CN111339841B - 一种地形识别方法、装置及电子设备和存储介质 - Google Patents

一种地形识别方法、装置及电子设备和存储介质 Download PDF

Info

Publication number
CN111339841B
CN111339841B CN202010086604.8A CN202010086604A CN111339841B CN 111339841 B CN111339841 B CN 111339841B CN 202010086604 A CN202010086604 A CN 202010086604A CN 111339841 B CN111339841 B CN 111339841B
Authority
CN
China
Prior art keywords
target
network
feature
identified
terrain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010086604.8A
Other languages
English (en)
Other versions
CN111339841A (zh
Inventor
揭水平
贺喆
符小东
沈纲祥
李泳成
赵玉立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongtian Communication Technology Co ltd
Zhongtian Broadband Technology Co Ltd
Original Assignee
Zhongtian Communication Technology Co ltd
Zhongtian Broadband Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongtian Communication Technology Co ltd, Zhongtian Broadband Technology Co Ltd filed Critical Zhongtian Communication Technology Co ltd
Priority to CN202010086604.8A priority Critical patent/CN111339841B/zh
Publication of CN111339841A publication Critical patent/CN111339841A/zh
Application granted granted Critical
Publication of CN111339841B publication Critical patent/CN111339841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种地形识别方法、装置及一种电子设备和计算机可读存储介质，该方法包括：确定本次待识别网络，并提取本次待识别网络对应的第一DEM模型，并在第一DEM模型中提取所有地形特征项对应的特征值；在预设经纬度范围内抓取目标数量的参考网络，提取每个参考网络对应的第二DEM模型，并在每个第二DEM模型中提取所有地形特征项对应的特征值；基于所有参考网络的每个地形特征项对应的特征值对每个地形特征项进行分类，得到每个地形特征项对应的所有类别；根据本次待识别网络的每个地形特征项对应的特征值确定本次待识别网络的每个地形特征项所属的目标类别。本申请提供的地形识别方法，有效地对微波链路网络进行分类。

Description

一种地形识别方法、装置及电子设备和存储介质
技术领域
本申请涉及地形识别技术领域，更具体地说，涉及一种地形识别方法、装置及一种电子设备和一种计算机可读存储介质。
背景技术
随着5G技术以及通信需求量的快速增长，作为其重要硬件支持的微波链路网络，网络传输效率就愈发的重要起来。针对微波链路网络的规划技术，被认为是可以有效提高网络效率的重要技术手段。而微波链路网络所体现的地形特点，如山地、平原、狭长、视通情况等，是影响规划各个链路权值分配的重要因素。由于各个微波链路网络覆盖面积相差极大，其中分布的网络节点数目相差极大，有狭窄程度评估的需求，且微波链路网络有可能分布出与实际环境不同的地形，所以无法直接通过当地环境进行判断。
目前地质科学界从地表海拔角度(如山地、平原、高原)对各类地形的分类并没有统一的标准，其主要识别算法聚焦于通过某较小区域的图像，输出描述的地形，或根据某片区域的土壤、流域的地质模型进行区域内部的地质角度的地形识别，没有针对面积不一、数据不是区域而是离散地点、可以评估狭长和视通情况的地形识别算法。所以在微波链路网络权值规划中，目前对地形的分类主要通过人工来完成，极大的依赖于专家的个人经验，效率低，很难满足现代社会的需要。而且地形特征往往为模拟量，采用人工进行分类一般为数字化结果，会损失地形信息，无法做到量化描述。
