CN117828538B - 基于权重分配的多源信息综合分析方法及系统 - Google Patents
基于权重分配的多源信息综合分析方法及系统 Download PDFInfo
- Publication number
- CN117828538B CN117828538B CN202410250858.7A CN202410250858A CN117828538B CN 117828538 B CN117828538 B CN 117828538B CN 202410250858 A CN202410250858 A CN 202410250858A CN 117828538 B CN117828538 B CN 117828538B
- Authority
- CN
- China
- Prior art keywords
- information
- space
- data sources
- different data
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000008447 perception Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011435 rock Substances 0.000 claims abstract description 18
- 238000005553 drilling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及岩土工程多源信息处理技术领域，具体公开了一种基于权重分配的多源信息综合分析方法及系统，方法包括：构建岩体结构的综合属性指标；将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；从整个空间中选择多个中心空间单元，分别作为中心点，构建多个局部感知域；计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。本发明对多种不同的数据源进行融合分析，能够提供更全面的信息。利用信息熵来确定不同数据源的贡献度，可以更好地综合不同数据来源的信息，为后期的地质探测手段提供参考。
Description
技术领域
本发明涉及岩土工程多源信息处理技术领域，尤其涉及一种基于权重分配的多源信息综合分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
隧道勘察与掘进期间存在钻探、物探以及开挖揭露等多源时空地质信息，各种数据维度、尺度、类型不一且空间关联性较差，难以实现海量多源异构时空数据的充分利用。
在地质建模过程中，多源异构的数据尚未形成一个综合的量化指标，往往以单一的属性进行呈现，多种属性模型的构建存在建模过程耗时费力、单一数据源数据量过少导致属性模型效果不佳、构建后的模型难以及时更新等问题，很大程度上限制了三维地质属性模型的推广和应用。对不同来源、不同维度、不同类型、不同精度的多源、异构数据进行无缝整合与同化，是大数据时代对地质勘探信息处理的必然要求。
通过深度学习的图像处理技术和相关性分析方法，可以建立开挖揭露图像、点云信息和探测数据与（结构/不良地质）属性信息的整合与同化数学模型，结合网格剖分和粗化技术形成规则统一的数据格式和数字化表征方法。但是，不同数据源的数据仍存在局部各向异性和空间分布不均匀性，这可能导致信息失真、模型不一致性、空间关联性丧失、模型泛化困难和数据采样偏差。尽管先进技术改善了多源数据的集成，但在处理不同地质空间或方向上的局部差异时，模型的性能仍会受到限制。
发明内容
为了解决上述问题，本发明提出了一种基于权重分配的多源信息综合分析方法及系统，通过使用互信息来自适应地分配权重，该方法可以更好地适应不同信息源之间的变化关系，从而提高了信息融合的灵活性和准确性。
在一些实施方式中，采用如下技术方案：
一种基于权重分配的多源信息综合分析方法，包括：
获取图像数据、钻孔岩芯、物探信息和钻孔声波信息，作为不同数据源信息，并对获取的数据进行预处理；
构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。
在另一些实施方式中，采用如下技术方案：
一种基于权重分配的多源信息综合分析系统，包括：
数据获取模块，用于获取图像数据、钻孔岩芯、物探信息、钻孔声波信息，作为不同数据源信息，并对获取的数据进行预处理；
综合属性指标表征模块，用于构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
空间属性构建模块，用于将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
局部感知域构建模块，用于从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
权重计算模块，用于基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于权重分配的多源信息综合分析方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于权重分配的多源信息综合分析方法。
与现有技术相比，本发明的有益效果是：
