一种低空地基信息融合方法、系统、设备及介质技术方案

本发明专利技术提供一种低空地基信息融合方法、系统、设备及介质，涉及多源数据融合领域，该方法包括：利用低空传感器采集空间数据，并使用地面传感器和GIS数据采集地面数据；将采集到的数据进行预处理；将预处理后的数据进行主成分分析，得到空间主成分特征和地面主成分特征；将空间主成分特征和地面主成分特征进行融合，获得准确的三维地基信息；基于深度神经网络，根据准确的三维地基信息建立地基信息融合模型。通过主成分分析提取空间数据和地点数据中的主要信息，减少数据冗余，提高数据处理效率；提高数据分析的准确性和可信度，同时通过深度神经网络建立地基信息融合模型，实现更高效、更准确的地理信息获取和分析。更准确的地理信息获取和分析。更准确的地理信息获取和分析。

【技术实现步骤摘要】
一种低空地基信息融合方法、系统、设备及介质


[0001]本专利技术涉及多源数据融合领域，具体为一种低空地基信息融合方法、系统、设备及介质。

技术介绍

[0002]低空地基信息融合是指将多个低空地基传感器获得的数据进行综合处理，提取出更全面、更精确的信息的技术。这些传感器可以包括遥感无人机、地面监测站、移动传感器等。通过对这些传感器获得的数据进行处理，可以得到更全面、更准确、更及时的地理信息，如地形地貌、植被覆盖、土壤湿度、气象环境等。低空地基信息融合技术是一种多源数据融合的技术，通过将不同来源的数据进行整合，可以弥补单一数据源的不足，提高数据的可靠性和精度。它在农业、城市规划、环境监测等领域有着广泛的应用。
[0003]现有的多源数据融合采用人工采样分析和自动监测来获取多源数据，再采用模块化来构建模型，通过提前构建的模块化模型，将采集到数据按照最相近的模块化设置，对于复杂的空间数据和地面数据，需要消耗大量资源和时间，同时产生的误差大。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术提供一种低空地基信息融合方法、系统、设备及介质，以解决上述技术问题。
[0005]本专利技术提供的一种低空地基信息融合方法，所述方法包括以下步骤：
[0006]S110：利用低空传感器采集空间数据，并使用地面传感器和GIS数据采集地面数据；
[0007]S120：将采集到的数据进行预处理；
[0008]S130：将预处理后的数据进行主成分分析，得到空间主成分特征和地面主成分特征；
[0009]S140：将空间主成分特征和地面主成分特征进行融合，获得准确的三维地基信息；
[0010]S150：基于深度神经网络，根据准确的三维地基信息建立地基信息融合模型。
[0011]与本专利技术的一实施例中，步骤S130具体包括：
[0012]S210：将预处理后的数据进行标准化处理，使每个特征的均值为0，方差为1；
[0013]S220：将标准化后的数据计算协方差矩阵；
[0014]S230：通过计算协方差矩阵的特征值和特征向量，确定主成分；
[0015]S240：按照主成分的方差贡献率选择保留的主成分；
[0016]S250：将原始数据乘以所选择的主成分对应的特征向量，得到新的数据矩阵，即主成分矩阵。
[0017]与本专利技术的一实施例中，步骤S150具体包括：
[0018]S310：将准确的三维地基信息作为模型的输入，建立深度神经网络；
[0019]S320：通过已有的数据集对深度神经网络进行训练，优化模型参数，使其可以更准
确地对未知数据进行预测和估计；
[0020]S330：使用另外一组已有的数据集对训练好的深度神经网络进行验证和评估，分析模型的准确性和可靠性；
[0021]S340：使用训练好的深度神经网络对未知区域进行预测和估计，得到全面准确的地基信息。
[0022]与本专利技术的一实施例中，所述低空传感器包括遥感无人机传感器、移动测量车传感器和空气质量传感器。
[0023]与本专利技术的一实施例中，所述预处理包括去噪、校正和配准。
[0024]与本专利技术的一实施例中，所述深度神经网络为卷积神经网络或循环神经网络。
[0025]与本专利技术的一实施例中，所述方差贡献率的计算公式为：
[0026][0027]其中，R为方差贡献率，Var(T
i
)表示第i个主成分的方差，k表示保留的主成分数目，n表示所有的主成分数目。
[0028]本专利技术还提供一种低空地基信息融合系统，其特征在于，包括：
[0029]数据采集模块：利用低空传感器采集空间数据，并使用地面传感器和GIS数据采集地面数据；
