一种基于机器学习的地形适配性分析方法技术

本发明专利技术公开了一种基于机器学习的地形适配性分析方法，通过计算历史地形图的若干个地形特征参数并进行主成分分析得到典型地形特征参数、对地形匹配仿真计算，得到适配性准则文件；对待分析地形基准图进行典型地形特征参数计算，基于适配性准则文件，得到适配性评价结果，形成适配性成果文件。通过本方法的应用，避免根据人工经验设定阈值带来的主观不确定性，实现待分析地形基准图中的适配区和非适配区的智能划分。区的智能划分。

【技术实现步骤摘要】
一种基于机器学习的地形适配性分析方法


[0001]本专利技术涉及一种基于机器学习的地形适配性分析方法，属于导航应用


技术介绍

[0002]同济大学陈映鹰提出基于支持向量机的景象匹配区选择方法,选择了图像的多种测度参数,并在SVM学习分类中体现了参考图像的多种测度参数与匹配区正确选择之间的联系。以光学图像数据进行仿真验证得出此方法简单有效,能够对复杂场景的匹配区选择进行正确决策指导,为实时景象匹配自主导航系统的景象匹配区选择提供理论依据和应用基础。该方法研究的对象是景象匹配而不是地形匹配，因此不能直接应用于解决地形适配性分析问题。
[0003]海军工程大学饶喆提出单一地形特征参量对地形匹配导航区域可导航性的评价存在局限性，导致评价结果不能真实反映匹配区域可导航性的强弱。根据特征信息融合思想及关联度分析方法，通过引入向量关联度，选取地形特征信息统计参量中地形高程标准差、地形粗糙度、地形相关系数和地形信息熵进行融合，并构成地形特征参量集，利用灰色模糊综合决策理论对该特征参量集进行分析，进而提出一种灰色模糊综合决策的多指标评价方法。该方法中需要根据专家经验设置每个指标相对于其他指标的重要性程度，存在人为不确定性。

