CN113033484B - 一种面向无人机应急网络部署的城市分类方法 - Google Patents

一种面向无人机应急网络部署的城市分类方法 Download PDF

Info

Publication number
CN113033484B
CN113033484B CN202110427925.4A CN202110427925A CN113033484B CN 113033484 B CN113033484 B CN 113033484B CN 202110427925 A CN202110427925 A CN 202110427925A CN 113033484 B CN113033484 B CN 113033484B
Authority
CN
China
Prior art keywords
city
classification
row
model
iteration
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
CN202110427925.4A
Other languages
English (en)
Other versions
CN113033484A (zh
Inventor
梁雅静
王巍
洪惠君
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202110427925.4A priority Critical patent/CN113033484B/zh
Publication of CN113033484A publication Critical patent/CN113033484A/zh
Application granted granted Critical
Publication of CN113033484B publication Critical patent/CN113033484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向无人机应急网络部署的城市分类方法，属于应急部署技术领域。其包括以下步骤：建立城市分类标准；建立城市数据集，并将城市数据集分为训练集和测试集；建立分类模型，对分类模型进行训练，得到训练好的分类模型；采用训练好的分类模型对城市进行分类，得到分类结果。本发明采用基于麻雀搜索算法的支持向量机作为分类模型。该模型对常规的支持向量机进行了优化。训练好的S‑SVM分类模型在查全率、查准率和F综合指标值上都取得了好的效果，且该模型的分类准确率高、耗时短、可靠性强。本发明能够对城市进行有效分类，为后续的无人机应急网络部署方案提供重要依据。