因此，如何提高地形识别的效率和准确度是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种地形识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了地形识别的效率和准确度。
为实现上述目的，本申请提供了一种地形识别方法，包括：
确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别。
其中，所述在预设经纬度范围内抓取目标数量的参考网络，包括：
确定所有待识别网络的数量，并根据所述所有待识别网络的数量确定参考网络的目标数量；
确定所述本次待识别网络中的节点数量，并根据所述节点数量确定每个所述参考网络中的目标节点数量；
在预设经纬度范围内抓取所述目标数量的参考网络，并在每个所述参考网络中抓取所述目标节点数量的节点。
其中，所述地形特征项包括平均海拔、海拔方差、DEM模型的行数和列数中较小值与较大值的比值、第一节点数量和第二节点数量中较大值与所述第一节点数量和所述第二数量的和的比值、视通比率中的任一项或任几项的组合，所述第一节点数量为主对角线的节点数量，所述第二节点数量为副对角线的节点数量。
其中，所述基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别，包括：
基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别。
其中，所述基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别，包括：
确定目标地形特征项，确定所述目标地形特征项对应的聚类中心数量；
基于所述聚类中心数量对所述目标地形特征项对应的所有特征值进行分类，以便得到所述目标地形特征项对应的所有类别和每个所述类别的聚类中心；
重新进入所述确定目标地形特征项的步骤，直到所有所述地形特征项均分类完成。
其中，所述根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别，包括：
根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别和准确度。
其中，所述根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别和准确度，包括：
确定目标地形特征项，并确定所述本次待识别网络的所述目标地形特征项对应的目标特征值；
将所述目标特征值与所述目标地形特征项对应的所有类别的聚类中心进行比较，得到所述本次待识别网络的所述目标地形特征项所属的目标类别；
抓取所述目标地形特征项的特征值与所述目标特征值最接近的预设数量个所述参考网络作为目标参考网络；
计算所述目标参考网络中所述目标地形特征项所属的类别与所述目标类别不一致的参考网络的数量与所述预设数量的乘积作为所述准确度；
重新进入所述确定目标地形特征项的步骤，直到所述本次待识别网络的所有所述地形特征项均分类完成。
为实现上述目的，本申请提供了一种地形识别装置，包括：
提取模块，用于确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
抓取模块，用于在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
分类模块，用于基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
确定模块，用于根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述地形识别方法的步骤。
为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述地形识别方法的步骤。
通过以上方案可知，本申请提供的一种地形识别方法，包括：确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别。
本申请提供的地形识别方法，抓取大量参考网络，通过为各参考网络建立DEM模型提取各参考网络的多个地形特征项，基于各特征值对各个地形特征项进行分类，将待识别网络的各地形特征项归属于某个类别。由此可见，本申请提供的地形识别方法，通过不同地形特征项的角度，有效地对微波链路网络进行分类。本申请还公开了一种地形识别装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为根据一示例性实施例示出的一种地形识别方法的流程图；
图2为本申请提供的一种非狭长网络示意图；
图3为本申请提供的一种非狭长网络示意图；
图4为图1中步骤S103的细化流程图；
图5为图1中步骤S104的细化流程图；
图6为本申请应用实施例提供的海拔方差的类内距离-K值图；
图7为本申请应用实施例提供的平均海拔的类内距离-K值图；
图8为本申请应用实施例提供的行列狭长特征的类内距离-K值图；
图9为本申请应用实施例提供的斜向狭长特征的类内距离-K值图；
