CN118113805A - 一种基于深度学习的地理信息勘测校准方法及系统 - Google Patents
一种基于深度学习的地理信息勘测校准方法及系统 Download PDFInfo
- Publication number
- CN118113805A CN118113805A CN202410524082.3A CN202410524082A CN118113805A CN 118113805 A CN118113805 A CN 118113805A CN 202410524082 A CN202410524082 A CN 202410524082A CN 118113805 A CN118113805 A CN 118113805A
- Authority
- CN
- China
- Prior art keywords
- geographic information
- information survey
- rnn
- data
- calibration model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 23
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 241001600609 Equus ferus Species 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 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
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Instructional Devices (AREA)
Abstract
本发明涉及数据分析领域,特别是一种基于深度学习的地理信息勘测校准方法及系统。通过基于RNN循环神经网络建立RNN地理信息勘测校准模型,在RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到地理信息勘测校准模型;通过WHO野马优化算法对地理信息勘测校准模型中的参数进行优化,得到地理信息勘测校准模型;将验证地理信息勘测数据输入至地理信息勘测校准模型中进行验证,得到地理信息勘测校准模型;将实时地理信息勘测数据输入至地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;对地理信息勘测校准结果进行判断。能更精确地校准原始勘测数据。
Description
技术领域
本发明涉及数据分析领域,特别是一种基于深度学习的地理信息勘测校准方法及系统。
背景技术
在实际勘测过程中,由于地形地貌的复杂性、勘测设备的精度限制以及人为操作误差等多种因素,勘测数据的准确性常常受到挑战。这种误差不仅影响地理信息系统的数据质量,还可能对基于这些数据做出的决策产生误导。传统的地理信息勘测校准方法主要依赖于复杂的数学模型和物理校正技术,但这些方法在处理大规模、多样化的地理信息数据时,往往效率低下,且难以适应各种复杂地形和环境变化。因此如何提升地理信息勘测校准的准确性和有效性是现阶段从丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于深度学习的地理信息勘测校准方法及系统。
实现上述目的本发明的技术方案为,进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述地理信息勘测校准方法包括以下步骤:
获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
通过WHO野马优化算法对所述初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据,包括:
获取系统中的历史地理信息勘测数据,所述历史地理信息勘测数据至少包括地形地貌数据、遥感影像数据、地图数据、地质数据、交通道路数据;
模拟不同季节的天气条件,调整所述历史地理信息勘测数据的色温和亮度,得到第一地理信息勘测数据集;
对所述第一地理信息勘测数据集进行旋转和缩放,得到第二地理信息勘测数据集;
对所述第二地理信息勘测数据集进行归一化处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到AE-RNN地理信息勘测校准模型,包括:
在所述RNN地理信息勘测校准模型的输入层中加入AE点积注意机制模块;
基于所述AE点积注意机制模块计算输入地理信息勘测数据对输出地理信息勘测数据的贡献大小;
利用所述AE点积注意机制模块对地理信息勘测数据分配不同权重参数,得到AE-RNN地理信息勘测校准模型。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述通过WHO野马优化算法对所述AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型,包括:
对所述AE-RNN地理信息勘测校准模型和WHO野马优化算法的进行参数初始化,设定序列长度参数、隐层张量h、隐藏层的数量种群的规模、雌雄野马的比例和WHO野马优化算法进化上限;
输入数据样本至AE-RNN地理信息勘测校准模型开始训练,对AE-RNN地理信息勘测校准模型的参数寻优求解种群中野马的适应度值,并确定最优值、最劣值和野马点位;
在WHO野马优化算法对AE-RNN地理信息勘测校准模型的参数寻优过程中,对所有野马适应排列顺序,筛选较优的野马充当新的野马种群领导者并重新修改领导者位置;
从野马种群中随机选取出10%的野马作为幼年野马,重新修改幼年野马的位置;
将现有的野马种群的最优位置、最劣位置和适应度值对所述WHO野马优化算法的参数进行更新;