（1）本发明对多种不同的数据源进行融合分析，能够提供更全面的信息。通过利用信息熵来确定不同数据源的贡献度，确定不同数据源的权重占比，可以更好地综合不同数据来源的信息，为后期的地质探测手段提供参考。
（2）本发明通过不同数据源两两之间的互信息，确定与中心点具有强关联性的空间单元，从而构建局部感知域，可以捕捉多个信息源之间的相关性，更好地适应不同信息源之间的变化关系，从而提高了信息融合的灵活性和准确性。
（3）本发明通过信息熵计算每一种数据源在局部感知域乃至整个空间中的权重占比，将更高的权重分配给具有更多独立信息的源，减小了冗余信息的影响，有助于提高信息融合的效率和可行性。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于权重分配的多源信息综合分析方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于权重分配的多源信息综合分析方法，结合图1，具体包括如下过程：
（1）获取图像数据、钻孔岩芯、物探信息、钻孔声波信息；对获取的数据进行预处理；
本实施例中，数据获取的过程采用现有技术实现，对于某一地质区域，分别获取其图像数据、钻孔岩芯、物探信息和钻孔声波信息等多种数据来源的数据。
对于获取的数据，经过清洗、去噪及异常值剔除等常规数据处理过程，然后将不同数据源数据的空间坐标进行对准，确保它们在相同的坐标系统下表示相同的地理位置，以便进行后续的综合分析。
（2）构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
本实施例为所有数据源统一构建岩体结构的综合属性指标，综合属性指标可以根据需要确定，比如可以是岩体完整性指标。
选定了综合属性指标之后，从不同的数据源中提取能够对该综合属性指标进行数字化表征的特征，特征可以为一种，也可以为多种；对特征进行归一化后，利用归一化后的特征对综合属性指标进行数字化表征。
比如：仍然以岩体完整性指标为例，对于图像数据，可以通过提取虚拟测窗的横向和纵向RBI值来量化每个测点处岩体完整性程度。
具体的利用不同数据源特征对综合属性指标进行数字化表征的方法均是现有技术，本实施例不做详细说明。
本实施例对于每个数据源提取的特征信息，进行归一化或标准化，确保它们在相同的数值范围内。这有助于避免不同数据源之间的数值差异对最终数字化表征的影响。
如果特征过于庞大，可以进行特征选择，选择对于岩体结构属性最具代表性和影响力的特征。这可以通过相关性分析、主成分分析（PCA）、信息增益等方法来实现。
（3）将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
本实施例中，将整个空间划分为网格，形成均匀的空间单元。网格剖分是将连续空间离散为离散单元的关键步骤。每个空间单元可以看作是空间中的一个离散点。为每个空间单元分配坐标，可以采用空间单元的中心、节点或其他指定位置的坐标作为空间单元的坐标。利用粗化技术将前述建立的不同数据源的综合属性指标分别赋予每个空间点。将具有坐标和属性值的空间点集合成一个整体；从而得到每个数据源的空间属性数据集。
（4）从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
本实施例中，计算每个空间单元位置处的互信息值，对于每一个中心点，选择其周围互信息值最大的前N个空间单元作为成员，构建局部感知域。
其中，计算每个空间单元位置处的互信息值的过程具体如下：
（4-1）对于每个数据源，计算不同空间位置和属性信息的边缘概率分布。
；
；
表示在数据源1中空间位置为/>的边缘概率分布，/>表示在数据源2中属性信息为/>的边缘概率分布。
（4-2）计算联合概率分布，即对每一对离散化三维空间坐标与其对应的属性信息，计算他们在两个数据源（以数据源1和数据源2为例）中同时出现的概率。
；
表示空间单元位置/>处对应/>的样本，在数据源1和数据源2中同时出现的概率。
（4-3）利用边缘概率分布和联合概率分布，计算空间单元位置处，数据源1和数据源2之间的互信息值。
；
（4-4）重复上述过程，分别计算空间单元位置处，所有数据源两两之间的互信息值，然后计算所有这些互信息值的总和，得到空间单元位置/>处的互信息值；
（4-5）按照上述过程可以得到每个空间单元位置处的互信息值。
构建局部感知域的过程具体如下：
（4-6）选择中心点。从数据空间中选择多个中心点，将其作为局部感知域的中心，选择的标准包括但不限于数据的高密度区域、聚类中心等。
（4-7）定义邻域范围。设置一个合适的半径或者距离阈值来定义中心点的邻域范围。具体范围可以依据数据特性和应用场景进行调整。
（4-8）选择局部感知域成员。对于每个中心点，选取其邻域范围内互信息值最大的top-n个空间单元及属性信息作为该局部感知域的其他成员，以此保证局部感知域中各成员之间具有较强的依赖关系。在排序过程中，排序顺序被设定为互信息的降序排序。
（4-9）基于上述（4-6）-（4-8）的过程，可以得到每一个中心点对应的局部感知域。
上述过程的目的是在整体数据空间中确定多个局部感知域，每个局部感知域都由中心点和与其有较强关联的其他空间单元组成。通过这种方式，可以在整体数据中提取相关信息，形成具有局部一致性的数据子集。
（5）基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。