图10为本申请应用实施例提供的视通比特征的类内距离-K值图；
图11为根据一示例性实施例示出的一种地形识别装置的结构图；
图12为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开了一种地形识别方法，提高了地形识别的效率和准确度。
参见图1，根据一示例性实施例示出的一种地形识别方法的流程图，如图1所示，包括：
S101：确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
本实施例旨在对待识别网络进行地形识别，在本步骤中，首先为本次待识别网络建立DEM模型(中文全称：数字高程模型，英文全称：Digital Elevation Model)，即本步骤中的第一DEM模型。DEM模型可以将实际地形转化成地面高程数字矩阵。相对于传统的地形图而言，更容易实现地形因子的定量化、自动化分析和处理。
在具体实施中，抓取本次待识别网络中各节点经度、纬度的最大值和最小值，求经度最大值与最小值的差，以0.001°(约111m)为步长，求得矩阵的行数，求纬度最大值与最小值的差，以0.001°(约111m)为步长，求得矩阵的列数。以计算出的行列数，初始化一个全0矩阵，矩阵的行和列分别对应经度和纬度，矩阵第1行第1列位置对应坐标点的经度为经度最小值，纬度为纬度最小值，矩阵第2行第1列位置对应的坐标点的经度为经度最小值，纬度为纬度最小值加0.001°，矩阵第1行第2列位置对应的坐标点的经度为经度最小值加0.001°，纬度为纬度最小值，以此类推。如矩阵对应行列的位置内存在微波网络的节点，则矩阵该位置填入对应节点的海拔值。如矩阵一个元素对应多个网络节点，则填入这几个网络节点海拔的平均值，得到DEM模型。
如上方法建立的DEM模型，可以有效保留网络节点相互的位置关系，方便对网络的地形特征进行提取。根据地形识别需求，对DEM模型中非0数据的进行地形特征项的提取，即提取各地形特征项对应的特征值。具体的，所述地形特征项包括平均海拔、海拔方差、DEM模型的行数和列数中较小值与较大值的比值、第一节点数量和第二节点数量中较大值与所述第一节点数量和所述第二数量的和的比值、视通比率中的任一项或任几项的组合，所述第一节点数量为主对角线的节点数量，所述第二节点数量为副对角线的节点数量。
其中，由于地表海拔往往呈连续分布，即使是山地地形，贴地海拔也通常为各区间海拔为间断性分布。且由于微波网络作为通讯使用的硬件支持，选址肯定为该区域内具有较好通讯基础的地点，所以一个微波网络节点中，仅个别节点出现特大或特小值的情况近乎不可能。所以通过平均海拔来评价一个微波网络中节点的绝对海拔高低，具有代表性。通过网络中各节点海拔的方差，评估网络中各节点海拔的离散度，可以有效反应网络节点所呈现地形的山地特征。海拔方差大，则该网络的山地特征大，海拔方差小，则该网络的山地特征小。
DEM模型矩阵中，行数和列数反应了所描述网络的经度纬度的分布情况。行数比列数小，则反应南北方向比东西方向窄，相反的，列数比行数小，则反应东西方向比南北方向窄。通过行数和列数中的较小值比较大值，我们可以对该网络南北和东西方向的狭窄程度进行评估。非狭长网络示意图如图2所示，狭长网络示意图如图3所示。
在实际工程中，微波网络狭长情况有很多都是体现为相对于横纵经纬度的斜向方向。通过DEM模型中数据量较多的对角线中的数据数量与网络中总数据的数量作比，即第一节点数量和第二节点数量中较大值与第一节点数量和第二数量的和的比值，可以有效评估微波网络斜向方向的狭长情况。在具体实施中，对DEM模型的行取中位数PN，列取中位数PM。对模型中行在区间[1，PN]且列在区间[1，PM]的节点数和行在区间[PN，PNmax]且列在区间[PM，PMmax]的节点数求和，存至变量S1。类似的，对模型中行在区间[1，PN]且列在区间[PM，PMmax]的节点数和行在区间[PN，PNmax]且列在区间[1，PM]的节点数求和，存至变量S2。比较S1和S2的大小，用其中较大值与S1和S2的和做比。
在微波网络实际应用中，视通是记录和评估网络链接情况的重要数据。视通的定义为：节点A与节点B可以直接形成有效通讯链接，则称节点A和节点B可以形成视通。通过网络中实际链接数目与网络节点理论最大链接数目做比，可以有效评估该网络内的通讯情况，进而可以反映该区域地形对微波网络的支持情况。同样的微波网络节点分布，会因为各节点间是否存在可阻碍通讯的建筑或地形等物体而得到的视通比率相差极大。通常在设定微波通讯节点时，一定会选取当地能使通讯效率达到最大的位置，因此微波网络最常见的视通比率为100％。
S102：在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
由于亚欧板块面积巨大，包含喜马拉雅山脉、云贵高原、四川盆地等各类地形，适合作为参考网络的抓取区域。在本实施例中，选取亚欧板块内从北纬22.19°至北纬66.25°、东经74.04°至东经114.18°区域作为本步骤中的预设经纬度范围，在此范围内抓取参考网络。