断定是否到达迭代上限,如果到达上限,输出最优序列长度参数、隐层张量h、隐藏层的数量至AE-RNN地理信息勘测校准模型,得到初始AE-RNN地理信息勘测校准模型。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述将所述训练地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行训练,将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型,包括:
利用AP平均精度对所述初始AE-RNN地理信息勘测校准模型的校准能力进行评估;
将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证;
基于校准误差衡量所述初始AE-RNN地理信息勘测校准模型的校准结果和实际勘测结果的偏差,得到目标AE-RNN地理信息勘测校准模型。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果,包括:
获取实时地理信息勘测数据,对所述实时地理信息勘测数据进行数据预处理,得到第一地理信息勘测数据;
将所述第一地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
设置所述目标AE-RNN地理信息勘测校准模型的迭代次数为340次,学习率=0.00125;
将交叉熵损失函数设置为所述目标AE-RNN地理信息勘测校准模型的损失函数;
所述地理信息勘测校准结果至少包括地理信息勘测错误,地理信息勘测正确。
进一步,在上述一种基于深度学习的地理信息勘测校准方法中,所述对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,包括:
对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,得到第二地理信息勘测数据;
对所述第二地理信息勘测数据进行数据预处理,得到目标地理信息勘测数据;
将所述目标地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到目标地理信息勘测校准结果。
在一种基于深度学习的地理信息勘测校准系统中,所述地理信息勘测校准系统包括以下模块:
勘测数据处理模块,用于获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
校准模型建立模块,用于基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
校准模型优化模块,用于通过WHO野马优化算法对所述初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
校准模型验证模块,用于将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
地理信息校准模块,用于获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
校准结果判断模块,用于对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
进一步,在上述一种基于深度学习的地理信息勘测校准系统中,所述勘测数据处理模块包括以下子模块:
获取子模块,用于获取系统中的历史地理信息勘测数据,所述历史地理信息勘测数据至少包括地形地貌数据、遥感影像数据、地图数据、地质数据、交通道路数据;
调整子模块,用于模拟不同季节的天气条件,调整所述历史地理信息勘测数据的色温和亮度,得到第一地理信息勘测数据集;
处理子模块,用于对所述第一地理信息勘测数据集进行旋转和缩放,得到第二地理信息勘测数据集;
归一化子模块,用于对所述第二地理信息勘测数据集进行归一化处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据。
进一步,在上述一种基于深度学习的地理信息勘测校准系统中,所述校准模型验证模块包括以下子模块:
评估子模块,用于利用AP平均精度对所述初始AE-RNN地理信息勘测校准模型的校准能力进行评估;
验证子模块,用于将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证;
得到子模块,用于基于校准误差衡量所述初始AE-RNN地理信息勘测校准模型的校准结果和实际勘测结果的偏差,得到目标AE-RNN地理信息勘测校准模型。
其有益效果在于,通过获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;通过WHO野马优化算法对所述初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。更精确地校准原始勘测数据,不仅减少了误差,还使得勘测结果更加接近真实情况;可以实现自动化处理,大大减少了人工干预的需要,缩短了勘测和校准的周期;本方法在处理不同地形、不同环境下的勘测数据时都能表现出良好的校准效果。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中一种基于深度学习的地理信息勘测校准方法的第一个实施例示意图;
图2为本发明实施例中一种基于深度学习的地理信息勘测校准方法的第二个实施例示意图;
图3为本发明实施例中一种基于深度学习的地理信息勘测校准方法的第三个实施例示意图;
图4为本发明实施例中一种基于深度学习的地理信息勘测校准系统的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”也可包括复数形式。应所述进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种基于深度学习的地理信息勘测校准方法,地理信息勘测校准方法包括以下步骤:
步骤101、获取系统中的历史地理信息勘测数据,对历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
具体的,本实施例中获取系统中的历史地理信息勘测数据,历史地理信息勘测数据至少包括地形地貌数据、遥感影像数据、地图数据、地质数据、交通道路数据;模拟不同季节的天气条件,调整历史地理信息勘测数据的色温和亮度,得到第一地理信息勘测数据集;对第一地理信息勘测数据集进行旋转和缩放,得到第二地理信息勘测数据集;对第二地理信息勘测数据集进行归一化处理,得到地理信息勘测数据集,地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据。
具体的,本实施例中历史地理信息勘测数据还包括地形数据:描述地表形态的数据,如高程、坡度、坡向等。这些数据通常由地形测量或数字高程模型(DEM)生成。影像数据:包括卫星遥感影像、航空摄影影像等。这些影像数据提供了地表特征的直观视图,可以用于识别地貌、植被、城市区域等。地籍数据:记录土地所有权、使用权、土地面积、位置等信息的数据,常用于土地管理和规划。地质数据:描述地壳结构、岩石分布、矿产资源等地质特征的数据。环境数据:包括气象、水文、土壤等数据,用于环境监测和评估。交通数据:记录道路、铁路、桥梁、隧道等交通设施的位置和属性。居民点数据:记录城市、乡村等人类聚集的位置、规模和人口信息。
步骤102、基于RNN循环神经网络建立RNN地理信息勘测校准模型,在RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
具体的,本实施例中在RNN地理信息勘测校准模型的输入层中加入AE点积注意机制模块;基于AE点积注意机制模块计算输入地理信息勘测数据对输出地理信息勘测数据的贡献大小;利用AE点积注意机制模块对地理信息勘测数据分配不同权重参数,得到AE-RNN地理信息勘测校准模型。
具体的,本实施例中AE(Autoencoder)点积注意力机制模块通常是在自编码器结构中融入注意力机制,以增强模型对输入数据的特定部分的关注能力。虽然“AE”通常指的是自编码器,但在这里我们聚焦于点积注意力机制本身及其在自编码器或其他深度学习模型中的应用。点积注意力机制是一种模拟人类视觉注意力的方法,它允许模型在处理大量信息时选择性地关注重要的部分。其核心是使用点积公式来计算不同特征向量之间的相似度或相关性。在注意力机制中,这通常涉及查询向量(Query)、键向量(Key)和值向量(Value)。
步骤103、通过WHO野马优化算法对初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
具体的,本实施例中对AE-RNN地理信息勘测校准模型和WHO野马优化算法的进行参数初始化,设定序列长度参数、隐层张量h、隐藏层的数量种群的规模、雌雄野马的比例和WHO野马优化算法进化上限;输入数据样本至AE-RNN地理信息勘测校准模型开始训练,对AE-RNN地理信息勘测校准模型的参数寻优求解种群中野马的适应度值,并确定最优值、最劣值和野马点位;在WHO野马优化算法对AE-RNN地理信息勘测校准模型的参数寻优过程中,对所有野马适应排列顺序,筛选较优的野马充当新的野马种群领导者并重新修改领导者位置;从野马种群中随机选取出10%的野马作为幼年野马,重新修改幼年野马的位置;将现有的野马种群的最优位置、最劣位置和适应度值对WHO野马优化算法的参数进行更新;断定是否到达迭代上限,如果到达上限,输出最优序列长度参数、隐层张量h、隐藏层的数量至AE-RNN地理信息勘测校准模型,得到初始AE-RNN地理信息勘测校准模型。
步骤104、将验证地理信息勘测数据输入至初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
具体的,本实施例中利用AP平均精度对初始AE-RNN地理信息勘测校准模型的校准能力进行评估;将验证地理信息勘测数据输入至初始AE-RNN地理信息勘测校准模型中进行验证;基于校准误差衡量初始AE-RNN地理信息勘测校准模型的校准结果和实际勘测结果的偏差,得到目标AE-RNN地理信息勘测校准模型。
步骤105、获取实时地理信息勘测数据,将实时地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
具体的,本实施例中获取实时地理信息勘测数据,对实时地理信息勘测数据进行数据预处理,得到第一地理信息勘测数据;将第一地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;设置目标AE-RNN地理信息勘测校准模型的迭代次数为340次,学习率=0.00125;将交叉熵损失函数设置为目标AE-RNN地理信息勘测校准模型的损失函数;地理信息勘测校准结果至少包括地理信息勘测错误,地理信息勘测正确。
步骤106、对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
具体的,本实施例中对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,得到第二地理信息勘测数据;对第二地理信息勘测数据进行数据预处理,得到目标地理信息勘测数据;将目标地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到目标地理信息勘测校准结果。