Description

一种面向无人机应急网络部署的城市分类方法
技术领域
本发明涉及应急部署技术领域，特别是指一种面向无人机应急网络部署的城市分类方法。
背景技术
近年来，世界城市化进程明显加快。城市不仅容纳了大部分的人口，还具备很强的政治、经济、文化实力。预计到2050年约93亿世界总人口中的63亿将居住在城市，越来越多的严峻问题将聚集在城市中。例如，自然灾害发生后城市地区将是极为严重的，随着无人机关键技术的发展，无人机集群组成的无人机网络越来越多的应用于城市灾区以提供应急通信。然而城市众多，且各城市的面积、建筑分布地理环境各异，不同的城市对于应急网络的需求不同。适宜的城市分类标准以及有效的城市分类方法有益于具有针对性的对不同的城市进行评估，并能够因地制宜的制定合理的问题解决方案。
迄今为止，以城市为对象的分类研究非常广泛，分类的标准和方法也因人而异。目前，城市的分类标准主要从地域和空间形态、规模、职能等几个方面出发，大多用于城市规划、环境管理等研究。现有技术中有以下几种方式：
1、基于图像处理，组合使用光谱、纹理和形状等分类标准对城市中的建筑进行了分类。
2、研究综合考虑结构类型和使用功能两种因素，对建筑进行分类，形成了一种基于结构类型-使用功能的建筑分类模型，该分类模型适用于中国地震风险损失评估和地震保险系统。
3、以蕴含丰富语义信息的兴趣点作为主要信息来源，对城市中数量庞大的建筑物按功能分类，为人口估计、土地管理、城市规划等提供重要依据。
4、针对城市建筑容积率的分类，采用一种多特征分量相结合的超高分辨率卫星影像建筑容积率贝叶斯分类提取方法，通过的对结果验证，阴影面积法有着较高的精度。
但是，上述方法中的分类标准均不适用于为应急网络部署方法的选择提供依据。
此外，城市分类方法目前已经逐渐从考虑单因素到多因素发展，计算的方法也从描述式发展为借助计算辅助工具来实现。近年来，一些学者引进了人工智能算法对城市分类进行研究，相关方法有以下几种：
1、采用基于人工神经网络的自组织特征映射网络对城市进行了分类。该方法中不需输入目标值，也没有特定的分类标准，而是将每个城市各个行业的发展情况作为评价指标，通过算法进行分类后，通过观察分类结果，找出每一类城市中所拥有的共性。
2、利用卷积神经网络构建AlexNet网络、VGG-19网络和ResNet网络对城市进行分类研究。实验证明三种网络均取得了较好的分类效果。但该方法主要用于对于遥感图像的识别，且仅针对城市密集建筑进行分类。
3、基于遥感图像，利用全空洞卷积神经网络对城市土地覆盖进行分类。该方法的目的是为土地覆盖变化检测及地图更新。
可见，以上方法均不适用于需建立特定分类标准的城市分类研究中。
总之，建立一个可适用于城市灾区应急网络部署方法选择的标准尤为重要，但是，目前还没有针对为选择何种城市应急网络部署方法而提供依据的方法和标准。
发明内容
有鉴于此，本发明提出一种面向无人机应急网络部署的城市分类方法，其能够对城市将进行分类，从而便于为不同的城市制定不同的无人机应急网络部署方案。
基于上述目的，本发明提供的技术方案是：
一种面向无人机应急网络部署的城市分类方法，包括以下步骤：
步骤1，建立城市分类标准；具体方式为：
步骤101，确定城市灾区中影响无人机应急网络部署的影响因素；
步骤102，根据影响因素确定城市分类的指标依据；
步骤103，建立城市环境布局，并对步骤102中的指标依据进行表示；
步骤104，根据城市分类的指标依据建立城市分类标准；
步骤2，根据步骤1得到的城市分类标准，建立城市数据集，并将城市数据集分为训练集和测试集；
步骤3，建立分类模型，采用步骤2中的训练集对分类模型进行训练，并用测试集进行测试，得到训练好的分类模型；
步骤4，采用训练好的分类模型对城市进行分类，得到分类结果。
进一步的，所述影响因素包括建筑物的密度以及建筑物的高度；所述指标依据包括建筑密度和容积率，其中，建筑密度为城市内所有建筑物的基底面积总和与该城市所占用地总面积之比，用于表征该城市中建筑物的密度，容积率为城市中地上总的建筑面积与城市总面积之比，用于表征该城市中建筑物的高度。
进一步的，所述城市分类标准为：建筑密度在0.2-0.4之间的为标准城市，建筑密度在0.4-0.5之间的为密集城市，容积率在1.5-3.5之间的为低层建筑城市，容积率在3.5-6.0之间的为高层建筑城市；从而将城市分为四类：低层标准城市、高层标准城市、低层密集城市和高层密集城市。
进一步的，所述城市数据集为随机生成，城市数据不少于200组，每组城市数据中，建筑密度为0.2-0.5，容积率为1.5-6.0。
进一步的，所述步骤3的具体方式为：
