CN116303839B - 用于地球空间数据的索引计算方法 - Google Patents
用于地球空间数据的索引计算方法 Download PDFInfo
- Publication number
- CN116303839B CN116303839B CN202211463846.XA CN202211463846A CN116303839B CN 116303839 B CN116303839 B CN 116303839B CN 202211463846 A CN202211463846 A CN 202211463846A CN 116303839 B CN116303839 B CN 116303839B
- Authority
- CN
- China
- Prior art keywords
- data
- geospatial data
- correlation
- index
- geospatial
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 79
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000000750 progressive effect Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2308—Concurrency control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种用于地球空间数据的索引计算方法,基于DenseNet结构建立深度语义提取网络,完成地球空间数据的精确分类和深度语义特征提取;对地球空间数据进行相似性分析生成地球空间数据相关组,再将它们输入到具有三个分支的索引计算网络中,生成地球空间数据索引;利用神经网络模型建立树状结构的索引更新网络,根据新增数据的特征直接计算索引。本发明能够根据数据的分布特征动态调整索引结构,提升索引的灵活性与适应性,保证数据迭代更新后的系统检索能力。
Description
技术领域
本发明涉及地理信息技术领域,具体涉及一种用于地球空间数据的索引计算方法、系统、计算及其存储介质。
背景技术
近年来,随着天地一体化对地观测系统、传感器技术与智能计算技术的快速发展,地球空间数据呈现出爆发式增长。随着用户范围和应用领域的不断拓宽,为了满足对数据分辨率、数据精度等方面的要求,进行多源地球空间数据的协同利用,发挥不同来源数据的优势的需求日益迫切。这不仅为地球空间数据应用带来了新的发展机遇,也对多源地球空间数据的存储与访问方面提出了挑战。索引是数据库系统中用于提升数据存取性能的一项重要技术,在海量多源地球空间数据的快速获取与应用中也起到重要的作用,面向多源地球空间数据建立索引是提高数据访问效率的有效解决方案。然而,现有的地球空间数据索引还存在一定的弊端。首先,已有实现方案大多都是结合数据的特点构建的固定索引结构,其次,这些索引的构建过程复杂、各环节相对孤立。多源地球空间数据的更新过程具有更新周期短、数据量大等特点。同时,数据来源的不同也会带来数据分布的改变。已建立的索引结构通常无法完全匹配更新后的数据集,需要同步更新索引结构以保证更新后的检索效率。因此,已有的索引方案难以在兼顾索引的灵活性与适应性,对于海量地球空间数据的更新场景不再适用。
因此,在地球空间数据应用领域,亟需面向地球空间数据更新场景,提供一种自动学习数据分布并调整索引结构的方法,减少索引更新过程中的人为干预,保证数据新增和数据更新后的系统检索能力。
发明内容
本发明的目的在于提出一种用于地球空间数据的索引计算方法、系统、计算及其存储介质。
实现本发明目的的技术解决方案为:一种用于地球空间数据的索引计算方法,包括如下步骤:
步骤1,数据语义提取:获取具有类别标签、时间问题、空间位置信息的地球空间数据,并使用空间金字塔技术对获取的地球空间数据进行增强处理,得到具有不同分辨率尺度、覆盖不同空间范围的地球空间数据网格;建立深度语义提取网络,使用DenseNet网络结构作为主干网络,在DenseNet网络后按顺序增加全连接层和softmax分类层,softmax分类层的输出结果是网格上的初步预测结果,在softmax分类层后增加投票分类器,将同一数据不同网格上的softmax分类结果进行集成,得到最终的分类结果;将投票分类器的输出结果作为地球空间数据的语义类别,将全连接层的输出结果作为地球空间数据的深度语义特征向量;
步骤2,数据索引计算:对所有的地球空间数据分别进行语义相关性度量,即在深度语义特征维度、时间维度和空间维度的特征相似度,对不同维度上的相似度加权得到全局相关性;根据地球空间数据间的全局相关性生成地球空间数据相关组,地球空间数据相关组包含三个元素,一个是随机选择的数据,称之为目标数据,一个是与目标数据存在语义相关性关系的地球空间数据,称之为相关数据,另一个则是与目标数据之间不具备语义相关性或相关性不明显的地球空间数据,称之为无关数据;建立索引计算网络,该网络中有三个分支,不同分支采用相同的神经网络结构并共享参数,输入分别为深度语义提取网络输出的地球空间数据的深度语义特征向量、地球空间数据自身的时间特征向量和空间特征向量,输出为二进制表示的地球空间数据的索引;
步骤3,数据索引更新:利用神经网络模型建立树状结构的索引更新网络,在索引更新网络中,每个节点是一个线性回归模型,采用逐级聚类的方式,将所有的数据索引由大到小划分为具有多个层次的类别,不同层次中类别的数量不同,类别中包含的数据个数也不同,再根据逐级聚类的结果建立与类别结构一致的树状索引更新网络,其中每个节点中的模型分别对应逐级聚类得到的一个类簇,训练数据是该类族中的地球空间数据,模型输入为地球空间数据的深度语义特征和时间特征、空间数据,输出为索引计算网络生成的索引值,索引更新网络的训练过程就是学习地球空间数据索引的生成过程,训练后的索引更新网络用于根据新增数据的特征直接计算索引。
进一步的,步骤1中,获取具有类别标签、时间问题、空间位置信息的地球空间数据,并使用空间金字塔技术对获取的地球空间数据进行增强处理,得到具有不同分辨率尺度、覆盖不同空间范围的地球空间数据网格,具体方法为:
对地球空间数据进行尺寸缩放和重采样,得到具有不同空间分辨率的数据,再采用地球网格剖分方法将这些数据划分成一组在空间分辨率、空间覆盖范围存在差别的数据网格;最后,将这些地球空间数据网格统一缩放至便于神经网络模型训练的数据尺寸。
进一步的,步骤2,对所有的地球空间数据分别进行语义相关性度量,即在深度语义特征维度、时间维度和空间维度的特征相似度,对不同维度上的相似度加权得到全局相关性,具体方法为:
(1)深度语义特征维度的特征相似度
特征相关性用于描述地球空间数据之间对同一事物概念或特征的描述存在的相似性,用地球空间数据的类别间的距离和深度语义特征向量的距离来表示:
SD(imgi,imgj)=ωc||ci-cj||+ωf||fi-fj||,#(1)
其中,||ci-cj||代表两个地球空间数据所属的类的距离,根据类别之间的关系预先定义,相关性强的类别间距离较小,相关性弱的类别间距离较大;||fi-fj||表示两幅地球空间数据的深度特征语义向量的距离;利用权重参数ωc、ωf调节二者在语义相关性计算中的比重;
(2)时间维度的特征相似度
时间相似度体现了不同的地球空间数据在时间维度上的距离与数据的相似性之间存在的关系,表示为时间距离的函数,根据数据特征随时间的推移是否存在周期性变化,地球空间数据分为周期性地球空间数据和非周期性地球空间数据,在对地球空间数据进行时间相关性分析时,根据数据周期特性的不同而采取不同的计算方法,时间相关性表达式如下:
其中,D和d分别表示两个地球空间数据的绝对时间距离和相对时间距离,TTI表示数据的间隔周期数量,f(D)和f(d,TTI)分别表示非周期性数据和周期性数据的时间相似性函数;
(3)空间维度的特征相似度
空间相关性是对地球空间数据之间因形状、空间位置而产生的相关性关系的度量,包括分辨率差异、空间距离、拓扑关系三个方面,具体而言,将空间相关性表示为分辨率相关性、空间关系相关性的函数,再将空间关系相关性进一步用拓扑关系相关性和距离关系相关性来表示;
SS(ingi,imgj)=ωRSResolution(imgi,imgj)+ωSRSSpatialRelation(imgi,imgj),#(3)
其中,SResolution(imgi,imgj)和SSpatialRelation(imgi,imgj)分别为数据imgi和imgj的分辨率相关性和空间关系相关性,ωR和ωSR分别代表根据两者计算空间关系相关性时各自对应的比例系数。
(4)全局相关性
两个地球空间数据的全局相关性是三类关系相关性的加权和,并为不同类型的相关性指定权重,并使得权重和为1,综上,地球空间数据的相关性表示为:
S(imgi,imgj)=ωDSD(imgi,imgj)+ωTST(imgi,imgj)+ωSSS(imgi,imgj) (6)
其中ωD,ωT和ωS用于调整以平衡三个相关性的贡献。
更进一步的,空间相关性包括分辨率相关性、空间关系相关性和距离关系相关性,具体为:
分辨率相关性指的是地球空间数据在空间尺度上的相似性,地物的电磁波谱特征在不同的尺度下,呈现不同的性质,因此在不同的空间分辨率下,地球空间数据通常表现出不同的特征,两个地球空间数据之间的分辨率相差越大,则这两者数据的相关性越小,当尺度相关性小于某一个阈值时,则认为数据不存在相关性;
其中,β为尺度上的相似性衰减因子,resolutioni和resolutionj分别表示两幅地球空间数据的空间分辨率,通过最大与最小分辨率的比值表示数据在尺度上的差距;
空间关系相关性指从空间关系组成的角度分析,两个地球空间数据之间呈现出来的相关性,具体包括拓扑关系相关性和距离关系相关性,即
SSpatialRelation(imgi,imgj)=ωtopoStopo+ωdisSdis (5)
将地球空间数据的几何类型看作多边形,拓扑关系相关性就是根据两个数据的拓扑关系的不同而赋予不同的值,任意两个地球空间数据之间的拓扑关系有6种不同的类型,分别是相离、相接、重叠、包含、被包含、相等,定义相离关系的权重为O,相等关系的权重为1,相接、重叠、包含、被包含等拓扑关系取值在区间[0,1]内;
距离关系相关性采用定量度量的方式来计算距离相关性。
进一步的,步骤2,建立索引计算网络,该网络中有三个分支,不同分支采用相同的神经网络结构并共享参数,其中:
一个分支中包含特征融合模块和量化编码模块两部分,特征融合模块由多个全连接层构成,输入为经过L2归一化处理的地球空间数据的深度语义特征和时问特征、空间特征,输出为融合后的特征向量;量化编码模块中使用sigmoid激活层将特征融合模块输出的融合特征向量限制在[0,1]区间内,再对其量化得到二进制编码结果,即为地球空间数据的索引。
进一步的,步骤3,在建立树状结构的索引更新网络时,按照每一层类别的数量定义模型的数量,设数据索引第0级有1个类簇,经过第1级的聚类后得到4个类簇,记为c1,1,c1,2,c1,3和c1,4,第2级聚类时将以上4个类簇中的数据各自划分至2个类簇,记为c2,1,c2,2,c2,3,...,c2,8,那么,对应的数据索引更新网络的第0级包含1个模型,记为M0,第1级包含4个模型,记为M1,1,M1,2,M1,3和M1,4,第2级包含8个模型,记为M2,1,M2,2,...,M2,8;对于模型M0其输入为地球空间数据的深度语义特征和时间特征、空间特征,输出为索引计算网络输出的索引值,模型的训练过程就是学习索引的生成过程,模型的测试过程就是根据学习结果预测索引的过程,在索引计算网络计算时,每个模型的训练数据是与之对应类簇中的数据,即模型M1,1的训练数据为c1中的地球空间数据,训练后的索引计算网络用于根据索地球空间数据的深度语义特征和时间特征、空间特征生成对应的索引,作为新增数据的索引更新方法;索引计算采用逐级方式进行,即根据M0的输出结果与c1,1,c1,2,c1,3和c1,4的隶属关系,选择第一级的模型进行计算,即如果索引预测值隶属于c1,2,则将数据输入到M1,2中进一步计算。
进一步的,针对每一个类簇动态调整神经网络结构,具体方法为:
初始化多个神经网络模型,分别对划分的多个数据区域进行训练,利用前馈神经网络对其中的数据分布进行拟合,得到多个神经网络模型;
将递归网络模型中的树的层级、每个层级中的模型数量、模型的层级结构、神经网络的层数、神经元个数,定义为超参数,训练时通过调整超参数不断优化模型,得到最佳的训练结果;
同时,根据数据分区中数据量与稀疏程度的不同设置动态的误差阈值,当部分类别中数据较少、分布较稀疏时,适当提高其对应模型的误差阈值,有助于在不带来额外的性能损失的前提下简化模型结构、加速训练过程。
一种用于地球空间数据的索引计算系统,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
本发明与现有技术相比,其显著优点为:1)对地球空间数据进行语义提取时,集成不同分辨率、不同数据块上的分类结果,使得面对地球空间数据的组织方式中存在的语义缺失、语义混淆等问题时仍能保持分类准确性与特征精度;2)实现了数据相关组生成方法,利用神经网络结构实现特征融合与索引计算,学习数据间的相关性关系并使得地球空间数据的键和特征在多个特征空间内的单调性保持一致;3)设计适应地球空间数据特点的树型网络索引模型,改变了传统的扫描式检索方法,并从数据逐渐聚类、提高网络索引模型的可扩展性两个角度适配地球空间数据的分布特点,提高索引性能;4)基于以上手段,解决了大规模地球空间数据更新场景下的索引构建问题,能够根据数据的分布特征动态调整索引结构,提升索引的灵活性与适应性,保证数据迭代更新后的系统检索能力。
附图说明
图1是多源地球空间数据的语义索引计算方法的整体流程图。
图2是深度特征语义提取模块结构图。
图3是不同类型的拓扑相关性示意图。
图4是可伸缩的树状网络索引结构图。
图5是地球空间数据集上的索引计算结果。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明提出一种用于地球空间数据的索引计算方法,设计了一种端到端的索引构建模型,利用神经网络技术实现地球空间数据的精确分类与深度特征语义提取,然后依据特征对数据进行相关性计算利用共享参数的神经网络中实现特征融合和索引计算,最后设计适应地球空间数据特点的树型网络索引模型,利用神经网络训练代替传统的索引构建过程,最终提供面向大规模地球空间数据更新场景实现数据与索引的协同更新。
所述用于地球空间数据的索引计算方法包括数据语义提取、数据索引计算和数据索引更新三部分,整体结构如图1所示。
所述数据语义提取,是基于DenseNet结构建立深度语义提取网络,完成地球空间数据的精确分类和深度语义特征提取。所述数据语义提取包括地球空间数据增强和深度语义提取网络两部分,具体实施步骤如下:
(1)地球空间数据增强
获取具有类别标签、时间信息、空间位置信息的地球空间数据,使用空间金字塔技术对地球空间数据进行数据增强处理。对地球空间数据进行尺寸缩放和重采样,得到具有不同空间分辨率的数据,再采用地球网格剖分方法将这些数据划分成一组在空间分辨率、空间覆盖范围等方面存在差别的数据网格。最后,将这些地球空间数据网格统一缩放至便于神经网络模型训练的数据尺寸,如32×32。
(2)深度语义提取网络
使用DenseNet网络结构作为主干网络,在DenseNet网络后按顺序增加全连接层和softmax分类层,建立深度语义提取网络结构。深度语义提取网络的输入为地球空间数据网格,输出为数据的类别预测概率。同一个地球空间数据在经过增强处理得到多个数据网格后,每个数据网格单独输入到深度语义提取网络中得到初步的类别预测结果,再将所有网格的预测结果输入到投票分类器中,得到最终的预测结果。投票分类器是对不同网格上的softmax分类结果的集成,通过为每个类别预测向量赋予同等权重再叠加在一起,得到集成后的预测向量,能够提升整体的分类准确度。投票分类器的输出结果作为地球空间数据的语义类别,深度语义提取网络中全连接层的输出结果作为地球空间数据的深度语义特征向量。不同网格分类结果的集成方式可以有多种,除我们给出的投票式集成方式以外,还可根据实际情况采用加权求和集成等其他的集成方式。训练深度语义提取网络时,使用分类损失作为损失函数,采用Adam优化器对深度语义提取网络的网络参数进行更新训练,网络的batch设置为32,网络训练次数为200。训练时,采用随时间变化的学习率,初始学习率设置为1×10-6,学习率变化趋势随着训练次数的增加学习率先线性增长至1×10-3再按衰减,t为当前的训练次数,tm为学习率达到最大值时的训练次数,β为自定义的衰减因子。
所述数据索引计算,是用于利用数据特征生成数据索引和数据键,保证数据分布在多维特征空间中的一致性。包括地球空间数据相关组和索引计算网络两个部分。具体实施步骤如下:
(1)地球空间数据相关组
对所有的地球空间数据进行数据间的相关性计算,并以此为依据,生成地球空间数据相关组(后简称为相关组)。相关组中包含三个元素,每个元素是一个地球空间数据的特征集合。这三个地球空间数据中,其中一个是随机选择的数据,称之为目标数据:一个是与该目标数据存在语义相关性关系的地球空间数据,称之为相关数据;另一个则是与目标数据之间不具备语义相关性或相关性不明显的地球空间数据,称之为无关数据。地球空间数据的语义相关性度量方法,既包括单一维度上的相关性计算方式(如特征相关性、时间相关性、空间相关性等),也包括几种相关性通过加权组合得到全局相关性。具体如下。
特征相关性用手描述地球空间数据之间对同一事物概念或特征的描述存在的相似性,可用地球空间数据的类别间的距离和深度语义特征向量的距离来表示。
公式表示为
SD(imgi,imgj)=ωc||ci-cj||+ωf||fi-fj||,#(8)
其中,||ci-cj||代表两个地球空间数据所属的类的距离,可以根据类别之间的关系预先定义,相关性强的类别间距离较小,相关性弱的类别间距离较大。||fi-fj||表示两幅地球空间数据的深度特征语义向量的距离。利用权重参数调节二者在语义相关性计算中的比重。
时间相似度体现了不同的地球空间数据在时间维度上的距离与数据的相似性之间存在的关系,表示为时间距离的函数。根据数据特征随时间的推移是否存在周期性变化来将地球空间数据分为两类,周期性地球空间数据和非周期性地球空间数据。对周期性地球空间数据,关注点在于其在周期内的距离,将根据数据的变化周期计算其相对时间距离(即数据在时间周期内的时间距离)作为时间相关性的主要影响因素,同时在此基础上叠加适当权重的间隔周期数,从而在更大的时间范围上衡量数据特征随时间的变化情况。相对的,非周期数据则仅需要考虑不同数据之间的绝对时间距离,随着时间距离的增加,数据间的时间相关性呈现衰减趋势。因此,我们在对地球空间数据进行时间相关性分析时,选择根据数据周期特性的不同而采取不同的计算方法。时间相关性表达式如下:
其中,D和d分别表示两个地球空间数据的绝对时间距离和相对时间距离,TTI表示数据的间隔周期数量,f(D)和f(d,TTI)分别表示非周期性数据和周期性数据的时间相似性函数。在具体实施例中给出了一种我们定义的时间相似性函数的具体形式。
空间相关性是对地球空间数据之间因形状、空间位置等几何特征而产生的相关性关系的度量,主要包括分辨率差异、空间距离、拓扑关系等多个方面。具体而言,空间相关性可以表示为分辨率相关性、空间关系相关性的函数,空间关系相关性又进一步可以用拓扑关系相关性和距离关系相关性来表示。
SS(ingi,ingj)=ωRSRes。luti。n(imgi,imgj)+ωSRSSpatialRelation(imgi,imgj),#(10)
其中,SResolution(imgi,imgj)和SSpatialRelation(imgi,imgj)分别为数据imgi和imgj的分辨率相关性和空间关系相关性,ωR和ωSR分别代表根据两者计算空间关系相关性时各自对应的比例系数。
分辨率相关性指的是地球空间数据在空间尺度上的相似性。尺度是地球空间数据的基本问题之一。地物的电磁波谱特征在不同的尺度下,呈现不同的性质。因此在不同的空间分辨率下,地球空间数据通常表现出不同的特征。两个地球空间数据之间的分辨率相差越大,则这两者数据的相关性越小。当尺度相关性小于某一个阈值时,可以认为数据不存在相关性。
其中,β为尺度上的相似性衰减因子。resolutioni和resolutionj分别表示两幅地球空间数据的空间分辨率。通过最大与最小分辨率的比值表示数据在尺度上的差距。
空间关系相关性指从空间关系组成的角度分析,两个地球空间数据之间呈现出来的相关性,具体包括拓扑关系相关性和距离关系相关性,即
SSpatialRelation(imgi,imgj)=ωtopoStopo+ωdisSdis (12)
将地球空间数据的几何类型看作多边形,拓扑关系相关性就是根据两个数据的拓扑关系的不同而赋予不同的值。任意两个地球空间数据之间的拓扑关系有6种不同的类型,分别是相离、相接、重叠、包含、被包含、相等。其中,定义相离关系的权重为0,相等关系的权重为1,相接、重叠、包含、被包含等拓扑关系取值在区间[0,1]内。这些权重的取值根据应用时的具体需要进行设置,例如,对于覆盖关系,一种定义方式是根据数据间存在覆盖关系的面积与两个地球空间数据共同表示的面积的比值来表示。
距离关系相关性,距离关联关系有定性及定量两类,定性距离是对目标间的距离关系大致划分,如分为较近、始终、较远等,在一定程度上可反映空间目标间的分布情况;定量距离包括欧氏距离、豪斯多夫距离等,是对两目标间距离关系的精确表达。通常,可以采用定量度量的方式来计算距离相关性。
本发明使用地球空间数据在多种维度上的相关性来表示地球空间数据之间的相关性。两个地球空间数据的全局相关性是三类关系相关性的加权和,并为不同类型的相关性指定权重,并使得权重和为1。综上,地球空间数据的相关性可以表示为:
S(imgi,imgj)=ωDSD(imgi,imgj)+ωTST(imgi,imgj)+ωSSS(imgi,imgj) (13)
其中ωD,ωT和ωS可以调整以平衡三个相关性的贡献。
(2)索引计算网络
索引计算网络中有三个分支,不同分支采用相同的神经网络结构并共享参数。一个分支中包含特征融合模块和量化编码模块两部分。其中,特征融合模块由多个全连接层构成,输入为经过L2归一化处理的地球空间数据的深度语义特征和时问特征、空间特征,输出为融合后的特征向量:量化编码模块中使用sigmoid激活层将特征融合模块输出的融合特征向量限制在[0,1]区间内,再对其量化得到二进制编码结果,即为地球空间数据的索引。索引计算网络的学习目标是,通过优化网络结构使得地球空间数据的索引间的距离能够与数据间的相关性保持一致,即相大的数据索引更接近,不相关的数据索引更远离。训练网络的batch设置为32,网络训练次数为200。训练时,采用随时间变化的学习率,初始学习率设置为1×10-6,学习率变化趋势随着训练次数的增加学习率先线性增长至1×10-3再按衰减,t为当前的训练次数,tm为学习率达到最大值时的训练次数。
所述数据索引更新,是利用树状的网络索引模型学习地球空间数据在特征空间中的分布,从而将传统的扫描式检索方式转变为神经网络预测过程,根据特征预测数据键值。数据索引更新包括索引更新网络和自适应模型结构两部分。具体实施步骤如下:
(1)索引更新网络
利用神经网络模型建立树状结构的数据索引更新网络。在数据索引更新网络中,每个节点是个简单的线性回归模型(后简称为模型),其输入为数据语义分析模型中提取的深度语义特征及数据自身的时间特征和空间特征,输出为数据索引计算模型中输出的数据索引。训练时需要将数据索引压缩至[0,N]区间内,计算方式为
其中IndexValue为压缩后的索引值,Index为索引计算网络输出的索引值(称为原始索引值),minIndex和maxIndex分别为最大的原始索引值和最小的原始索引值。采用逐级聚类的方式,将所有的数据索引由大到小划分为具有多个层次的类别,不同层次中类别的数量不同,类别中包含的数据个数也不同。在建立树状结构的数据索引更新网络时,按照每一层类别的数量定义模型的数量。例如,数据索引第0级有1个类簇,经过第1级的聚类后得到4个类簇,记为c1,1,c1,2,c1,3和c1,4;第2级聚类时将以上4个类簇中的数据各自划分至2个类簇,记为c2,1,c2,2,c2,3,...,c2,8。那么,对应的数据索引更新网络的第0级包含1个模型,记为M0,第1级包含4个模型,记为M1,1,M1,2,M1,3和M1,4,第2级包含8个模型,记为M2,1,M2,2,...,M2,8。对于模型M0其输入为地球空间数据的深度语义特征和时间特征、空间特征,输出为索引计算网络输出的索引值,模型的训练过程就是学习索引的生成过程,模型的测试过程就是根据学习结果预测索引的过程。在索引计算网络计算时,每个模型的训练数据是与之对应类簇中的数据,即模型M1,1的训练数据为c1中的地球空间数据。训练后的索引计算网络用于根据索地球空间数据的深度语义特征和时间特征、空间特征生成对应的索引,作为新增数据的索引更新方法。索引计算采用逐级方式进行,即根据M0的输出结果(称之为索引预测值)与c1,1,c1,2,c1,3和c1,4的隶属关系,选择第一级的模型进行计算,即如果索引预测值隶属于c1,2,则将数据输入到M1,2中进一步计算。
(2)自适应模型结构
提取数据索引更新网络各节点中的线性回归模型中的结构参数,如网络层数、神经元个数及网络索引模型树的深度等,将其作为可以训练的参数,通过不断地训练过程得到最佳结果。这是因为在数据划分过程中已经得到了多种不同的数据类簇,但是不同的类簇在数据分布的复杂性、数据量的大小等几个方面都会有所不同,难以用固定统一的神经网络模型来进行表达,需要针对每一个类簇动态调整神经网络结构。首先初始化多个神经网络模型,然后分别对上一步得到的多个数据区域进行训练,利用前馈神经网络对其中的数据分布进行拟合,得到多个神经网络模型。然后,将递归网络模型中的树的层级、每个层级中的模型数量、模型的层级结构、神经网络的层数、神经元个数等进行提取,定义为可以通过训练确定的超参数。训练时,通过调整神经网络层数、神经元个数以及增加递归索引模型树的深度等不断优化,得到最佳的训练结果。同时,根据数据分区中数据量与稀疏程度的不同设置动态的误差阈值,当数据量较小时,对于稀疏的数据,允许适当调高误差阈值,在不带来额外的性能损失的前提下达到简化模型结构、加速训练的效果。
本发明还提出一种用于地球空间数据的索引计算系统,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于地球空间数据的索引计算方法,其特征在于,包括如下步骤:
步骤1,数据语义提取:获取具有类别标签、时间问题、空间位置信息的地球空间数据,并使用空间金字塔技术对获取的地球空间数据进行增强处理,得到具有不同分辨率尺度、覆盖不同空间范围的地球空间数据网格;建立深度语义提取网络,使用DenseNet网络结构作为主干网络,在DenseNet网络后按顺序增加全连接层、softmax分类层和投票分类器,softmax分类层的输出结果是网格上的初步预测结果,投票分类器将同一数据不同网格上的softmax分类结果进行集成得到最终的分类结果,投票分类器的输出结果即为地球空间数据的语义类别,全连接层的输出结果即为地球空间数据的深度语义特征向量;
步骤2,数据索引计算:对所有的地球空间数据分别进行语义相关性度量,即在深度语义特征维度、时间维度和空间维度的特征相似度,对不同维度上的相似度加权得到全局相关性;根据地球空间数据间的全局相关性生成地球空间数据相关组,地球空间数据相关组包含三个元素,一个是随机选择的数据,称之为目标数据,一个是与目标数据存在语义相关性关系的地球空间数据,称之为相关数据,另一个则是与目标数据之间不具备语义相关性或相关性不明显的地球空间数据,称之为无关数据;建立索引计算网络,该网络中有三个分支,不同分支采用相同的神经网络结构并共享参数,输入分别为深度语义提取网络输出的地球空间数据的深度语义特征向量、地球空间数据自身的时间特征向量和空间特征向量,输出为二进制表示的地球空间数据的索引;
步骤3,数据索引更新:利用神经网络模型建立树状结构的索引更新网络,在索引更新网络中,每个节点是一个线性回归模型,采用逐级聚类的方式,将所有的数据索引由大到小划分为具有多个层次的类别,不同层次中类别的数量不同,类别中包含的数据个数也不同,再根据逐级聚类的结果建立与类别结构一致的树状索引更新网络,其中每个节点中的模型分别对应逐级聚类得到的一个类簇,训练数据是该类簇中的地球空间数据,模型输入为地球空间数据的深度语义特征和时间特征、空间数据,输出为索引计算网络生成的索引值,索引更新网络的训练过程就是学习地球空间数据索引的生成过程,训练后的索引更新网络用于根据新增数据的特征直接计算索引。
2.根据权利要求1所述的用于地球空间数据的索引计算方法,其特征在于,步骤1中,获取具有类别标签、时间问题、空间位置信息的地球空间数据,并使用空间金字塔技术对获取的地球空间数据进行增强处理,得到具有不同分辨率尺度、覆盖不同空间范围的地球空间数据网格,具体方法为:
对地球空间数据进行尺寸缩放和重采样,得到具有不同空间分辨率的数据,再采用地球网格剖分方法将这些数据划分成一组在空间分辨率、空间覆盖范围存在差别的数据网格;最后,将这些地球空间数据网格统一缩放至便于神经网络模型训练的数据尺寸。
3.根据权利要求1所述的用于地球空间数据的索引计算方法,其特征在于,步骤2,对所有的地球空间数据分别进行语义相关性度量,即在深度语义特征维度、时间维度和空间维度的特征相似度,对不同维度上的相似度加权得到全局相关性,具体方法为:
(1)深度语义特征维度的特征相似度
深度语义特征维度的特征相似度用于描述地球空间数据之间对同一事物概念或特征的描述存在的相似性,用地球空间数据的类别间的距离和深度语义特征向量的距离来表示:
SD(imgi,imgj)=ωc||ci-cj||+ωf||fi-fj||, (1)
其中,||ci-cj||代表两个地球空间数据所属的类的距离,根据类别之间的关系预先定义,相关性强的类别间距离较小,相关性弱的类别间距离较大;||fi-fj||表示两幅地球空间数据的深度特征语义向量的距离;利用权重参数ωc、ωf调节二者在语义相关性计算中的比重;
(2)时间维度的特征相似度
时间维度的特征相似度体现了不同的地球空间数据在时间维度上的距离与数据的相似性之间存在的关系,表示为时间距离的函数,根据数据特征随时间的推移是否存在周期性变化,地球空间数据分为周期性地球空间数据和非周期性地球空间数据,在对地球空间数据进行时间相关性分析时,根据数据周期特性的不同而采取不同的计算方法,时间相关性表达式如下:
其中,D和d分别表示两个地球空间数据的绝对时间距离和相对时间距离,TTI表示数据的间隔周期数量,f(D)和f(d,TTI)分别表示非周期性数据和周期性数据的时间相似性函数;
(3)空间维度的特征相似度
空间维度的特征相似度是对地球空间数据之间因形状、空间位置而产生的相关性关系的度量,包括分辨率差异、空间距离、拓扑关系三个方面,具体而言,将空间维度的特征相似度表示为分辨率相关性、空间关系相关性的函数,再将空间关系相关性进一步用拓扑关系相关性和距离关系相关性来表示;
SS(imgi,imgj)=ωRSResolution(imgi,imgj)+ωSRSSpatialRelation(imgi,imgj), (3)
其中,SResolution(imgi,imgj)和SSpatialRelation(imgi,imgj)分别为数据imgi和imgj的分辨率相关性和空间关系相关性,ωR和ωSR分别代表根据两者计算空间关系相关性时各自对应的比例系数;
(4)全局相关性
两个地球空间数据的全局相关性是三类关系相关性的加权和,并为不同类型的相关性指定权重,并使得权重和为1,综上,地球空间数据的相关性表示为:
S(imgi,imgj)=ωDSD(imgi,imgj)+ωTST(imgi,imgj)+ωSSS(imgi,imgj) (6)
其中ωD,ωT和ωS用于调整以平衡三个相关性的贡献。
4.根据权利要求3所述的用于地球空间数据的索引计算方法,其特征在于,空间维度的特征相似度是对地球空间数据之间因形状、空间位置而产生的相关性关系的度量,包括分辨率差异、空间距离、拓扑关系三个方面,具体而言,将空间维度的特征相似度表示为分辨率相关性、空间关系相关性的函数,再将空间关系相关性进一步用拓扑关系相关性和距离关系相关性来表示,其中:
分辨率相关性指的是地球空间数据在空间尺度上的相似性,地物的电磁波谱特征在不同的尺度下,呈现不同的性质,因此在不同的空间分辨率下,地球空间数据通常表现出不同的特征,两个地球空间数据之间的分辨率相差越大,则这两者数据的相关性越小,当尺度相关性小于某一个阈值时,则认为数据不存在相关性;
其中,β为尺度上的相似性衰减因子,resolutioni和resolutionj分别表示两幅地球空间数据的空间分辨率,通过最大与最小分辨率的比值表示数据在尺度上的差距;
空间关系相关性指从空间关系组成的角度分析,两个地球空间数据之间呈现出来的相关性,具体包括拓扑关系相关性和距离关系相关性,即
SSpatialRelation(imgi,imgj)=ωtopoStopo+ωdisSdis (5)
将地球空间数据的几何类型看作多边形,拓扑关系相关性就是根据两个数据的拓扑关系的不同而赋予不同的值,任意两个地球空间数据之间的拓扑关系有6种不同的类型,分别是相离、相接、重叠、包含、被包含、相等,定义相离关系的权重为0,相等关系的权重为1,相接、重叠、包含、被包含这些拓扑关系取值在区间[0,1]内;
距离关系相关性采用定量度量的方式来计算距离相关性。
5.根据权利要求1所述的用于地球空间数据的索引计算方法,其特征在于,步骤2,建立索引计算网络,该网络中有三个分支,不同分支采用相同的神经网络结构并共享参数,其中:
一个分支中包含特征融合模块和量化编码模块两部分,特征融合模块由多个全连接层构成,输入为经过L2归一化处理的地球空间数据的深度语义特征和时间特征、空间特征,输出为融合后的特征向量;量化编码模块中使用sigmoid激活层将特征融合模块输出的融合特征向量限制在[0,1]区间内,再对其量化得到二进制编码结果,即为地球空间数据的索引。
6.根据权利要求1所述的用于地球空间数据的索引计算方法,其特征在于,步骤3,在建立树状结构的索引更新网络时,按照每一层类别的数量定义模型的数量,设数据索引第0级有1个类簇,经过第1级的聚类后得到4个类簇,记为c1,1,c1,2,c1,3和c1,4,第2级聚类时将以上4个类簇中的数据各自划分至2个类簇,记为c2,1,c2,2,c2,3,…,c2,8,那么,对应的数据索引更新网络的第0级包含1个模型,记为M0,第1级包含4个模型,记为M1,1,M1,2,M1,3和M1,4,第2级包含8个模型,记为M2,1,M2,2,…,M2,8;对于模型M0其输入为地球空间数据的深度语义特征和时间特征、空间特征,输出为索引计算网络输出的索引值,模型的训练过程就是学习索引的生成过程,模型的测试过程就是根据学习结果预测索引的过程,在索引计算网络计算时,每个模型的训练数据是与之对应类簇中的数据,即模型M1,1的训练数据为c1中的地球空间数据,训练后的索引计算网络用于根据地球空间数据的深度语义特征和时间特征、空间特征生成对应的索引,作为新增数据的索引更新方法;索引计算采用逐级方式进行,即根据M0的输出结果与c1,1,c1,2,c1,3和c1,4的隶属关系,选择第一级的模型进行计算,即如果索引预测值隶属于c1,2,则将数据输入到M1,2中进一步计算。
7.根据权利要求1所述的用于地球空间数据的索引计算方法,其特征在于,针对每一个类簇动态调整神经网络结构,具体方法为:
初始化多个神经网络模型,分别对划分的多个数据区域进行训练,利用前馈神经网络对其中的数据分布进行拟合,得到多个神经网络模型;
将递归网络模型中的树的层级、每个层级中的模型数量、模型的层级结构、神经网络的层数、神经元个数,定义为超参数,训练时通过调整超参数不断优化模型,得到最佳的训练结果;
同时,根据数据分区中数据量与稀疏程度的不同设置动态的误差阈值,当部分类别中数据少、分布稀疏时,提高其对应模型的误差阈值,有助于在不带来额外的性能损失的前提下简化模型结构、加速训练过程。
8.一种用于地球空间数据的索引计算系统,其特征在于,基于权利要求1-7任一项所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算,包括:
数据语义提取模块:获取具有类别标签、时间问题、空间位置信息的地球空间数据,并使用空间金字塔技术对获取的地球空间数据进行增强处理,得到具有不同分辨率尺度、覆盖不同空间范围的地球空间数据网格;建立深度语义提取网络,使用DenseNet网络结构作为主干网络,在DenseNet网络后按顺序增加全连接层、softmax分类层和投票分类器,softmax分类层的输出结果是网格上的初步预测结果,投票分类器将同一数据不同网格上的softmax分类结果进行集成得到最终的分类结果,投票分类器的输出结果即为地球空间数据的语义类别,全连接层的输出结果即为地球空间数据的深度语义特征向量;
数据索引计算模块:对所有的地球空间数据分别进行语义相关性度量,即在深度语义特征维度、时间维度和空间维度的特征相似度,对不同维度上的相似度加权得到全局相关性;根据地球空间数据间的全局相关性生成地球空间数据相关组,地球空间数据相关组包含三个元素,一个是随机选择的数据,称之为目标数据,一个是与目标数据存在语义相关性关系的地球空间数据,称之为相关数据,另一个则是与目标数据之间不具备语义相关性或相关性不明显的地球空间数据,称之为无关数据;建立索引计算网络,该网络中有三个分支,不同分支采用相同的神经网络结构并共享参数,输入分别为深度语义提取网络输出的地球空间数据的深度语义特征向量、地球空间数据自身的时间特征向量和空间特征向量,输出为二进制表示的地球空间数据的索引;
数据索引更新模块:利用神经网络模型建立树状结构的索引更新网络,在索引更新网络中,每个节点是一个线性回归模型,采用逐级聚类的方式,将所有的数据索引由大到小划分为具有多个层次的类别,不同层次中类别的数量不同,类别中包含的数据个数也不同,再根据逐级聚类的结果建立与类别结构一致的树状索引更新网络,其中每个节点中的模型分别对应逐级聚类得到的一个类簇,训练数据是该类簇中的地球空间数据,模型输入为地球空间数据的深度语义特征和时间特征、空间数据,输出为索引计算网络生成的索引值,索引更新网络的训练过程就是学习地球空间数据索引的生成过程,训练后的索引更新网络用于根据新增数据的特征直接计算索引。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-7任一项所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-7任一项所述的用于地球空间数据的索引计算方法,实现面向多源地球空间数据的语义索引计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463846.XA CN116303839B (zh) | 2022-11-22 | 2022-11-22 | 用于地球空间数据的索引计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463846.XA CN116303839B (zh) | 2022-11-22 | 2022-11-22 | 用于地球空间数据的索引计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116303839A CN116303839A (zh) | 2023-06-23 |
CN116303839B true CN116303839B (zh) | 2023-11-21 |
Family
ID=86815470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463846.XA Active CN116303839B (zh) | 2022-11-22 | 2022-11-22 | 用于地球空间数据的索引计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116303839B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2339481A1 (en) * | 2009-12-03 | 2011-06-29 | National Digital Research Centre | Enablement of three-dimensional hosting, indexing, analysing and querying structure for spatial systems |
CN113434736A (zh) * | 2021-06-10 | 2021-09-24 | 中国科学院电子学研究所苏州研究院 | 一种面向遥感大数据的多维混合索引方法及系统 |
CN114491088A (zh) * | 2021-12-27 | 2022-05-13 | 咪咕文化科技有限公司 | 空间数据语义查询方法及装置 |
-
2022
- 2022-11-22 CN CN202211463846.XA patent/CN116303839B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2339481A1 (en) * | 2009-12-03 | 2011-06-29 | National Digital Research Centre | Enablement of three-dimensional hosting, indexing, analysing and querying structure for spatial systems |
CN113434736A (zh) * | 2021-06-10 | 2021-09-24 | 中国科学院电子学研究所苏州研究院 | 一种面向遥感大数据的多维混合索引方法及系统 |
CN114491088A (zh) * | 2021-12-27 | 2022-05-13 | 咪咕文化科技有限公司 | 空间数据语义查询方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116303839A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
Gramacy et al. | Parameter space exploration with Gaussian process trees | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
CN111222847A (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
J. Toal et al. | Performance of an ensemble of ordinary, universal, non-stationary and limit Kriging predictors | |
CN113312925B (zh) | 一种基于自强化学习的遥感影像文本生成及优化方法 | |
Sood et al. | Neunets: An automated synthesis engine for neural network design | |
KR100895481B1 (ko) | 다중 클래스 svm을 이용한 영역 기반 이미지 검색 방법 | |
CN114463548A (zh) | 一种基于视觉特征与胶囊网络的图像分类方法 | |
CN109409434A (zh) | 基于随机森林的肝脏疾病数据分类规则提取的方法 | |
CN116303839B (zh) | 用于地球空间数据的索引计算方法 | |
Tian et al. | Research of consumption behavior prediction based on improved DNN | |
Kumbhare et al. | Matdram: A pure-matlab delayed-rejection adaptive metropolis-hastings markov chain monte carlo sampler | |
Kocacoban et al. | Fast online learning in the presence of latent variables | |
CN115757804A (zh) | 一种基于多层路径感知的知识图谱外推方法及系统 | |
CN115062551A (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN115019083A (zh) | 基于少样本学习的词嵌入图神经网络的细粒度图分类方法 | |
KR20090021809A (ko) | 영역 필터링을 이용한 영역 기반 이미지 검색 방법 | |
Mala et al. | Fuzzy rule based classification for heart dataset using fuzzy decision tree algorithm based on fuzzy RDBMS | |
CN117421497B (zh) | 作品对象的处理方法、装置、可读存储介质及电子设备 | |
Kaur et al. | Measuring the nearness of layered flow graphs: Application to Content Based Image Retrieval | |
Nguyen et al. | A Hybrid Fuzzy C-Medoids Clustering Using The Whale Optimization Algorithm |
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 |