其有益效果在于,通过获取系统中的历史地理信息勘测数据,对历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;基于RNN循环神经网络建立RNN地理信息勘测校准模型,在RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;通过WHO野马优化算法对初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;将验证地理信息勘测数据输入至初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;获取实时地理信息勘测数据,将实时地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。更精确地校准原始勘测数据,不仅减少了误差,还使得勘测结果更加接近真实情况;可以实现自动化处理,大大减少了人工干预的需要,缩短了勘测和校准的周期;本方法在处理不同地形、不同环境下的勘测数据时都能表现出良好的校准效果。
本实施例中,请参阅图2,本发明实施例中一种基于深度学习的地理信息勘测校准方法的第二个实施例,获取实时地理信息勘测数据,将实时地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果包括以下步骤:
步骤201、获取实时地理信息勘测数据,对实时地理信息勘测数据进行数据预处理,得到第一地理信息勘测数据;
步骤202、将第一地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
步骤203、设置目标AE-RNN地理信息勘测校准模型的迭代次数为340次,学习率=0.00125;
步骤204、将交叉熵损失函数设置为目标AE-RNN地理信息勘测校准模型的损失函数;
步骤205、地理信息勘测校准结果至少包括地理信息勘测错误,地理信息勘测正确。
本实施例中,请参阅图3,本发明实施例中一种基于深度学习的地理信息勘测校准方法及系统的第三个实施例,对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集包括以下步骤:
步骤301、对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,得到第二地理信息勘测数据;
步骤302、对第二地理信息勘测数据进行数据预处理,得到目标地理信息勘测数据;
步骤303、将目标地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到目标地理信息勘测校准结果;
上面对本发明实施例提供的一种基于深度学习的地理信息勘测校准方法及系统进行了描述,下面对本发明实施例的一种基于深度学习的地理信息勘测校准系统进行描述,请参阅图4,本发明实施例中地理信息勘测校准系统一个实施例包括:
勘测数据处理模块,用于获取系统中的历史地理信息勘测数据,对历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
校准模型建立模块,用于基于RNN循环神经网络建立RNN地理信息勘测校准模型,在RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
校准模型优化模块,用于通过WHO野马优化算法对初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
校准模型验证模块,用于将验证地理信息勘测数据输入至初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
地理信息校准模块,用于获取实时地理信息勘测数据,将实时地理信息勘测数据输入至目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
校准结果判断模块,用于对地理信息勘测校准结果进行判断,若地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种基于深度学习的地理信息勘测校准方法,其特征在于,所述地理信息勘测校准方法包括以下步骤:
获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
通过WHO野马优化算法对所述初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
2.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据,包括:
获取系统中的历史地理信息勘测数据,所述历史地理信息勘测数据至少包括地形地貌数据、遥感影像数据、地图数据、地质数据、交通道路数据;
模拟不同季节的天气条件,调整所述历史地理信息勘测数据的色温和亮度,得到第一地理信息勘测数据集;
对所述第一地理信息勘测数据集进行旋转和缩放,得到第二地理信息勘测数据集;
对所述第二地理信息勘测数据集进行归一化处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据。
3.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到AE-RNN地理信息勘测校准模型,包括:
在所述RNN地理信息勘测校准模型的输入层中加入AE点积注意机制模块;
基于所述AE点积注意机制模块计算输入地理信息勘测数据对输出地理信息勘测数据的贡献大小;
利用所述AE点积注意机制模块对地理信息勘测数据分配不同权重参数,得到AE-RNN地理信息勘测校准模型。
4.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述通过WHO野马优化算法对所述AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型,包括:
对所述AE-RNN地理信息勘测校准模型和WHO野马优化算法的进行参数初始化,设定序列长度参数、隐层张量h、隐藏层的数量种群的规模、雌雄野马的比例和WHO野马优化算法进化上限;
输入数据样本至AE-RNN地理信息勘测校准模型开始训练,对AE-RNN地理信息勘测校准模型的参数寻优求解种群中野马的适应度值,并确定最优值、最劣值和野马点位;
在WHO野马优化算法对AE-RNN地理信息勘测校准模型的参数寻优过程中,对所有野马适应排列顺序,筛选较优的野马充当新的野马种群领导者并重新修改领导者位置;