步骤301，确定影响分类模型分类准确率的模型参数，所述分类模型为基于麻雀搜索算法的支持向量机；
步骤302，初始化模型参数，设置最大迭代次数，并定义用于计算分类准确率的效用函数；
步骤303，采用位置更新方程更新模型参数，得到能够带来最优分类准确率的模型参数；
步骤304，重复步骤303，直到分类准确率不再变化或者达到设定的最大迭代次数，得到训练好的分类模型。
进一步的，所述步骤301中，模型参数为惩戒系数C和核函数参数gamma，所述核函数为RBF函数，gamma用于表征RBF函数的宽度。
进一步的，所述步骤302中定义的效用函数为：
Figure BDA0003030246530000031
其中，Acc为分类准确率，c表示测试集中分类正确的城市个数，m表示测试集中城市的总个数。
进一步的，所述步骤303的具体方式为：
(1)建立由n只麻雀组成的种群矩阵：
Figure BDA0003030246530000041
其中，n为麻雀的数量，X中的一行即为一个麻雀，由d个模型参数组成，d表示待优化问题的维数，即模型参数的个数；
(2)在X中设定表示探索者的行和表示追随者的行，并设定意识到危险的麻雀的比重，比重的取值范围为[0,1]；
(3)对X进行迭代更新，其中，
X中探索者行的更新方式为：
Figure BDA0003030246530000042
其中，i表示被更新的探索者行在X中的行号，
Figure BDA0003030246530000043
为X中的第i行；t和t+1为用于表示迭代次数的上标，t的取值为正整数，itermax表示最大迭代次数；α∈(0,1]为一个随机数；Q是服从正态分布的随机数，L为元素都是1的行矩阵，且L的列数为d；Rt∈[0,1]为第t次迭代时随机生成的预警值，ST∈[0.5,1]表示安全值；
X中追随者行的更新方式为：
Figure BDA0003030246530000044
其中，j表示被更新的追随者行在X中的行号，
Figure BDA0003030246530000045
为X中的第j行；
Figure BDA0003030246530000046
表示第t+1次迭代后探索者中具有最优分类准确率的行；
Figure BDA0003030246530000047
表示第t次迭代后X中具有最差分类准确率的行；A表示一个大小为1×d的行矩阵，A中每个元素均随机取值1或-1，A+＝AT(AAT)-1；
每次迭代时，根据比重从X中随机选取一行或多行作为意识到危险的麻雀，这些行的更新方式为：
Figure BDA0003030246530000051
其中，k表示被更新行在X中的行号，
Figure BDA0003030246530000052
为X中的第k行，
Figure BDA0003030246530000053
表示第t次迭代后X中具有最优分类准确率的行；β为服从正态分布的步长控制因子；K∈[-1,1]是一个随机数；ε为一个用于避免分母为0的常数，ε＜1；
Figure BDA0003030246530000054
是第t次迭代后X中第k行模型参数对应的分类准确率，
Figure BDA0003030246530000055
是第t次迭代后X中各行模型参数的最优分类准确率，
Figure BDA0003030246530000056
表示第t次迭代后X中各行模型参数的最差分类准确率。
从上面的叙述可以看出，本发明技术方案的有益效果在于：
1、本发明能够对城市进行有效分类，分类中充分考虑了建筑密度以及建筑高度这两个影响无人机应急网络部署的关键因素。因此，采用该方法分类后，可以更有针对性地对不同类型的城市制定不同的无人机应急网络部署方案。
2、本发明采用基于麻雀搜索算法的支持向量机(简称为S-SVM)作为分类模型。该模型对常规的支持向量机(SVM)进行了优化。训练好的S-SVM分类模型在查全率、查准率和F综合指标值上都取得了好的效果，且该模型的分类准确率高、耗时短、可靠性强。
附图说明
为了更加清楚地描述本专利，下面提供一幅或多幅附图，这些附图旨在对本专利的背景技术、技术原理和/或某些具体实施方案做出辅助说明。
图1为本发明实例中建立的城市区域平面布局图。
图2为本发明实例城市样本数据集中各个城市分类中训练集和测试集的分布情况图。
图3为本发明实例中SVM分类模型的测试集真实分布与实验分布对比图。
图4为本发明实例中S-SVM分类模型的测试集真实分布与实验分布对比图。
图5为根据本发明实例的50次实验所绘制的S-SVM模型的分类准确率与程序运行时间变化图。
图6为根据本发明实例50次实验所绘制的S-SVM模型分类准确率随迭代次数的变化情况曲线图。
具体实施方式