[0030]数据预处理模块：将采集到的数据进行预处理；
[0031]特征提取模块：将预处理后的数据进行主成分分析，得到空间主成分特征和地面主成分特征；
[0032]数据融合模块：将空间主成分特征和地面主成分特征进行融合，获得准确的三维地基信息；
[0033]模型建立模块：基于深度神经网络，根据准确的三维地基信息建立地基信息融合模型。
[0034]本专利技术还提供一种电子设备，所述电子设备包括：
[0035]一个或多个处理器；
[0036]存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述实施例中任一项所述的一种低空地基信息融合方法。
[0037]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上述实施例中任一项所述的一种低空地基信息融合方法。
[0038]本专利技术的有益效果：本专利技术通过利用低空传感器采集空间数据，并使用地面传感器和GIS数据采集地面数据；将采集到的数据进行预处理；将预处理后的数据进行主成分分析，得到空间主成分特征和地面主成分特征；将空间主成分特征和地面主成分特征进行融合，获得准确的三维地基信息；基于深度神经网络，根据准确的三维地基信息建立地基信息融合模型。通过主成分分析提取空间数据和地点数据中的主要信息，减少数据冗余，提高数据处理效率；提高数据分析的准确性和可信度，同时通过深度神经网络建立地基信息融合
模型，实现更高效、更准确的地理信息获取和分析。
[0039]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0040]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0041]图1为本专利技术的一示例性实施例示出的一种低空地基信息融合方法的流程图；
[0042]图2为本专利技术的一示例性实施例示出的一种低空地基信息融合方法中步骤S130的流程图；
[0043]图3为本专利技术的一示例性实施例示出的一种低空地基信息融合方法中步骤S150的流程图；
[0044]图4为本专利技术的一示例性实施例示出的一种低空地基信息融合系统结构示意图；
[0045]图5为本专利技术的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
[0046]以下将参照附图和优选实施例来说明本专利技术的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低空地基信息融合方法，其特征在于,所述方法包括以下步骤：S110：利用低空传感器采集空间数据，并使用地面传感器和GIS数据采集地面数据；S120：将采集到的数据进行预处理；S130：将预处理后的数据进行主成分分析，得到空间主成分特征和地面主成分特征；S140：将空间主成分特征和地面主成分特征进行融合，获得准确的三维地基信息；S150：基于深度神经网络，根据准确的三维地基信息建立地基信息融合模型。2.根据权利要求1所述的一种低空地基信息融合方法，其特征在于，步骤S130具体包括：S210：将预处理后的数据进行标准化处理，使每个特征的均值为0，方差为1；S220：将标准化后的数据计算协方差矩阵；S230：通过计算协方差矩阵的特征值和特征向量，确定主成分；S240：按照主成分的方差贡献率选择保留的主成分；S250：将原始数据乘以所选择的主成分对应的特征向量，得到新的数据矩阵，即主成分矩阵。3.根据权利要求1所述的一种低空地基信息融合方法，其特征在于，步骤S150具体包括：S310：将准确的三维地基信息作为模型的输入，建立深度神经网络；S320：通过已有的数据集对深度神经网络进行训练，优化模型参数，使其可以更准确地对未知数据进行预测和估计；S330：使用另外一组已有的数据集对训练好的深度神经网络进行验证和评估，分析模型的准确性和可靠性；S340：使用训练好的深度神经网络对未知区域进行预测和估计，得到全面准确的地基信息。4.根据权利要求1所述的一种低空地基信息融合方法，其特征在于，所述低空传感器包...

【专利技术属性】
技术研发人员：韩镇，禹定峰，孙鲁明，王春晓，吴尊闯，李雪梅，邹德龙，种衍霖，金鹏辉，陈炫羽，尹潇，段怡如，
申请(专利权)人：江苏国测星蓝信息技术有限公司，
类型：发明
国别省市：