具体的，所述在预设经纬度范围内抓取目标数量的参考网络，包括：确定所有待识别网络的数量，并根据所述所有待识别网络的数量确定参考网络的目标数量；确定所述本次待识别网络中的节点数量，并根据所述节点数量确定每个所述参考网络中的目标节点数量；在预设经纬度范围内抓取所述目标数量的参考网络，并在每个所述参考网络中抓取所述目标节点数量的节点。
在具体实施中，确定参考网络的数量Nr，统计所有待识别微波网络的个数，如不满80个，则每个待识别微波网络的参考网络对应的待抓取数目Nr为8000除以待识别微波网络个数(向上取整)，如满80个，则每个待识别微波网络的参考网络对应的待抓取数目Nr为100。确定参考网络内节点数目Pr，统计本次选取的待识别微波网络内的节点数目Pn。我们在Pn的0.7倍至1.3倍中随机选取一个整数Pr，将其设置为本次抓取的参考网络内的节点数目。确定参考网络的纬度差Lr和经度差Wr，计算本次选取的待识别微波网络的纬度差值L和经度差值W，即纬度和经度的最大最小值的差。我们分别在L和W的0.7倍至1.3倍中随机选取一个值，分别将其设置为本次抓取的参考网络的纬度差Lr和经度差Wr。抓取具体参考网络，在预设经纬度范围内随机选取一个基准坐标点，纬度为Lp，经度为Wp。确认基准坐标点纬度Lp与纬度差Lr之和，即纬度边界值Lmax小于纬度最大值北纬66.25°。同样的，确认基准坐标点经度Wp与经度差Wr之和，即经度边界值Wmax小于经度最大值东经114.18°。否则重新随机定位基准坐标点，更新Lp和Wp。在纬度区间[Lp,Lmax]中随机选取两个纬度值L1和L2，即可抓取到参考网络的东西方向边界点，坐标分别为(L1，Wp)和(L2，Wmax)。类似的，可以在经度区间[Wp,Wmax]中随机选取两个经度值W1和W2，进而抓取到参考网络的南北方向边界点，坐标分别为(Lp，W1)和(Lmax，W2)。参考网络中的其他(Pr-4)个节点的经纬度坐标则直接在[Lp,Lmax]、[Wp,Wmax]随机抓取和搭配。完成搭配后则可得到包含四个边界点的坐标点集P[·]，而P[·]即为抓取到的一个参考点集，重复上述步骤，直到抓取够Nr个参考网络的坐标点集。视通比率抓取：实际的工程应用中，视通比率100％的情况占比为30％，视通比率在(100％,0％)区间内近似平均分布。因此，对Nr个参考网络随机选取其中30％，设定视通比率为100％，对其他70％随机设定范围在100％～0％(不包含100％和0％)的视通比率。
对于上述提取的所有参考网络，采用与待识别网络相同的方式提取各地形特征项对应的特征值。
S103：基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
在本步骤中，对每个地形特征项，基于所有参考网络的特征值进行分类，得到每个地形特征项对应的所有类别。具体的，可以采用K-means算法进行分类，即本步骤包括：基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别。
K-means算法是目前常用的非监督算法之一，它计算快捷，对团簇类数据聚类效果良好。地形从宏观角度也是呈类似于团簇类数据分布，如极端山地少，而典型意义上的山地多，极端狭长的地形少，而典型意义上的狭长地形多。因此可以通过K-means算法对地形进行初步分类。由于待识别微波网络的地形并不一定具有随机性，有可能完全为一种地形的可能性，导致不具有聚类条件。K-means算法属于硬聚类硬聚类，即样本最终的分类结果只能是完全属于某类，或完全不属于某类。如某微波网络样本的地形描述只能是“山地”，或只能是“平原”。
S104：根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别。
实际地形中，地形特征往往是连续的模拟量，即较平缓的山地和坡度较大起伏较大的平原实际是有很强相似度的，K-means算法对此是无法反应的。因此我们需要通过对参考微波网络进行聚类后，通过定位附近的样本信息来对该微波网络的地形进行分类，并进一步对特征量大小进行评估。在本步骤中，可以根据本次待识别网络的每个地形特征项对应的特征值，利用KNN算法确定本次待识别网络的每个地形特征项所属的目标类别和准确度。
KNN(k-NearestNeighbor)算法即最近邻算法，是目前常见的监督分类和回归算法之一，比较适用于样本容量比较大的类域的自动分类，理论成熟，在大数据支持下准确率高。其核心思路是通过待定位点附近K个训练样本，来对该点进行识别。在具体实施中，对各参考网络某一地形特征项的特征值进行由大至小排序，通过特征大小排布，利用KNN算法可以将本次待识别网络的该地形特征项对应的特征值映射至某一个类别中。
本申请实施例提供的地形识别方法，抓取大量参考网络，通过为各参考网络建立DEM模型提取各参考网络的多个地形特征项，基于各特征值对各个地形特征项进行分类，将待识别网络的各地形特征项归属于某个类别。由此可见，本申请实施例提供的地形识别方法，通过不同地形特征项的角度，有效地对微波链路网络进行分类。