从野马种群中随机选取出10%的野马作为幼年野马,重新修改幼年野马的位置;
将现有的野马种群的最优位置、最劣位置和适应度值对所述WHO野马优化算法的参数进行更新;
断定是否到达迭代上限,如果到达上限,输出最优序列长度参数、隐层张量h、隐藏层的数量至AE-RNN地理信息勘测校准模型,得到初始AE-RNN地理信息勘测校准模型。
5.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型,包括:
利用AP平均精度对所述初始AE-RNN地理信息勘测校准模型的校准能力进行评估;
将验证地理信息勘测数据输入至初始AE-RNN地理信息勘测校准模型中进行验证;
基于校准误差衡量所述初始AE-RNN地理信息勘测校准模型的校准结果和实际勘测结果的偏差,得到目标AE-RNN地理信息勘测校准模型。
6.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果,包括:
获取实时地理信息勘测数据,对所述实时地理信息勘测数据进行数据预处理,得到第一地理信息勘测数据;
将所述第一地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
设置所述目标AE-RNN地理信息勘测校准模型的迭代次数为340次,学习率=0.00125;
将交叉熵损失函数设置为所述目标AE-RNN地理信息勘测校准模型的损失函数;
所述地理信息勘测校准结果至少包括地理信息勘测错误,地理信息勘测正确。
7.如权利要求1所述的一种基于深度学习的地理信息勘测校准方法,其特征在于,所述对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,包括:
对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集,得到第二地理信息勘测数据;
对所述第二地理信息勘测数据进行数据预处理,得到目标地理信息勘测数据;
将所述目标地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到目标地理信息勘测校准结果。
8.一种基于深度学习的地理信息勘测校准系统,其特征在于,所述地理信息勘测校准系统包括以下模块:
勘测数据处理模块,用于获取系统中的历史地理信息勘测数据,对所述历史地理信息勘测数据进行数据预处理,得到地理信息勘测数据集;
校准模型建立模块,用于基于RNN循环神经网络建立RNN地理信息勘测校准模型,在所述RNN地理信息勘测校准模的输入层中加入AE点积注意机制模块,得到初始AE-RNN地理信息勘测校准模型;
校准模型优化模块,用于通过WHO野马优化算法对所述初始AE-RNN地理信息勘测校准模型中的参数进行优化,得到初始AE-RNN地理信息勘测校准模型;
校准模型验证模块,用于将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证,得到目标AE-RNN地理信息勘测校准模型;
地理信息校准模块,用于获取实时地理信息勘测数据,将所述实时地理信息勘测数据输入至所述目标AE-RNN地理信息勘测校准模型中进行训练,得到地理信息勘测校准结果;
校准结果判断模块,用于对所述地理信息勘测校准结果进行判断,若所述地理信息勘测校准结果为地理信息勘测错误,则对地理信息数据进行重新采集。
9.如权利要求8所述的一种基于深度学习的地理信息勘测校准系统,其特征在于,所述勘测数据处理模块包括以下子模块:
获取子模块,用于获取系统中的历史地理信息勘测数据,所述历史地理信息勘测数据至少包括地形地貌数据、遥感影像数据、地图数据、地质数据、交通道路数据;
调整子模块,用于模拟不同季节的天气条件,调整所述历史地理信息勘测数据的色温和亮度,得到第一地理信息勘测数据集;
处理子模块,用于对所述第一地理信息勘测数据集进行旋转和缩放,得到第二地理信息勘测数据集;
归一化子模块,用于对所述第二地理信息勘测数据集进行归一化处理,得到地理信息勘测数据集,所述地理信息勘测数据集至少包括训练地理信息勘测数据和验证地理信息勘测数据。
10.如权利要求8所述的一种基于深度学习的地理信息勘测校准系统,其特征在于,所述校准模型验证模块包括以下子模块:
评估子模块,用于利用AP平均精度对所述初始AE-RNN地理信息勘测校准模型的校准能力进行评估;
验证子模块,用于将验证地理信息勘测数据输入至所述初始AE-RNN地理信息勘测校准模型中进行验证;
得到子模块,用于基于校准误差衡量所述初始AE-RNN地理信息勘测校准模型的校准结果和实际勘测结果的偏差,得到目标AE-RNN地理信息勘测校准模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410524082.3A CN118113805B (zh) | 2024-04-29 | 2024-04-29 | 一种基于深度学习的地理信息勘测校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410524082.3A CN118113805B (zh) | 2024-04-29 | 2024-04-29 | 一种基于深度学习的地理信息勘测校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118113805A true CN118113805A (zh) | 2024-05-31 |
CN118113805B CN118113805B (zh) | 2024-06-25 |
Family