本实施例中，计算每一个局部感知域内不同数据源的权重占比的过程具体如下：
（5-1）将连续的属性值划分为若干离散的区间；可以根据具体情况选择合适的划分方式，比如等宽划分或者等频划分。
（5-2）对于每个数据源在局部感知域内的数据点，将其属性值归类到相应的区间并统计每个区间内的数据点数量；
（5-3）对于每个区间，将其包含数据点数量除以局部感知域内的总空间单元的数量，得到频率；计算公式如下：
；
（5-4）使用区间频率对不同数据源进行信息熵计算，将归一化后的信息熵作为不同数据源在局部感知域的权重。
例如：数据源1的信息熵计算公式如下：
；
使用标准化归一化后的信息熵作为不同数据源在局部感知域的权重。标准化公式如下：
；
其中，N是局部感知域内属性值的数量，Hmax是相对熵的最大可能值。
最终数据源1的权重就是标准化、归一化后的信息熵值。
其他数据源的计算方法与数据源1是相同的。
对于每个局部感知域，已经通过互信息计算、局部感知域构建、权重分配等步骤得到了不同数据源在各个感知域内的权重占比。在感知域分析的最后一步，我们需要将各个局部感知域的分析结果进行集成，以得到多源信息全域的综合分析结果。
可以进行如下形式的分析：
①权重插值或映射。对于每个局部感知域，将得到的权重占比结果通过插值或映射方法，将其扩展到整个数据空间。这可以使用插值方法（如双线性插值、三次样条插值）或者通过数学映射函数的方法，对整个空间中所有局部感知域之外的区域进行处理，得到这些区域的不同数据源权重占比，可以对后续地质探测手段提供参考。
②权重空间分布可视化。将获得的权重在整个数据空间进行可视化，可以通过生成权重的热力图或空间分布图来展示不同区域的权重变化。这有助于理解不同地点对于不同数据源的依赖性。
③权重空间分析与解释。进行权重空间分析，考察权重在整个数据空间的变化趋势，找出可能的规律和关联。这可以帮助解释不同地区对于不同数据源的响应程度。
实施例二
在一个或多个实施方式中，公开了一种基于权重分配的多源信息综合分析系统，包括：
数据获取模块，用于获取图像数据、钻孔岩芯、物探信息、钻孔声波信息，作为不同数据源信息，并对获取的数据进行预处理；
综合属性指标表征模块，用于构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
空间属性构建模块，用于将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
局部感知域构建模块，用于从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
权重计算模块，用于基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。
上述各模块的具体实现方式与实施例一中相同，不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、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程序时实现实施例一中的基于权重分配的多源信息综合分析方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于权重分配的多源信息综合分析方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于权重分配的多源信息综合分析方法，其特征在于，包括：
获取图像数据、钻孔岩芯、物探信息和钻孔声波信息，作为不同数据源信息，并对获取的数据进行预处理；
构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比；
所述构建局部感知域的过程具体如下：
（4-6）选择中心点；从数据空间中选择多个中心点，将其作为局部感知域的中心；
（4-7）定义邻域范围；设置一个合适的半径或者距离阈值来定义中心点的邻域范围；
（4-8）选择局部感知域成员；对于每个中心点，选取其邻域范围内互信息值最大的top-n个空间单元及属性信息作为该局部感知域的其他成员；在排序过程中，排序顺序被设定为互信息的降序排序；
（4-9）基于上述（4-6）-（4-8）的过程，得到每一个中心点对应的局部感知域；
在整体数据空间中确定多个局部感知域，每个局部感知域都由中心点和与其有较强关联的其他空间单元组成；在整体数据中提取相关信息，形成具有局部一致性的数据子集；
计算每一个局部感知域内不同数据源的权重占比的过程具体如下：
（5-1）将连续的属性值划分为若干离散的区间；
（5-2）对于每个数据源在局部感知域内的数据点，将其属性值归类到相应的区间并统计每个区间内的数据点数量；
（5-3）对于每个区间，将其包含数据点数量除以局部感知域内的总空间单元的数量，得到频率；计算公式如下：
；
（5-4）使用区间频率对不同数据源进行信息熵计算，将归一化后的信息熵作为不同数据源在局部感知域的权重；
数据源1的信息熵计算公式如下：
；
使用标准化归一化后的信息熵作为不同数据源在局部感知域的权重；标准化公式如下：
；
其中，N是局部感知域内属性值的数量，Hmax是相对熵的最大可能值；
最终数据源1的权重就是标准化、归一化后的信息熵值；
其他数据源的计算方法与数据源1是相同的。