下面对每个地形特征项的分类过程进行详细介绍，即如图4所示，上一实施例中的步骤S103可以包括：
S31：确定目标地形特征项，确定所述目标地形特征项对应的聚类中心数量；
S32：基于所述聚类中心数量对所述目标地形特征项对应的所有特征值进行分类，以便得到所述目标地形特征项对应的所有类别和每个所述类别的聚类中心；
S33：判断是否存在未分类的地形特征项；若是，则重新进入S31；若否，则判定所有所述地形特征项均分类完成。
在本实施例中，为了方便计算，可以首先对各特征值进行归一化处理，即利用每个地形特征项对应的特征值除以该地形特征项对应的特征值最大值。将第一个地形特征项作为目标地形特征项，令K＝2，进行第一次聚类，在目标地形特征项对应的特征值中选取K个数据作为初始聚类中心点，计算每个特征值与各个聚类中心点的距离，将每个特征值分配给距其最近的聚类中心，根据分配结果重新计算各个类别的聚类中心点，重复上述步骤直到各个聚类中心点不再改变。计算此时每个类别内所有特征值距离所属聚类中心的距离，并求其平均值，存至RiK。i为此次聚类为第i个地形特征项，K为此次聚类中心点个数，令K＝3、4、5……，重复上述步骤，观察RiK变化趋势，当RiK变化趋于平稳时停止增长K值。在RiK随K值变化曲线中，曲线拐点(Elbow)处则为第i个地形特征项合理选用的K值，K值通常不唯一。将合理K值所分类的结果存至标签数组Ti[·]，选取下一个地形特征项重复上述步骤，直到将所有地形特征项均分类完毕。标签数组Ti[·]即为K-means算法针对本次选取的参考网络集的分类结果。
下面对确定本次待识别网络的每个地形特征项所属的目标类别的过程进行详细介绍，即如图5所示，第一个实施例中的步骤S104可以包括：
S41：确定目标地形特征项，并确定所述本次待识别网络的所述目标地形特征项对应的目标特征值；
S42：将所述目标特征值与所述目标地形特征项对应的所有类别的聚类中心进行比较，得到所述本次待识别网络的所述目标地形特征项所属的目标类别；
S43：抓取所述目标地形特征项的特征值与所述目标特征值最接近的预设数量个所述参考网络作为目标参考网络；
S44：计算所述目标参考网络中所述目标地形特征项所属的类别与所述目标类别不一致的参考网络的数量与所述预设数量的乘积作为所述准确度；
S45：判断所述本次待识别网络中是否存在未分类完成的地形特征项；若是，则重新进入S41；若否，则结束流程。
在本实施例中，将第一个地形特征项作为目标地形特征项，将待识别网络的目标地形特征项对应的目标特征值与上一实施例分类得到的目标地形特征项的各个类别的聚类中心点进行比较，距离最近的聚类中心的类别即为目标地形特征项的类别Cn，且该特征值大于此聚类中心，则令正负权值为正，否则令正负权值为负。统计参考微波网络在此类别下的个数NC，NC小于3000个时，令K为参考网络中该类个数的1/3，NC大于3000个时，令K为1000。抓取该目标特征值最近邻的K个参考网络，统计这K个参考网络的类别，将与类别Cn不同的微波网络个数与所选K值相比，乘以正负权值的结果，即为所选待分类数据在类别Cn下的类别特征比例。按照上述步骤选取下一个目标地形特征项进行识别，直到所有地形特征项均识别完成。
对于实际工程中可能会新增个别微波网络数据，在已完成大量数据识别后，计算新增微波网络面积大小，是否存在类似大小的(0.7～1.3倍以内)已计算的网络。若存在，则用参考网络直接进行KNN算法识别，若不存在，则抓取100例参考网络，与上一次抓取的参考网络共同进行K-means分类后，进行KNN算法识别。
下面介绍本申请提供的一种应用实施例，具体的，待识别网络为21组，共80个，抓取了8000组参考网络，进行了K-means分类。五项地形特征项的类内距离拐点图6至图10所示，对于各个地形特征项选取对应K值以及确定了各项类别如表1所示：
表1
聚类项目 类别一 类别二 类别三 类别四 类别五
海拔方差 平原 较为山地 山地 高山地 无
平均海拔 低海拔 偏低海拔 中海拔 偏高海拔 高海拔
横向狭长 非横向狭长 较横向狭长 横向狭长 无 无
斜向狭长 非斜向狭长 偏非斜向狭长 偏斜向狭长 斜向狭长 无
视通比 差 较差 良好 优 无
在本实施例中，待识别网络的节点数最少为5节点，网络面积约3700米×3800米，识别的结果如表2所示：
表2
特征项目 特征分类 特征量
方差类属 平原 100％
平均海拔类属 中海拔 129.63％
行列狭长类属 非横向狭长 100％
斜向狭长类属 斜向狭长 100％
视通比类属 良好 100％
由此可知，该待识别网络为平原，且海拔高度适中，偏向高海拔一些，整体网络有斜向狭长的现象，视通比良好。
在本实施例中，待识别网络的节点最多为537节点，识别的结果如表3所示：
表3
特征项目 特征分类 特征量
方差类属 平原 100％
平均海拔类属 中海拔 100％
行列狭长类属 非横向狭长 100％
斜向狭长类属 偏斜向狭长 135.32％
视通比类属 良好 87.02％
由此可知，该待识别网络为平原，且海拔高度适中，整体网络有偏斜向狭长的现象，视通比良好。
