的分类器达到河系模式自动识别的目的，包括决策树法，自相似性统计法以及支持向量机法。然而，这些方法通常需要对大量特征参数进行统计汇总，适用于大型河系的空间分布模式识别，而针对河系规模小，河系特征无法支撑现有方法对特征量的需求。同时，越来越多的学者意识到自然河系的空间分布模式识别不只是单纯的线性映射问题，而是复杂的非线性映射问题，通过专家经验设置约束规则的经典方法无法有效解决自然河系的多空间分布模式识别问题。

技术实现思路

[0003]本专利技术针对通过专家经验设置约束规则的经典方法无法有效解决自然河系的多空间分布模式识别问题的问题，提出一种基于图卷积神经网络的河流模式识别方法与装置。
[0004]为了实现上述目的，本专利技术采用以下技术方案：
[0005]本专利技术一方面提出一种基于图卷积神经网络的河流模式识别方法，包括：
[0006]步骤1：在矢量数据中，以河段为单元，通过河段首末点的重合表示河段相连的拓扑关系，构成河系的完整形态，将一个河系作为一个完整的图，将河段作为图节点，根据拓扑运算获得河段的连接关系，该连接关系则构成连接邻近节点的边，从而实现了自然河系图结构数据基本要素的构建；
[0007]步骤2：从全局、局部以及河段个体三个层面提取描述自然河系特征的参数，并将各参数与图结构中的基本要素建立映射关系，选择图节点、即河段作为所有特征项的映射对象，完成河流特征向量提取；
[0008]步骤3：基于提取的河流特征向量构建自然河系空间分布模式的神经网络识别模型，所述识别模型包括数据输入层，图卷积层，池化层和全连接分类层；包括：将空域图卷积方式引入深度学习模型，解除对图节点数量的约束；在池化层中，引入自注意力机制决定不同节点的权重，保留相对重要的特征信息；在全连接层，采用多层感知器的结构，增加模型深度，以提高模型的学习效果；
[0009]步骤4：基于构建的识别模型进行自然河系空间分布模式的识别。
[0010]进一步地，所述步骤1还包括：
[0011]采用独热编码的方式对图进行标注，每个图的类型标签都由一个六元组矩阵组成，每个元组对应每种自然河系空间分布模式，即像元值为1则表示该图属于对应空间分布模式，0则表示该图不属于对应空间分布模式。
[0012]进一步地，所述步骤2包括：
[0013]步骤2.1：在整体层面，利用Horton编码对自然河系的整体层级进行划分，并对不同层级河段数量、长度进行统计；
[0014]步骤2.2：在局部流域层面，以河段及其上游组成的流域为统计单元，从流域伸长比、面积比、河流分布密度、发育平衡度方面对河系的区域特征进行描述；
[0015]步骤2.3：在河段个体层面，提取矢量线段的几何特征，包括长度、方向、曲折度、正交程度；
[0016]步骤2.4：将各参数与图结构中的基本要素建立映射关系，选择图节点、即河段作为所有特征项的映射对象，完成河系图结构特征向量提取。
[0017]进一步地，所述步骤2.1包括：
[0018]步骤2.1.1：通过拓扑运算获取首尾点重合的邻近河段，构建每条河段的邻接表，然后获得河系图整体的连通关系，即邻接矩阵；
[0019]步骤2.1.2：根据Horton编码对河系层级进行划分，即无分叉的顶端河段被定义为第一级，当两个及以上同等级的河流交汇后，下游的河段等级增加一级；当两个及以上不同等级的河流交汇时，下游的河段等级则于上游河段等级中的最大值保持一致，依次对河系内所有河段层级进行编码；
[0020]步骤2.1.3：根据层级对河段进行分组，获取每个层级的河段数量；
[0021]步骤2.1.4：根据层级对河段进行分组，获取每个层级河段的平均长度。
[0022]进一步地，所述步骤2.4包括：
[0023]选择图节点、即河段作为所有特征项的映射对象，在整体特征项中，连通关系作为图结构的一个基本要素不计入特征矩阵，而各层级的统计值，包括长度，河段数量则采用共享参数值的方式分配给每个层级的对应河段；在局部流域特征项中，将该层次流域的特征值赋予给流域的末端河段；河段个体特征项则依次赋予给对应河段；按此方式，所有特征项均转换为与图节点一一映射的特征矩阵，从而实现矢量河系数据到图结构数据的转换。
[0024]进一步地，所述数据输入层中，采用批处理方式以加快模型训练收敛的速度，提高模型训练效果；其次，对图数据中的特征矩阵统一进行归一化处理；每个图的邻接矩阵按照如下方式被转换为非标准化的拉普拉斯矩阵L，并包含了每个节点的自连接；同时按照图顺序对特征矩阵内节点进行排列；
[0025][0026]其中表示未加入节点自连接图邻接矩阵，I表示N维单位矩阵，N表示该图的节点数量，D表示邻接矩阵A的度矩阵；同时，所有节点的邻接关系亲疏一致，即邻接矩阵中存在节点邻接关系对应的像元值为1。
[0027]进一步地，所述池化层中，按照如下方式为各图节点计算自注意力分数、即权重：
[0028]Z＝σ(LHθ
att
+b)式5
[0029]其中表示卷积层的输出；表示权重向量，初始是随机值，F
′