ID=91219489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410524082.3A Active CN118113805B (zh) | 2024-04-29 | 2024-04-29 | 一种基于深度学习的地理信息勘测校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118113805B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101371165A (zh) * | 2006-01-25 | 2009-02-18 | 阿克斯有限责任公司 | 用于地球物理勘测的地形校正方法 |
US20130226624A1 (en) * | 2012-02-24 | 2013-08-29 | B3, Llc | Systems and methods for comprehensive insurance loss management and loss minimization |
CN107103316A (zh) * | 2010-11-04 | 2017-08-29 | 数字标记公司 | 基于智能手机的方法和系统 |
US20180106920A1 (en) * | 2016-10-19 | 2018-04-19 | Pgs Geophysical As | Method for adjusting attributes of marine seismic survey data |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN110490090A (zh) * | 2019-07-29 | 2019-11-22 | 恒大智慧科技有限公司 | 基于智慧社区的吸烟检测方法、系统及其存储介质 |
CN112084553A (zh) * | 2020-08-06 | 2020-12-15 | 重庆市市政设计研究院有限公司 | 一种用于隧道规划的勘测方法 |
CN112765095A (zh) * | 2020-12-24 | 2021-05-07 | 山东省国土测绘院 | 一种立体测绘卫星影像数据归档方法和系统 |
CN115587525A (zh) * | 2022-04-12 | 2023-01-10 | 昆明理工大学 | 考虑海上风电多机组时空特性的超短期功率预测模型建立方法 |
CN115912331A (zh) * | 2022-10-30 | 2023-04-04 | 淮阴工学院 | 一种智能风光互补发电系统的功率调节方法 |
CN116670378A (zh) * | 2020-10-30 | 2023-08-29 | 地质探索系统公司 | 压裂操作系统 |
CN117274520A (zh) * | 2023-10-19 | 2023-12-22 | 中国煤炭地质总局地球物理勘探研究院 | 一种地质勘探的测绘方法 |
-
2024
- 2024-04-29 CN CN202410524082.3A patent/CN118113805B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101371165A (zh) * | 2006-01-25 | 2009-02-18 | 阿克斯有限责任公司 | 用于地球物理勘测的地形校正方法 |
CN107103316A (zh) * | 2010-11-04 | 2017-08-29 | 数字标记公司 | 基于智能手机的方法和系统 |
US20130226624A1 (en) * | 2012-02-24 | 2013-08-29 | B3, Llc | Systems and methods for comprehensive insurance loss management and loss minimization |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20180106920A1 (en) * | 2016-10-19 | 2018-04-19 | Pgs Geophysical As | Method for adjusting attributes of marine seismic survey data |
CN110490090A (zh) * | 2019-07-29 | 2019-11-22 | 恒大智慧科技有限公司 | 基于智慧社区的吸烟检测方法、系统及其存储介质 |
CN112084553A (zh) * | 2020-08-06 | 2020-12-15 | 重庆市市政设计研究院有限公司 | 一种用于隧道规划的勘测方法 |
CN116670378A (zh) * | 2020-10-30 | 2023-08-29 | 地质探索系统公司 | 压裂操作系统 |
CN112765095A (zh) * | 2020-12-24 | 2021-05-07 | 山东省国土测绘院 | 一种立体测绘卫星影像数据归档方法和系统 |
CN115587525A (zh) * | 2022-04-12 | 2023-01-10 | 昆明理工大学 | 考虑海上风电多机组时空特性的超短期功率预测模型建立方法 |
CN115912331A (zh) * | 2022-10-30 | 2023-04-04 | 淮阴工学院 | 一种智能风光互补发电系统的功率调节方法 |
CN117274520A (zh) * | 2023-10-19 | 2023-12-22 | 中国煤炭地质总局地球物理勘探研究院 | 一种地质勘探的测绘方法 |
Non-Patent Citations (2)
Title |
---|
G. RAJASEKARAN等: "Hybrid Deep Learning and Optimization Algorithm for Breast Cancer Prediction Using Data Mining", 《ADVANCES AND INNOVATIONS IN DEEP LEARNING APPLICATIONS》, 16 January 2023 (2023-01-16), pages 14 - 22 * |
柴俊伟: "基于混合算法的污水处理过程关键参数软测量建模与优化", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 3, 15 March 2024 (2024-03-15), pages 027 - 1748 * |
Also Published As
Publication number | Publication date |
---|---|
CN118113805B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cooper et al. | Object-based correction of LiDAR DEMs using RTK-GPS data and machine learning modeling in the coastal Everglades | |
Vanmaercke et al. | Predicting gully densities at sub‐continental scales: a case study for the Horn of Africa | |
Abd et al. | Maximum likelihood for land-use/land-cover mapping and change detection using Landsat satellite images: A case study “South of Johor” | |
CN109597868B (zh) | 一种大范围淤地坝位置确定方法 | |
CN114936957A (zh) | 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型 | |
CN110334412B (zh) | 一种无遥感数据时期湿地景观格局的重建方法 | |
Bui et al. | Soil surveyor knowledge in digital soil mapping and assessment in Australia | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
CN117314178A (zh) | 生态安全格局构建方法、装置、设备及存储介质 | |
Mensah et al. | Mapping site index in coniferous forests using bi-temporal airborne laser scanning data and field data from the Swedish national forest inventory | |
CN118113805B (zh) | 一种基于深度学习的地理信息勘测校准方法及系统 | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
CN115619275A (zh) | 一种铁路工程生态修复决策方法和装置 | |
CN114997730A (zh) | 一种基于多维特征的城乡规划设计区域数据智能监测分析评价系统 | |
Remmel et al. | A comparison of existing surficial hydrological data layers in a low-relief forested Ontario landscape with those derived from a LiDAR DEM | |
KR102307898B1 (ko) | 랜덤 포레스트 및 로지스틱 트리 모델을 가진 세가지 이변수 통계 모델의 통합 앙상블을 이용한 지하수 가능성 매핑 | |
CN110287915B (zh) | 一种基于Landsat遥感影像的城市不透水层提取方法 | |
Abdurakhmonov et al. | Application of GIS technologies in the methods of geodetic work in the mapping of demographic processes | |
MOHAMMADY et al. | A Spatio-Temporal Urban Growth Modelling. Case Study: Tehran Metropolis. | |
CN114662310B (zh) | 一种基于机器学习的无资料小流域参数区域化的方法及装置 | |
Jande et al. | Prediction of Land Use Change in Katsina-Ala through a Geospatial Approach | |
Mango et al. | A modeling approach to determine the impacts of land use and climate change scenarios on the water flux of the upper Mara River | |
CN117826112B (zh) | 一种基于sar的土壤含水量的反演方法 | |
CN118211767B (zh) | 应用于城乡规划的场景建模方法及系统 | |
ALEFE | EVALUATION AND PREDICTION OF LAND USE LAND COVER CHANGE IMPACTS ON STREAM FLOW OF SUHA WATERSHED, UPPER BLUE NILE SUB CATCHMENT |
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 |