一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置制造方法及图纸

本发明专利技术公开一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置，该方法包含三个主要过程：线要素优选化简方案案例的获取，监督学习支持的面向线化简方案优选任务的分类器构建与拟合，以及基于分类器的线要素渐进剖分与自适应化简。本发明专利技术避免了单一化简算法及固定化简参数值的针对性和局限性，实现了算法级、参数级更为丰富的多化简算法协同应用；基于数据驱动的监督学习策略，克服了主观分配化简算法的模糊性和不完备性；达到了曲线级、弧段级更细粒度的线要素自适应化简，提升了线要素自动化简效果，增强了线要素自动化简的可用性和实用性。的可用性和实用性。的可用性和实用性。

【技术实现步骤摘要】
一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置


[0001]本专利技术涉及空间数据处理、地图综合
，尤其涉及一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置。

技术介绍

[0002]线要素化简是空间数据处理、地图综合中的重要研究内容和经典研究问题之一，已经积累了大量的自动化简算法。但是，这些化简算法往往各有侧重，适用于不同的特定化简任务。例如，有的化简算法针对某种几何形状的线要素，有的适用于某一特定地理环境，有的则面向某一具体制图应用。但在实际应用中，线要素形态多样，存在于各种地理环境交叉的复杂化简，且面向各种需求混合的应用场景，单一化简算法往往不能取得良好效果，成为制约自动化简应用的“最后一公里”的重要问题。研究能够合理协同多种化简算法、实现不同化简算法的优势互补的化简方法成为解决这一问题的关键，当前主要存在以下两种研究思路：一是，从原理上将不同化简算法组合成新的自动化简算法，实现优势互补；二是，区分不同线要素或线要素内的不同弧段，有针性地人为约定化简算法，实现多化简算法的协同应用和优势互补。虽然这两种思路都能协同部分化简算法，但必须建立在对已有化简算法清晰、准确理解基础上，往往只能协同少量化简算法，本质上无法避免线要素分类不完备的主观影响且不符合算法边界模糊的客观实际。
[0003]随着以机器学习为代表的智能方法在拟合主观分类、解决非线性问题、实现自适应优化等应用中效果良好，研究人员尝试利用机器学习方法自适应地选择与线要素相适应的化简算法，实现多种化简算法的自适应协同和优势互补。基于此思路的研究十分匮乏，且至少存在以下三点不足：一是，适用的化简对象单一，局限于对某种线要素不同化简算法的协同化简应用。发表于《International Journalof Geographical Information Science》2022年第2期上一篇名为《A hybrid approachto building simplification with an evaluator from a backpropagation neural network》的论文利用人工神经网络从四种建筑物化简算法中选择恰当化简算法，但仅对建筑物轮廓一种线要素的化简研究，难以应用于类型各异、形态多样的各种线要素。二是，适用的化简算法片面，局限于对某类自动化简算法的协同应用。发表于《Pattern Recognition Letter》2011年第9期上一篇名为《Hybrid line simplificationfor cartographic generalization》的论文利用k
‑
Means聚类算法自适应匹配化简弧段与化简算法以实现对建筑物、道路和水系混合的线要素化简应用，但是该方法只适于协同顶点取舍类的自动化简算法，无法合理协同包含新顶点生成、强调整体相似性保持的自动化简算法。三是，自适应程度相对粗糙，局限于对不同线要素自动匹配不同化简算法自适应研究，忽略了线要素内不同弧段、化简算法不同化简参数等更细粒度的自适应协同。具体而言：不同化简算法化简效果不同，适用于不同化简应用，而同一化简算法采用不同化简参数也可得到不同化简效果，也适用于不同化简应用；不同线要素几何形态、地理特征各部相同，需要匹配与之适应的化简算法及化简参数，而一条
蜿蜒绵长的线要素内不同弧段的几何形态、地理特征也未必相同，各弧段也需要匹配与之相适应的化简算法及化简参数。