表示输出的维度；表示随机偏差值；激活函数σ为tanh函数；
[0030]以图为单元，根据图内各节点的自注意力分数进行图内各节点Top
‑
rank掩膜操
作；
[0031]对剩余节点进行最大池化和平均池化操作，得到输出结果。
[0032]进一步地，所述全连接分类层中包含2个隐藏层和1个输出层，每个隐藏层的计算如下：
[0033]h
(l+1)
＝σ(h
(l)
W+b
(l)
)式8
[0034]其中h
(l)
表示第l层的输入，W表示不同特征项的权重，b
(l)
表示第l层的偏差，激活函数σ为ReLU函数。
[0035]本专利技术另一方面提出一种基于图卷积神经网络的河流模式识别装置，包括：
[0036]自然河系图结构数据构建模块，用于在矢量数据中，以河段为单元，通过河段首末点的重合表示河段相连的拓扑关系，构成河系的完整形态，将一个河系作为一个完整的图，将河段作为图节点，根据拓扑运算获得河段的连接关系，该连接关系则构成连接邻近节点的边，从而实现了自然河系图结构数据基本要素的构建；
[0037]特征向量提取模块，用于从全局、局部以及河段个体三个层面提取描述自然河系特征的参数，并将各参数与图结构中的基本要素建立映射关系，选择图节点、即河段作为所有特征项的映射对象，完成河流特征向量提取；
[0038]模式识别模型构建模块，用于基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的河流模式识别方法，其特征在于，包括：步骤1：在矢量数据中，以河段为单元，通过河段首末点的重合表示河段相连的拓扑关系，构成河系的完整形态，将一个河系作为一个完整的图，将河段作为图节点，根据拓扑运算获得河段的连接关系，该连接关系则构成连接邻近节点的边，从而实现了自然河系图结构数据基本要素的构建；步骤2：从全局、局部以及河段个体三个层面提取描述自然河系特征的参数，并将各参数与图结构中的基本要素建立映射关系，选择图节点、即河段作为所有特征项的映射对象，完成河流特征向量提取；步骤3：基于提取的河流特征向量构建自然河系空间分布模式的神经网络识别模型，所述识别模型包括数据输入层，图卷积层，池化层和全连接分类层；包括：将空域图卷积方式引入深度学习模型，解除对图节点数量的约束；在池化层中，引入自注意力机制决定不同节点的权重，保留相对重要的特征信息；在全连接层，采用多层感知器的结构，增加模型深度，以提高模型的学习效果；步骤4：基于构建的识别模型进行自然河系空间分布模式的识别。2.根据权利要求1所述的一种基于图卷积神经网络的河流模式识别方法，其特征在于，所述步骤1还包括：采用独热编码的方式对图进行标注，每个图的类型标签都由一个六元组矩阵组成，每个元组对应每种自然河系空间分布模式，即像元值为1则表示该图属于对应空间分布模式，0则表示该图不属于对应空间分布模式。3.根据权利要求1所述的一种基于图卷积神经网络的河流模式识别方法，其特征在于，所述步骤2包括：步骤2.1：在整体层面，利用Horton编码对自然河系的整体层级进行划分，并对不同层级河段数量、长度进行统计；步骤2.2：在局部流域层面，以河段及其上游组成的流域为统计单元，从流域伸长比、面积比、河流分布密度、发育平衡度方面对河系的区域特征进行描述；步骤2.3：在河段个体层面，提取矢量线段的几何特征，包括长度、方向、曲折度、正交程度；步骤2.4：将各参数与图结构中的基本要素建立映射关系，选择图节点、即河段作为所有特征项的映射对象，完成河系图结构特征向量提取。4.根据权利要求3所述的一种基于图卷积神经网络的河流模式识别方法，其特征在于，所述步骤2.1包括：步骤2.1.1：通过拓扑运算获取首尾点重合的邻近河段，构建每条河段的邻接表，然后获得河系图整体的连通关系，即邻接矩阵；步骤2.1.2：根据Horton编码对河系层级进行划分，即无分叉的顶端河段被定义为第一级，当两个及以上同等级的河流交汇后，下游的河段等级增加一级；当两个及以上不同等级的河流交汇时，下游的河段等级则于上游河段等级中的最大值保持一致，依次对河系内所有河段层级进行编码；步骤2.1.3：根据层级对河段进行分组，获取每个层级的河段数量；步骤2.1.4：根据层级对河段进行分组，获取每个层级河段的平均长度。
5.根据权利要求3所述的一种基于图卷积神经网络的河流模式识别方法，其特征在于，所述步骤2.4包括：选择图节点、即河段作为所有特征项的映射对象，在整体特征项中，连通关系作为图结构的一个基本要素不计入特征矩阵，而各层级的统计值，包括长度，河段数量则采用共享参数值的方式分配给每个层级的对应河段；在局部流域特征项中，将该层次流域的特征值赋予给流域的末端河段；河段个体特征项则依次赋予给对应河段；按此方式，所有特征项均转换为与图节点一一映...

【专利技术属性】
技术研发人员：武芳，刘呈熠，翟仁健，巩现勇，杜佳威，行瑞星，殷吉崇，王安东，邱越，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：