技术实现思路

[0004]本专利技术解决的技术问题是：克服现有技术的不足，本专利技术提出了一种基于机器学习的地形适配性分析方法，通过地形特征参数分析、地形匹配计算，建立适配性准则文件，实现对待分析地形基准图的地形适配性智能评价。
[0005]本专利技术的通过以下技术方案予以实现：
[0006]一种基于机器学习的地形适配性分析方法包括：
[0007](1)将待训练地形基准图遍历分割为若干个不重叠的窗口；
[0008](2)对每个窗口建立地形特征参数样本集，集合所有窗口的地形特征参数样本集，进行参数主成分分析，提取若干个典型特征参数作为地形适配性综合评价的训练参数向量；
[0009](3)对每个窗口进行地形匹配仿真计算，得到匹配性能评价值；统计各窗口的匹配性能评价值和训练参数向量，形成训练集；
[0010](4)基于训练集采用基于机器学习的适配性准则构建方法，得到适配性准则文件；
[0011](5)将待分析地形基准图遍历分割为若干个不重叠的窗口后，获取每个窗口的训练参数向量，并根据适配性评价准则文件，得到每个窗的适配性评价结果；
[0012](6)统计每个窗口的左上角点行、列和适配性评价结果形成适配性成果文件。
[0013]优选的，步骤(2)包括：
[0014]对地形特征参数样本集X0进行去中心化处理，得到处理后的样本集X，计算样本集
X的相关矩阵C；
[0015]对相关矩阵C进行特征参数值分解：C＝A
×
S
×
A'；特征向量矩阵A是正交矩阵，特征值S是对角矩阵，S(1,1)＞S(2,2)＞...＞S(m,m)，m为样本集中特征参数个数；
[0016]取S的对角线元素构成向量s；
[0017]计算在满足贡献率大于预定值的要求下k的值；所述贡献率为向量s的前k个取值之和与s的总和之比；
[0018]提取特征向量矩阵A的第一列绝对值中前k个最大值对应的特征参数为典型特征参数，构成作为地形适配性综合评价的训练参数向量。
[0019]优选的，步骤(3)中，对每个窗口进行地形匹配仿真计算，得到匹配仿真结果，包括：
[0020]对当前窗口区域外扩后，围绕中心点顺时针旋转若干次，分别获取每次旋转后的中心区域；其中，中心区域的大小与分析窗口的大小相同；
[0021]针对得到的每个中心区域，随机获得该区域的若干个行方向向量real0，将每个向量real0加上与该向量标准差相同、均值为0的高斯噪声，得到仿真实时序列real；
[0022]将每一个real与中心区域进行逐像素平均平方差地形匹配，得到对应的相关面矩阵，将相关面矩阵元素最小值的位置与真实位置进行比较，若位置偏差的平方根小于设定阈值，则认为是匹配正确；
[0023]计算每次旋转的匹配正确频率，若大于0.5，则匹配合格标记为1，否则为0；将所有旋转的匹配正确频率、匹配合格标记分别累加后相乘，得到该区域的匹配性能评价值。
[0024]优选的，对当前分析窗口区域外扩2～3倍。
[0025]优选的，对当前分析窗口区域外扩后，围绕中心点顺时针旋转3至6次，旋转角度范围在0度至360度之间。
[0026]优选的，步骤(4)中，基于训练集采用基于机器学习的适配性准则构建方法，即采用OpenCV中的支持向量机库得到依据地形参数判断适配性的最优分类界面，存储为适配性准则文件。
[0027]优选的，步骤(5)中，对每个窗口的训练参数向量进行归一化处理，包括：
[0028][0029]式中，F
i
为训练参数向量，和为训练参数向量F
i
最大值和最小值。
[0030]优选的，步骤(5)中，根据得到的每个窗口的训练参数向量、适配性评价准则文件，采用SVM的预测函数接口，得到每个窗口的适配性评价结果。
[0031]优选的，步骤(1)中，将待训练地形基准图按照从左到右从上到下的逐窗口不重叠遍历方式得到若干待评价窗口。
[0032]优选的，步骤(2)中，以表征地形宏观起伏性、微观破碎性和自相似性的地形特征参数建立地形特征参数样本集，地形特征参数包括高差、标准差、偏态系数、峰态系数、坡度标准差、相关系数、相关长度、地形熵、粗糙度、丰度和分形维数。
[0033]本专利技术与现有技术相比具有如下有益效果：
[0034]本专利技术以主成分分析方法得到以表征地形宏观起伏性的标准差、微观破碎性的粗
糙度和自相似性的自相关系数为典型地形特征参数，改变了现有技术中基于特征信息融合的地形适配性选取方法，去除了主观不确定性。
[0035]本专利技术通过采用平均平方差地形匹配方法，综合考虑不同旋转方向对地形匹配结果的影响，得出每个窗口训练参数向量对应的匹配性能评价值，构建匹配性能评价值与训练参数向量间的映射关系，避免根据人工经验设定阈值带来的主观不确定性，实现待分析地形基准图中的适配区和非适配区的智能划分。
附图说明
[0036]图1为本专利技术实施例适配性准则训练流程图；
[0037]图2为本专利技术实施例适配性分析评价流程图。
具体实施方式
[0038]为了便于对本专利技术实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且实施例不构成对本专利技术实施例的限定。
[0039]地形匹配区即不能选择平原或者海洋等地形起伏较小的区域，也不能选择高差过大的高山地区域，本专利技术针对存在一定地形起伏的区域进行地形特征参数分析和地形匹配仿真，从大量地形特征参数中得到对主成分贡献大的典型地形特征参数，通过SVM学习建立最优分类界面，实现地形适配性分析。
[0040]首先，通过将历史地形基准图作为训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的地形适配性分析方法，其特征在于，包括：将待训练地形基准图遍历分割为若干个不重叠的窗口；对每个窗口建立地形特征参数样本集，集合所有窗口的地形特征参数样本集，进行参数主成分分析，提取若干个典型特征参数作为地形适配性综合评价的训练参数向量；对每个窗口进行地形匹配仿真计算，得到匹配性能评价值；统计各窗口的匹配性能评价值和训练参数向量，形成训练集；基于训练集采用基于机器学习的适配性准则构建方法，得到适配性准则文件；将待分析地形基准图遍历分割为若干个不重叠的窗口后，获取每个窗口的训练参数向量，并根据适配性评价准则文件，得到每个窗的适配性评价结果；统计每个窗口的左上角点行、列和适配性评价结果形成适配性成果文件。2.根据权利要求1所述的一种基于机器学习的地形适配性分析方法，其特征在于，所述对每个窗口建立地形特征参数样本集，集合所有窗口的地形特征参数样本集，进行参数主成分分析，提取若干个典型特征参数作为地形适配性综合评价的训练参数向量，包括：对地形特征参数样本集X0进行去中心化处理，得到处理后的样本集X，计算样本集X的相关矩阵C；对相关矩阵C进行特征参数值分解：C＝A
×
S
×
A'；特征向量矩阵A是正交矩阵，特征值S是对角矩阵，S(1,1)＞S(2,2)＞...＞S(m,m)，m为样本集中特征参数个数；取S的对角线元素构成向量s；计算在满足贡献率大于预定值的要求下k的值；所述贡献率为向量s的前k个取值之和与s的总和之比；提取特征向量矩阵A的第一列绝对值中前k个最大值对应的特征参数为典型特征参数，构成作为地形适配性综合评价的训练参数向量。3.根据权利要求1所述的一种基于机器学习的地形适配性分析方法，其特征在于，所述对每个窗口进行地形匹配仿真计算，得到匹配仿真结果，包括：对当前窗口区域外扩后，围绕中心点顺时针旋转若干次，分别获取每次旋转后的中心区域；其中，中心区域的大小与分析窗口的大小相同；针对得到的每个中心区域，随机获得该区域的若干个行方向向量real...

【专利技术属性】
技术研发人员：章启恒，徐力，云红全，鞠雯，田振坡，刘跃成，张苗苗，何靓文，刘也墨，闫宏，
申请(专利权)人：北京航天自动控制研究所，
类型：发明
国别省市：