技术实现思路

[0004]本专利技术针对已有线要素化简方法局限性强、普适性弱、自适应程度不足等问题，提出一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置，通过设计恰当的化简效果评价机制，使其适用于合理协同各种化简算法；通过大量样本的监督学习，构建从曲线形态特征到化简算法及化简参数选择的匹配器，使其适用于各种线要素的化简应用；设计基于匹配器的线要素渐进剖分方法，对待化简线要素不同弧段自适应选择最优化简算法及化简参数，实现更细粒度的自适应化简应用。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]本专利技术一方面提出一种监督学习支持的多化简算法协同的线要素自适应化简方法，包括：
[0007]步骤1：基于已有多尺度矢量数据自动提取线要素优选化简方案的案例。基于积累的大量综合前后线要素和各种待协同的化简方案(即采用不同化简参数的不同化简算法)，自动提取海量线要素优选化简方案的案例。
[0008]步骤2：监督学习支持的面向线化简方案优选任务的分类器构建与拟合。将线化简方案优选的任务抽象为数学模型，并构建与数学模型相适应的分类器模型；通过对线要素优选化简方案的案例进行有监督学习，使分类器能够拟合从线要素特征到化简方案的映射。
[0009]步骤3：基于分类器的线要素渐进剖分与自适应化简。利用训练、测试后的分类器渐进剖分待化简线要素，并对各剖分结果采用分类器计算的化简算法及化简参数进行化简，完成线要素自适应化简。
[0010]进一步地，所述步骤1包括：
[0011]步骤1.1：从多尺度矢量数据成果中提取出与化简任务比例尺相一致的综合前、后线要素，记为{l1}和{l2}；
[0012]步骤1.2：匹配空间数据集{l1}和{l2}，并提取出1:1的匹配结果，记为{<l
t
,l
t
'>}, 其中且t∈[1,η]，η表示集合{<l
t
,l
t
'>}内<l
t
,l
t
'>的数量；
[0013]步骤1.3：分别利用多种化简方案(含m种化简算法，每种化简算法有u种参数设置方案)化简线要素l
t
，记录各化简结果及时间消耗，其中m为采用的线要素化简算法总个数，每种化简算法的化简参数值有u 种设置方案，共有mu种化简方案，ε
k
表示第k种化简方案对应的化简参数值，表示采用第j种线要素化简算法、第k种化简参数值得出的线要素化简结果；
[0014]步骤1.4：度量和l
t
'的相似性，从中选择相似度最高、执行速度最快的化简结果F
{ε}
(l
t
)，F
{ε}
(l
t
)采用的化简方案即为最优化简方案；
[0015]步骤1.5：重复步骤1.3～1.4遍历{<l
t
,l
t
'>}，得到所有线要素优选化简方案的案例集合{<l
t
,F
{ε}
(l
t
)>|t∈[1,η]}，其中l
t
∈{l1}。
[0016]进一步地，所述步骤2包括：
[0017]步骤2.1：设计、抽象线化简方案优选任务的数学模型。线化简方案优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，包括：步骤1、基于已有多尺度矢量数据自动提取线要素优选化简方案的案例：基于积累的综合前后线要素和各种待协同的化简方案，自动提取海量线要素优选化简方案的案例；步骤2、监督学习支持的面向线要素优选化简方案的分类器构建与拟合：将线要素化简方案优选的任务抽象为数学模型，并构建与数学模型相适应的分类器模型；通过对线要素优选化简方案的案例进行有监督学习，使分类器能够拟合从线要素特征到化简方案的映射；步骤3、基于分类器的线要素渐进剖分与自适应化简：利用训练、测试后的分类器渐进剖分待化简线要素，并对各剖分结果采用分类器对应的线要素化简化简算法及化简参数进行化简，完成线要素自适应化简。2.根据权利要求1所述的一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，所述步骤1包括：步骤1.1、从多尺度矢量数据中提取出与化简任务比例尺相一致的综合前、后线要素集合{l1}、{l2}；步骤1.2、匹配{l1}和{l2}，并提取出1:1的匹配结果，记为{<l
t
,l
t
'>},其中且t∈[1,η]，η表示集合{<l
t
,l
t
'>}内<l
t
,l
t
'>的数量；步骤1.3、分别利用多种化简方案化简线要素l
t
，记录各化简结果及时间消耗；其中m为采用的线要素化简算法总个数，每种化简算法的化简参数值有u种设置方案，共有mu种化简方案，ε
k
表示第k种化简方案对应的化简参数值，表示采用第j种线要素化简算法、第k种化简参数值得出的线要素化简结果；步骤1.4、度量和l
t
'的相似性，从中选择相似度最高、执行速度最快的化简结果F
{ε}
(l
t
)，F
{ε}
(l
t
)采用的化简方案即为最优化简方案；步骤1.5、重复步骤1.3～1.4遍历{<l
t
,l
t
'>}，得到所有线要素优选化简方案的案例集合{<l
t
,F
{ε}
(l
t
)>|t∈[1,η]}，其中l
t
∈{l1}。3.根据权利要求2所述的一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，所述步骤2包括：步骤2.1、设计、抽象线要素化简方案优选任务的数学模型：其中{Ch
e
(l
i
)|e∈[1,r]}表示对线要素l
i
的r种特征项的量化度量，表示化简方案对应的数值编码；步骤2.2、基于机器学习模型构建与数学模型相适应的监督学习分类器：
其中表示概率最大值；步骤2.3、从案例中提取与监督学习分类器相适应的样本集合；步骤2.4、利用样本集合训练、测试监督学习分类器，使其能够用于拟合基于线要素特征的化简方案优选任务，训练、测试后的分类器基于线要素特征计算出概率最大的最优化简方案。4.根据权利要求1所述的一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，所述步骤3包括：步骤3.1、对于任意由p个顶点构成的线要素l＝{v1,v2,v3,
…
,v
p
}，其中p>2，利用训练、测试好的分类器对逐顶点渐进增长的弧段判定最优化简方案，当分类器计算的优选方案概率足够大且不再增大时停止增长并进行剖分，并记录分类器对各剖分弧段计算的优选化简方案编码；以剖分点作为新起点重复弧段渐增和概率计算，得到基于分类器的线要素剖分结果；步骤3.2、根据化简方案编码中的对应关系，将分类器对各剖分弧段计算的优选化简方案编码解码为化简方案，利用化简方案对应的化简算法及化简参数对各剖分弧段进行化简，得到最终化简结果，完成线要素化简。5.根据权利要求2所述的一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，所述步骤1.4包括：步骤1.4.1、遍历利用整体相似性指标量化度量和l
t
'的整体相似程度，若整体相似度最大的化简结果唯一，则整体相似度最大的化简结果即为F
{ε}
(l
t
)，其采用的化简方案即为最优化简方案；否则，将整体相似度未达到最大值的化简结果从中删除，执行下一步；步骤1.4.2、遍历利用极限相似性指标量化度量和l
t
'的极限相似程度，若极限相似度最大的化简结果唯一，则极限相似度最大的化简结果即为F
{ε}
(l
t
)，其采用的化简方案即为最优化简方案；否则，将极限相似度未达到最大值的化简结果从中删除，执行下一步；...

【专利技术属性】
技术研发人员：杜佳威，武芳，钱海忠，翟仁健，邱越，李安平，殷吉崇，
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：