下面对本申请实施例提供的一种地形识别装置进行介绍，下文描述的一种地形识别装置与上文描述的一种地形识别方法可以相互参照。
参见图11，根据一示例性实施例示出的一种地形识别装置的结构图，如图11所示，包括：
提取模块100，用于确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
抓取模块200，用于在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
分类模块300，用于基于所有所述参考网络的每个所述地形特征项对应的特征值对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
确定模块400，用于根据所述本次待识别网络的每个所述地形特征项对应的特征值确定所述本次待识别网络的每个所述地形特征项所属的目标类别。
本申请实施例提供的地形识别装置，抓取大量参考网络，通过为各参考网络建立DEM模型提取各参考网络的多个地形特征项，基于各特征值对各个地形特征项进行分类，将待识别网络的各地形特征项归属于某个类别。由此可见，本申请实施例提供的地形识别装置，通过不同地形特征项的角度，有效地对微波链路网络进行分类。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在上述实施例的基础上，作为一种优选实施方式，所述抓取模块200包括：
第一确定单元，用于确定所有待识别网络的数量，并根据所述所有待识别网络的数量确定参考网络的目标数量；
第二确定单元，用于确定所述本次待识别网络中的节点数量，并根据所述节点数量确定每个所述参考网络中的目标节点数量；
第一抓取单元，用于在预设经纬度范围内抓取所述目标数量的参考网络，并在每个所述参考网络中抓取所述目标节点数量的节点；
提取单元，用于提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值。
在上述实施例的基础上，作为一种优选实施方式，所述地形特征项包括平均海拔、海拔方差、DEM模型的行数和列数中较小值与较大值的比值、第一节点数量和第二节点数量中较大值与所述第一节点数量和所述第二数量的和的比值、视通比率中的任一项或任几项的组合，所述第一节点数量为主对角线的节点数量，所述第二节点数量为副对角线的节点数量。
在上述实施例的基础上，作为一种优选实施方式，所述分类模块300具体为基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别的模块。
在上述实施例的基础上，作为一种优选实施方式，所述分类模块300包括：
第三确定单元，用于确定目标地形特征项，确定所述目标地形特征项对应的聚类中心数量；
分类单元，用于基于所述聚类中心数量对所述目标地形特征项对应的所有特征值进行分类，以便得到所述目标地形特征项对应的所有类别和每个所述类别的聚类中心；重新启动所述第三确定单元的工作流程，直到所有所述地形特征项均分类完成。
在上述实施例的基础上，作为一种优选实施方式，所述确定模块400具体为根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别和准确度的模块。
在上述实施例的基础上，作为一种优选实施方式，所述确定模块400确定目标地形特征项，并确定所述本次待识别网络的所述目标地形特征项对应的目标特征值；
第四确定单元，用于将所述目标特征值与所述目标地形特征项对应的所有类别的聚类中心进行比较，得到所述本次待识别网络的所述目标地形特征项所属的目标类别；
第二抓取单元，用于抓取所述目标地形特征项的特征值与所述目标特征值最接近的预设数量个所述参考网络作为目标参考网络；
计算单元，用于计算所述目标参考网络中所述目标地形特征项所属的类别与所述目标类别不一致的参考网络的数量与所述预设数量的乘积作为所述准确度；重新启动所述第四确定单元的工作流程，直到所述本次待识别网络的所有所述地形特征项均分类完成。
本申请还提供了一种电子设备，参见图12，本申请实施例提供的一种电子设备的结构图，如图12所示，可以包括处理器11和存储器12。该电子设备还可以包括多媒体组件13，输入/输出(I/O)接口14，以及通信组件15中的一者或多者。
其中，处理器11用于控制该电子设备的整体操作，以完成上述的地形识别方法中的全部或部分步骤。