为了便于本领域技术人员对本专利技术方案的理解，同时，为了使本专利的技术目的、技术方案和有益效果更加清楚，并使权利要求书的保护范围得到充分支持，下面以具体案例的形式对本专利的技术方案做出进一步的、更详细的说明。
一种面向无人机应急网络部署的城市分类方法，包括以下步骤：
步骤1，建立城市分类标准；具体方式为：
步骤101，确定城市灾区中影响无人机应急网络部署的影响因素；
步骤102，根据影响因素确定城市分类的指标依据；
步骤103，建立城市环境布局，并对步骤102中的指标依据进行表示；
步骤104，根据城市分类的指标依据建立城市分类标准；
步骤2，根据步骤1得到的城市分类标准，建立城市数据集，并将城市数据集分为训练集和测试集；
步骤3，建立分类模型，采用步骤2中的训练集对分类模型进行训练，并用测试集进行测试，得到训练好的分类模型；
步骤4，采用训练好的分类模型对城市进行分类，得到分类结果。
具体来说，在步骤101中，城市灾区无人机应急网络部署通常采用A2G信道模型，由此应急网络中网络节点间的视距通信链路概率公式为：
Figure BDA0003030246530000061
其中，h0为无人机的飞行高度，r则为通信半径。α0和β0是环境参数，其值与城市中建筑物的密度有关。由于城市背景复杂，且存在着大量的噪声和干扰。因此在城市灾区中，无线信号的传播还会因建筑物的遮挡和散射而产生额外的路径损耗，建筑物的高度越高，无人机就需要飞到更高的高度来完成对城市灾区的网络覆盖，因此建筑物的高度也会影响节点之间的通信。
故此，本方法确定城市灾区中影响无人机应急网络部署的因素为建筑密度和建筑高度。
进一步的，建筑密度是指在在一定范围内，所有建筑物的基底面积总和与该城市所占用地总面积之比，反映了该城市的建筑密集程度；容积率是指地上总的建筑面积与城市总面积之比，在一定程度上体现了该建筑物的高度。因此，步骤102确定城市分类的指标依据为建筑密度和容积率。
在步骤103中，设定城市布局的平面图为正方形，其中包括建筑物、和其他部分，各个建筑物的面积相等。其中其他部分包括街道、广场、绿化等。建立的城市布局参见图1。
所述建筑密度的计算公式为：
Figure BDA0003030246530000071
其中，a为建筑物的个数，B表示单个建筑物的平面面积，A表示城市区域的边长。
所述容积率的计算方公式为：
Figure BDA0003030246530000072
其中，d表示建筑物每层的高度，h表示建筑物的总高度，采用进一法计算，该建筑物的层数表示为h/d。
在步骤104中，所述城市分类标准为：建筑密度在0.2-0.4之间的为标准城市，建筑密度在0.4-0.5之间的为密集城市，容积率在1.5-3.5之间的为低层建筑城市，容积率在3.5-6.0之间的为高层建筑城市；从而将城市分为四类：低层标准城市、高层标准城市、低层密集城市和高层密集城市。
在步骤2中，由于目前还没有城市的建筑密度和容积率的公开文本数据集，因此所述城市数据集为随机生成，城市数据不少于200组，每组城市数据中，建筑密度为0.2-0.5，容积率为1.5-6.0。
在步骤301中，分类模型有两个重要的参数，分别为惩戒系数C和核函数参数gamma。其中，惩戒系数C也就是对错误的容忍度，该值越高表示越不能容忍出现误差，容易导致过拟合；该值越低说明对错误的容忍度高，容易导致欠拟合。因此，惩戒系数C不宜过大或过小。gamma是分类模型中，选择RBF函数作为核函数后，该函数的自带参数，表征RBF核函数宽度。该值越大支持的向量越少，支持向量的个数影响着分类模型训练与分类的速度。由此，参数C和gamma对分类模型的分类精度和泛化能力都有很大的影响，确定分类模型分类准确率的影响参数为C和gamma。
在步骤302中，定义的分类准确率效用函为：
Figure BDA0003030246530000073
其中，Acc为分类准确率，c表示测试集中分类正确的城市个数，m表示测试集中城市的总个数。由此，麻雀算法的目标函数为：
f(X)＝max(Acc)
步骤303的具体方式为：
(1)建立由n只麻雀组成的种群矩阵：
Figure BDA0003030246530000081
其中，n为麻雀的数量，X中的一行即为一个麻雀，由d个模型参数组成，d表示待优化问题的维数，即模型参数的个数；
(2)在X中设定表示探索者的行和表示追随者的行，并设定意识到危险的麻雀的比重，比重的取值范围为[0,1]；
(3)对X进行迭代更新，其中，
X中探索者行的更新方式为：
Figure BDA0003030246530000082
其中，i表示被更新的探索者行在X中的行号，