2.如权利要求1所述的一种基于权重分配的多源信息综合分析方法，其特征在于，基于所述综合属性指标对不同数据源进行特征提取，具体为：
根据构建的综合属性指标，从每一种数据源中分别提取能够对所述综合属性指标进行数字化表征的特征，所述特征为一种或多种。
3.如权利要求1所述的一种基于权重分配的多源信息综合分析方法，其特征在于，计算每个空间单元位置处的互信息值，具体为：
；
其中，表示在空间单元位置/>处，数据源1和数据源2之间的互信息值；表示空间单元位置/>处对应/>的样本，在数据源1和数据源2中同时出现的概率；/>表示在数据源1中空间位置为/>的边缘概率分布，/>表示在数据源2中属性信息为/>的边缘概率分布；
计算空间单元位置处，每个数据源两两之间的互信息值的总和，得到空间单元位置/>处的互信息值；进而得到每个空间单元位置处的互信息值。
4.一种基于权重分配的多源信息综合分析系统，应用如权利要求1-3任一项所述的一种基于权重分配的多源信息综合分析方法，其特征在于，包括：
数据获取模块，用于获取图像数据、钻孔岩芯、物探信息、钻孔声波信息，作为不同数据源信息，并对获取的数据进行预处理；
综合属性指标表征模块，用于构建岩体结构的综合属性指标，基于所述综合属性指标对不同数据源进行特征提取并归一化，利用归一化后的特征对综合属性指标进行数字化表征；
空间属性构建模块，用于将整个空间划分多个均匀的空间单元，为每一个空间单元分配坐标，将不同数据源的综合属性指标分别赋予每个空间单元；
局部感知域构建模块，用于从整个空间中选择多个中心空间单元，分别作为中心点，以每一个中心点为中心，选择与其强关联的多个空间单元作为成员，构建多个局部感知域；
权重计算模块，用于基于每一种数据源在单个局部感知域内数据点的数量，计算每一个局部感知域内不同数据源的权重占比；通过插值的方法得到整个空间内不同数据源的权重占比。
5.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-3任一项所述的基于权重分配的多源信息综合分析方法。
6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-3任一项所述的基于权重分配的多源信息综合分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410250858.7A CN117828538B (zh) | 2024-03-06 | 2024-03-06 | 基于权重分配的多源信息综合分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410250858.7A CN117828538B (zh) | 2024-03-06 | 2024-03-06 | 基于权重分配的多源信息综合分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117828538A CN117828538A (zh) | 2024-04-05 |
| CN117828538B true CN117828538B (zh) | 2024-05-31 |
Family
ID=90513773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410250858.7A Active CN117828538B (zh) | 2024-03-06 | 2024-03-06 | 基于权重分配的多源信息综合分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828538B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930586A (zh) * | 2012-10-11 | 2013-02-13 | 北京航空航天大学 | 一种基于线性旋转不变微分坐标的可交互几何变形方法 |
| CN114155398A (zh) * | 2021-11-29 | 2022-03-08 | 杭州涿溪脑与智能研究所 | 一种标注类型自适应的主动学习图像目标检测方法及装置 |
| CN117436724A (zh) * | 2023-11-06 | 2024-01-23 | 中科先进技术研究中心(深圳)有限公司 | 一种基于智慧城市的多源数据可视化分析方法及系统 |
-
2024
- 2024-03-06 CN CN202410250858.7A patent/CN117828538B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930586A (zh) * | 2012-10-11 | 2013-02-13 | 北京航空航天大学 | 一种基于线性旋转不变微分坐标的可交互几何变形方法 |
| CN114155398A (zh) * | 2021-11-29 | 2022-03-08 | 杭州涿溪脑与智能研究所 | 一种标注类型自适应的主动学习图像目标检测方法及装置 |
| CN117436724A (zh) * | 2023-11-06 | 2024-01-23 | 中科先进技术研究中心(深圳)有限公司 | 一种基于智慧城市的多源数据可视化分析方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 一种采用相空间重构的多源数据融合方法;赵皓;高智勇;高建民;王荣喜;;西安交通大学学报;20220405(08);全文 * |
| 基于D-S证据理论融合采空区多源信息的大坝安全评价;王燕;叶伟;马福恒;;水利水电技术;20200420(04);全文 * |
| 引入高斯函数的互信息法多模态图像配准;李慧慧;冯前进;陈武凡;;中国医学物理学杂志;20101115(06);全文 * |
| 邻域灰度与空间特征相结合的互信息配准方法研究;魏玉兰;颜云辉;李兵;张尧;李骏;;中国机械工程;20110225(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117828538A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Explorations of the implementation of a parallel IDW interpolation algorithm in a Linux cluster-based parallel GIS | |
| CN111950046B (zh) | 一种基于bim的钻孔数据模型构建方法 | |
| CN105630988A (zh) | 一种快速检测空间数据变化并更新的方法及系统 | |
| Zhang et al. | Integrating GIS components and spatial statistical analysis in DBMSs | |
| CN103903061A (zh) | 三维矿产资源预测评价中信息综合处理装置及其方法 | |
| CN116245013A (zh) | 一种地质预测模型构建方法、建模方法、设备及存储介质 | |
| CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
| Cavoretto et al. | Partition of unity interpolation on multivariate convex domains | |
| Gardoll et al. | Classification of tropical cyclone containing images using a convolutional neural network: Performance and sensitivity to the learning dataset | |
| CN117828538B (zh) | 基于权重分配的多源信息综合分析方法及系统 | |
| CN110309166B (zh) | 一种可溯源的地理高程数据补齐方法 | |
| Cai et al. | A methodology for 3D geological mapping and implementation | |
| Potter et al. | Ordered line integral methods for solving the eikonal equation | |
| Pérez-Sinticala et al. | Evaluation of primitive extraction methods from point clouds of cultural heritage buildings | |
| US11449566B2 (en) | Methods and systems for processing geospatial data | |
| US10186058B2 (en) | Visualization of cross-pivoted data | |
| Coors et al. | Integrating quality management into a 3D geospatial server | |
| Yamamoto | A review of numerical methods for the interpolation of geological data | |
| Brenning | Geostatistics without stationarity assumptions within geographical information systems | |
| CN113593025B (zh) | 地质体模型更新方法、装置、设备及存储介质 | |
| CN114488312B (zh) | 一种基于正态分布的薄互层砂厚预测方法 | |
| CN118015219B (zh) | 基于定性克里金插值的地质模型的生成方法、装置及设备 | |
| CN111814080B (zh) | 一种基于互联网技术的大规模数据辅助分析系统 | |
| CN116310226B (zh) | 三维对象层级模型生成方法、装置、设备和存储介质 | |
| Lin et al. | A new GIS approach for estimating shallow groundwater recharge and discharge |
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 |