存储器12用于存储各种类型的数据以支持在该电子设备的操作，这些数据例如可以包括用于在该电子设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件13可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器12或通过通信组件15发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口14为处理器11和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件15用于该电子设备与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件15可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的地形识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述地形识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器12，上述程序指令可由电子设备的处理器11执行以完成上述的地形识别方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (7)

1.一种地形识别方法，其特征在于，包括：
确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别；
其中，所述在预设经纬度范围内抓取目标数量的参考网络，包括：
确定所有待识别网络的数量，并根据所述所有待识别网络的数量确定参考网络的目标数量；
确定所述本次待识别网络中的节点数量，并根据所述节点数量确定每个所述参考网络中的目标节点数量；
在预设经纬度范围内抓取所述目标数量的参考网络，并在每个所述参考网络中抓取所述目标节点数量的节点。
2.根据权利要求1所述地形识别方法，其特征在于，所述地形特征项包括平均海拔、海拔方差、DEM模型的行数和列数中较小值与较大值的比值、第一节点数量和第二节点数量中较大值与所述第一节点数量和所述第二节点数量的和的比值、视通比率中的任一项或任几项的组合，所述第一节点数量为主对角线的节点数量，所述第二节点数量为副对角线的节点数量。
3.根据权利要求1所述地形识别方法，其特征在于，所述基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别，包括：
确定目标地形特征项，确定所述目标地形特征项对应的聚类中心数量；
基于所述聚类中心数量对所述目标地形特征项对应的所有特征值进行分类，以便得到所述目标地形特征项对应的所有类别和每个所述类别的聚类中心；
重新进入所述确定目标地形特征项的步骤，直到所有所述地形特征项均分类完成。
4.根据权利要求1所述地形识别方法，其特征在于，所述根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别和准确度，包括：
确定目标地形特征项，并确定所述本次待识别网络的所述目标地形特征项对应的目标特征值；
将所述目标特征值与所述目标地形特征项对应的所有类别的聚类中心进行比较，得到所述本次待识别网络的所述目标地形特征项所属的目标类别；
抓取所述目标地形特征项的特征值与所述目标特征值最接近的预设数量个所述参考网络作为目标参考网络；
计算所述目标参考网络中所述目标地形特征项所属的类别与所述目标类别不一致的参考网络的数量与所述预设数量的乘积作为所述准确度；
重新进入所述确定目标地形特征项的步骤，直到所述本次待识别网络的所有所述地形特征项均分类完成。
5.一种地形识别装置，其特征在于，用以实现如权利要求1至4中任一项所述地形识别方法，所述装置包括：
提取模块，用于确定本次待识别网络，并提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值；
抓取模块，用于在预设经纬度范围内抓取目标数量的参考网络，提取每个所述参考网络对应的第二DEM模型，并在每个所述第二DEM模型中提取所有所述地形特征项对应的特征值；
分类模块，用于基于所有所述参考网络的每个所述地形特征项对应的特征值，利用K-means算法对每个所述地形特征项进行分类，得到每个所述地形特征项对应的所有类别；
确定模块，用于根据所述本次待识别网络的每个所述地形特征项对应的特征值，利用KNN算法确定所述本次待识别网络的每个所述地形特征项所属的目标类别；
其中，所述抓取模块包括：
第一确定单元，用于确定所有待识别网络的数量，并根据所述所有待识别网络的数量确定参考网络的目标数量；
第二确定单元，用于确定所述本次待识别网络中的节点数量，并根据所述节点数量确定每个所述参考网络中的目标节点数量；
第一抓取单元，用于在预设经纬度范围内抓取所述目标数量的参考网络，并在每个所述参考网络中抓取所述目标节点数量的节点；
提取单元，用于提取所述本次待识别网络对应的第一DEM模型，并在所述第一DEM模型中提取所有地形特征项对应的特征值。
6.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述地形识别方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述地形识别方法的步骤。