Figure BDA0003030246530000083
为X中的第i行；t和t+1为用于表示迭代次数的上标，t的取值为正整数，itermax表示最大迭代次数；α∈(0,1]为一个随机数；Q是服从正态分布的随机数，L为元素都是1的行矩阵，且L的列数为d；Rt∈[0,1]为第t次迭代时随机生成的预警值，ST∈[0.5,1]表示安全值；
X中追随者行的更新方式为：
Figure BDA0003030246530000084
其中，j表示被更新的追随者行在X中的行号，
Figure BDA0003030246530000085
为X中的第j行；
Figure BDA0003030246530000086
表示第t+1次迭代后探索者中具有最优分类准确率的行；
Figure BDA0003030246530000087
表示第t次迭代后X中具有最差分类准确率的行；A表示一个大小为1×d的行矩阵，A中每个元素均随机取值1或-1，
Figure BDA0003030246530000088
每次迭代时，根据比重从X中随机选取一行或多行作为意识到危险的麻雀，这些行的更新方式为：
Figure BDA0003030246530000091
其中，k表示被更新行在X中的行号，
Figure BDA0003030246530000092
为X中的第k行，
Figure BDA0003030246530000093
表示第t次迭代后X中具有最优分类准确率的行；β为服从正态分布的步长控制因子；K∈[-1,1]是一个随机数；ε为一个用于避免分母为0的常数，ε＜1；
Figure BDA0003030246530000094
是第t次迭代后X中第k行模型参数对应的分类准确率，
Figure BDA0003030246530000095
是第t次迭代后X中各行模型参数的最优分类准确率，
Figure BDA0003030246530000096
表示第t次迭代后X中各行模型参数的最差分类准确率。
在步骤304中，重复步骤303，直到分类准确率不再变化或者达到设定的最大迭代次数，得到训练好的分类模型。
为了对上述方法的效果进行详细说明，下面为一个具体的仿真实验：
系统仿真采用matlab软件，参数的设定不影响一般性；采用的样本数据为在建筑密度和容积率允许范围内随机生成的200组虚拟城市数据，根据分类标准对其进行分类标记。分别从四种城市数据中分别选定一定数量的数据作为训练集，其余的则作为测试集。数据集中共有127组数据作为训练集，其余的73组数据则作为测试集。图2为200组数据的各个标签的个数以及训练集和测试集的划分情况。为了使图更加简洁，用数字1、2、3、4分别表示低层标准城市、高层标准城市、低层密集城市和高层密集城市。麻雀搜索算法中安全值设置为0.6，探索者的比例为0.7，追随者的比例则为0.3，侦察者比例(即意识到危险的麻雀的比例)为0.2。算法的最大迭代次数为20。
仿真结果分析：
图3为1次实验中，采用样本集中的训练集对现有SVM分类模型进行训练，用训练好的SVM分类模型对测试集分类的实验分布图与测试集的实际分布对比。该图显示，在该次实验中，采用SVM分类后的测试集分布与实际分布中有很多不匹配，分类准确率不高。
图4为1次实验中，采用样本集中的训练集对本方法S-SVM分类模型进行训练，用训练好的S-SVM分类模型对测试集分类的实验分布图与测试集的实际分布对比。该图显示，在该次实验中，采用S-SVM分类模型分类后的测试集分布与实际分布全部匹配，分类准确率达到了100％。
图5为50次实验中，S-SVM分类模型分类准确率以及程序运行时间的变化情况，该图显示，在50次实验中，S-SVM分类模型的分类准确率多数保持在100％，只出现了5次波动，且程序的运行时间在0.358283s-0.436673s之间波动。说明S-SVM分类模型的分类准确率高且分类效果较为稳定。
图6为50次实验中，采用麻雀算法S-SVM分类模型分类准确率随迭代次数的变化曲线图。该图显示，多次实验中分类准确率达到100％，且曲线的收敛速度快。
需要理解的是，上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述，并非暗示本专利的保护范围仅仅被限制在这些个例中，本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下，以不付出任何创造性劳动的形式，通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式，得到更多的具体实施方式。所有这些具体实施方式均在本专利权利要求书的涵盖范围之内。

Claims (1)

1.一种面向无人机应急网络部署的城市分类方法，其特征在于，包括以下步骤：
步骤1，建立城市分类标准；具体方式为：
步骤101，确定城市灾区中影响无人机应急网络部署的影响因素；
步骤102，根据影响因素确定城市分类的指标依据；
步骤103，建立城市环境布局，并对步骤102中的指标依据进行表示；
步骤104，根据城市分类的指标依据建立城市分类标准；
步骤2，根据步骤1得到的城市分类标准，建立城市数据集，并将城市数据集分为训练集和测试集；
步骤3，建立分类模型，采用步骤2中的训练集对分类模型进行训练，并用测试集进行测试，得到训练好的分类模型；
步骤4，采用训练好的分类模型对城市进行分类，得到分类结果；
所述影响因素包括建筑物的密度以及建筑物的高度；所述指标依据包括建筑密度和容积率，其中，建筑密度为城市内所有建筑物的基底面积总和与该城市所占用地总面积之比，用于表征该城市中建筑物的密度，容积率为城市中地上总的建筑面积与城市总面积之比，用于表征该城市中建筑物的高度；
所述城市分类标准为：建筑密度在0.2-0.4之间的为标准城市，建筑密度在0.4-0.5之间的为密集城市，容积率在1.5-3.5之间的为低层建筑城市，容积率在3.5-6.0之间的为高层建筑城市；从而将城市分为四类：低层标准城市、高层标准城市、低层密集城市和高层密集城市；
所述城市数据集为随机生成，城市数据不少于200组，每组城市数据中，建筑密度为0.2-0.5，容积率为1.5-6.0；
所述步骤3的具体方式为：
步骤301，确定影响分类模型分类准确率的模型参数，所述分类模型为基于麻雀搜索算法的支持向量机；
步骤302，初始化模型参数，设置最大迭代次数，并定义用于计算分类准确率的效用函数；
步骤303，采用位置更新方程更新模型参数，得到能够带来最优分类准确率的模型参数；
步骤304，重复步骤303，直到分类准确率不再变化或者达到设定的最大迭代次数，得到训练好的分类模型；
所述步骤301中，模型参数为惩戒系数C和核函数参数gamma，所述核函数为RBF函数，gamma用于表征RBF函数的宽度；
所述步骤302中定义的效用函数为：
Figure FDA0003864334820000021
其中，Acc为分类准确率，c表示测试集中分类正确的城市个数，m表示测试集中城市的总个数；
所述步骤303的具体方式为：
(1)建立由n只麻雀组成的种群矩阵：
Figure FDA0003864334820000022
其中，n为麻雀的数量，X中的一行即为一个麻雀，由d个模型参数组成，d表示待优化问题的维数，即模型参数的个数；
(2)在X中设定表示探索者的行和表示追随者的行，并设定意识到危险的麻雀的比重，比重的取值范围为[0,1]；
(3)对X进行迭代更新，其中，
X中探索者行的更新方式为：
Figure FDA0003864334820000023
其中，i表示被更新的探索者行在X中的行号，
Figure FDA0003864334820000024
为X中的第i行；t和t+1为用于表示迭代次数的上标，t的取值为正整数，itermax表示最大迭代次数；α∈(0,1]为一个随机数；Q是服从正态分布的随机数，L为元素都是1的行矩阵，且L的列数为d；Rt∈[0,1]为第t次迭代时随机生成的预警值，ST∈[0.5,1]表示安全值；
X中追随者行的更新方式为：
Figure FDA0003864334820000031
其中，j表示被更新的追随者行在X中的行号，
Figure FDA0003864334820000032
为X中的第j行；
Figure FDA0003864334820000033
表示第t+1次迭代后探索者中具有最优分类准确率的行；
Figure FDA0003864334820000034
表示第t次迭代后X中具有最差分类准确率的行；A表示一个大小为1×d的行矩阵，A中每个元素均随机取值1或-1，A+＝AT(AAT)-1；
每次迭代时，根据比重从X中随机选取一行或多行作为意识到危险的麻雀，这些行的更新方式为：
Figure FDA0003864334820000035
其中，k表示被更新行在X中的行号，
Figure FDA0003864334820000036
为X中的第k行，
Figure FDA0003864334820000037
表示第t次迭代后X中具有最优分类准确率的行；β为服从正态分布的步长控制因子；K∈[-1,1]是一个随机数；ε为一个用于避免分母为0的常数，ε<1；
Figure FDA0003864334820000038
是第t次迭代后X中第k行模型参数对应的分类准确率，
Figure FDA0003864334820000039
是第t次迭代后X中各行模型参数的最优分类准确率，
Figure FDA00038643348200000310
表示第t次迭代后X中各行模型参数的最差分类准确率。
CN202110427925.4A 2021-04-21 2021-04-21 一种面向无人机应急网络部署的城市分类方法 Active CN113033484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110427925.4A CN113033484B (zh) 2021-04-21 2021-04-21 一种面向无人机应急网络部署的城市分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110427925.4A CN113033484B (zh) 2021-04-21 2021-04-21 一种面向无人机应急网络部署的城市分类方法

Publications (2)

Publication Number Publication Date
CN113033484A CN113033484A (zh) 2021-06-25
CN113033484B true CN113033484B (zh) 2022-11-22

Family

ID=76457080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110427925.4A Active CN113033484B (zh) 2021-04-21 2021-04-21 一种面向无人机应急网络部署的城市分类方法

Country Status (1)

Country Link
CN (1) CN113033484B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189917A (zh) * 2018-06-27 2019-01-11 华南师范大学 一种融合景观和社会特征的城市功能区划分方法及系统
CN110222586A (zh) * 2019-05-15 2019-09-10 清华大学 一种建筑物高度的计算及城市形态参数数据库的建立方法
CN111047695A (zh) * 2019-12-03 2020-04-21 中国科学院地理科学与资源研究所 一种城市群高度空间信息及等高线的提取方法
WO2020151089A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN111582575A (zh) * 2020-05-06 2020-08-25 宁波大学 一种多时空尺度下城市热环境形成发展主导因素识别方法
CN112052503A (zh) * 2020-09-04 2020-12-08 东南大学 一种基于人工智能的商业街区建筑体块生成的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247938B (zh) * 2017-06-08 2019-12-06 中国科学院遥感与数字地球研究所 一种高分辨率遥感影像城市建筑物功能分类的方法
CN108764205B (zh) * 2018-06-07 2021-06-22 青岛捷利达地理信息集团有限公司 基于无人机低空航摄系统进行城市市政普查的方法
CN110442715B (zh) * 2019-07-31 2022-01-28 北京大学 一种基于多元大数据的综合城市地理语义挖掘方法
CN111915932A (zh) * 2020-07-29 2020-11-10 北京航空航天大学 一种多目标约束的低空无人机航路规划设计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189917A (zh) * 2018-06-27 2019-01-11 华南师范大学 一种融合景观和社会特征的城市功能区划分方法及系统
WO2020151089A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN110222586A (zh) * 2019-05-15 2019-09-10 清华大学 一种建筑物高度的计算及城市形态参数数据库的建立方法
CN111047695A (zh) * 2019-12-03 2020-04-21 中国科学院地理科学与资源研究所 一种城市群高度空间信息及等高线的提取方法
CN111582575A (zh) * 2020-05-06 2020-08-25 宁波大学 一种多时空尺度下城市热环境形成发展主导因素识别方法
CN112052503A (zh) * 2020-09-04 2020-12-08 东南大学 一种基于人工智能的商业街区建筑体块生成的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"厦门市营平片区街巷尺度适用性研究";董娇娇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第01期);全文 *
"城市灾区无人机网络自适应覆盖优化算法";王巍等;《计算机工程与应用》;20210302;全文 *
"基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断";马晨佩等;《科学技术与工会曾》;20210408;第21卷(第10期);全文 *
分区策略与机器学习的人口分布精细化模拟;成方龙等;《测绘科学》;20200916(第09期);全文 *
基于POI数据的城市建筑功能分类方法研究;曹元晖等;《地球信息科学学报》;20200624(第06期);全文 *

Also Published As

Publication number Publication date
CN113033484A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
Al Banna et al. Application of artificial intelligence in predicting earthquakes: state-of-the-art and future challenges
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
Jun A comparison of a gradient boosting decision tree, random forests, and artificial neural networks to model urban land use changes: The case of the Seoul metropolitan area
Feng et al. Modeling dynamic urban growth using cellular automata and particle swarm optimization rules
Pijanowski et al. Urban expansion simulation using geospatial information system and artificial neural networks
Pradhan A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS
Schoeman et al. Using potential distributions to explore environmental correlates of bat species richness in southern Africa: effects of model selection and taxonomy.
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN106097290A (zh) 基于nmf图像融合的sar图像变化检测方法
CN112232526A (zh) 一种基于集成策略的地质灾害易发性评价方法及系统
Juyal et al. A study of landslide susceptibility mapping using machine learning approach
CN106056577A (zh) 基于mds‑srm混合级联的sar图像变化检测方法
Qin et al. Trajectory prediction based on long short-term memory network and Kalman filter using hurricanes as an example
Gürsoy et al. Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques
CN113971477A (zh) 一种基于时间序列和深度学习框架的pm2.5估算方法
CN113033484B (zh) 一种面向无人机应急网络部署的城市分类方法
AlAfandy et al. Artificial neural networks optimization and convolution neural networks to classifying images in remote sensing: A review
Shafizadeh‐Moghadam et al. On the spatiotemporal generalization of machine learning and ensemble models for simulating built‐up land expansion
CN115907091A (zh) 一种基于pso-svr的地震人员死亡评估方法
Liu et al. Swarm intelligence for classification of remote sensing data
CN112464997B (zh) 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统
Jiménez-López et al. Artificial neural networks in the application of the growth of the urban sprawl
Wang et al. Optimization of Convolutional Long Short-Term Memory Hybrid Neural Network Model Based on Genetic Algorithm for Weather Prediction
CN112308151A (zh) 基于加权的旋转森林高光谱图像分类方法
Mastej et al. Supervised classification of morphodiversity using artificial neural networks on the example of the Pieniny Mts (Poland)

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