CN202010086604.8A 2020-02-11 2020-02-11 一种地形识别方法、装置及电子设备和存储介质 Active CN111339841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086604.8A CN111339841B (zh) 2020-02-11 2020-02-11 一种地形识别方法、装置及电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086604.8A CN111339841B (zh) 2020-02-11 2020-02-11 一种地形识别方法、装置及电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111339841A CN111339841A (zh) 2020-06-26
CN111339841B true CN111339841B (zh) 2023-08-18

Family

ID=71185266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086604.8A Active CN111339841B (zh) 2020-02-11 2020-02-11 一种地形识别方法、装置及电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111339841B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1526108A (zh) * 2001-02-14 2004-09-01 无线谷通讯有限公司 对地形、建筑、和基础设施进行建模和管理的方法和系统
CN109840452A (zh) * 2017-11-28 2019-06-04 中国移动通信集团浙江有限公司 一种栅格覆盖场景自动识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1526108A (zh) * 2001-02-14 2004-09-01 无线谷通讯有限公司 对地形、建筑、和基础设施进行建模和管理的方法和系统
CN109840452A (zh) * 2017-11-28 2019-06-04 中国移动通信集团浙江有限公司 一种栅格覆盖场景自动识别方法及装置

Also Published As

Publication number Publication date
CN111339841A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN107045506A (zh) 评估指标获取方法及装置
CN105183796A (zh) 一种基于聚类的分布式链路预测方法
CN106326923B (zh) 一种顾及位置重复和密度峰值点的签到位置数据聚类方法
CN108920786B (zh) 一种基于切比雪夫多项式拟合的区间不确定性分析方法
CN103888541A (zh) 一种融合拓扑势和谱聚类的社区发现方法及系统
CN104765839A (zh) 一种基于属性间相关系数的数据分类方法
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN100349135C (zh) 一种测试向量的产生方法
CN108446712B (zh) Odn网智能规划方法、装置及系统
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN103345552A (zh) 电力ict通信网可靠性的评估方法及系统
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
CN107451617A (zh) 一种图转导半监督分类方法
Fouedjio Clustering of multivariate geostatistical data
Kvamme Analysing regional environmental relationships
CN106844642A (zh) 一种基于gis计算路网网格中人口密度的方法
CN111339841B (zh) 一种地形识别方法、装置及电子设备和存储介质
CN107122793A (zh) 一种改进的全局最优化k‑modes聚类方法
CN110472736B (zh) 一种裁剪神经网络模型的方法和电子设备
CN112767544A (zh) 面向区域滑坡危险性评价的空间案例推理方法
CN104657473B (zh) 一种保证质量单调性的大规模数据挖掘方法
Cheong et al. Review of clustering algorithms for microgrid formation
CN112990605B (zh) 一种全流程线上规划编制的方法和装置
Delafontaine et al. Assessment of sliver polygons in geographical vector data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant