基于深度學(xué)習(xí)的多源測繪信息數(shù)據(jù)挖掘技術(shù)研究

摘要：隨著地理信息系統(tǒng)（GIS） 的快速發(fā)展，多源測繪信息的集成與分析成為一個重要領(lǐng)域。文章旨在探討如何利用深度學(xué)習(xí)技術(shù)對多源測繪信息進(jìn)行數(shù)據(jù)挖掘，以提高地理信息處理的效率和準(zhǔn)確性。通過整合不同來源的測繪數(shù)據(jù)，并應(yīng)用深度學(xué)習(xí)算法進(jìn)行特征提取和模式識別，本研究旨在開發(fā)一套有效的數(shù)據(jù)處理和分析框架，用于支持復(fù)雜的地理信息系統(tǒng)（GIS） 應(yīng)用和決策制定。

關(guān)鍵詞：深度學(xué)習(xí)；多源測繪信息；數(shù)據(jù)挖掘

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）31-0065-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID） ：

0 引言

在當(dāng)今數(shù)字化時代，地理信息處理[1]在各個領(lǐng)域扮演著至關(guān)重要的角色。隨著測繪技術(shù)的不斷發(fā)展和數(shù)據(jù)獲取手段的多樣化，多源測繪信息[2]的利用成為提高地理信息處理效率和準(zhǔn)確性的重要途徑。然而，多源數(shù)據(jù)的異構(gòu)性和復(fù)雜性給數(shù)據(jù)處理和分析帶來了挑戰(zhàn)，傳統(tǒng)方法往往難以有效處理這些數(shù)據(jù)。因此，利用深度學(xué)習(xí)技術(shù)對多源測繪信息進(jìn)行數(shù)據(jù)挖掘，成為解決這一問題的重要途徑之一。

1 基于深度學(xué)習(xí)的多源測繪信息數(shù)據(jù)挖掘技術(shù)研究

深度學(xué)習(xí)[3]是一種基于人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)方法，通過多層次的非線性變換來對數(shù)據(jù)進(jìn)行建模和學(xué)習(xí)。深度學(xué)習(xí)的核心思想是通過多層次的特征提取和組合來表征數(shù)據(jù)的復(fù)雜結(jié)構(gòu)，從而實現(xiàn)對數(shù)據(jù)的高效表征和分類。常用的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和深度信念網(wǎng)絡(luò)（DBN）等。

1.1 基于深度學(xué)習(xí)的多源測繪信息的數(shù)據(jù)挖掘方法

多源測繪信息的數(shù)據(jù)挖掘方法包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)特征提取、深度學(xué)習(xí)模型的選擇與訓(xùn)練和模型評估等步驟。通過以上步驟建立的基于深度學(xué)習(xí)的多源測繪信息數(shù)據(jù)挖掘技術(shù)能夠有效地處理和分析大規(guī)模的測繪數(shù)據(jù)，提取有價值的地理信息，支持復(fù)雜的GIS應(yīng)用和決策制定。

步驟1：基于深度學(xué)習(xí)的多源測繪信息的數(shù)據(jù)挖掘方法中，數(shù)據(jù)預(yù)處理是非常關(guān)鍵的一步，它主要包括數(shù)據(jù)格式轉(zhuǎn)換、影像配準(zhǔn)和數(shù)據(jù)融合等操作。

步驟2：基于深度學(xué)習(xí)的多源測繪信息的數(shù)據(jù)挖掘方法中，數(shù)據(jù)特征提取決定了模型對數(shù)據(jù)的理解和表征能力。在進(jìn)行數(shù)據(jù)特征提取之前，首先需要對原始數(shù)據(jù)進(jìn)行特征選擇，其次是特征提取，在深度學(xué)習(xí)中，常用的特征提取方法包括手工設(shè)計特征和使用深度學(xué)習(xí)模型自動學(xué)習(xí)特征兩種方式。

步驟3：在選擇模型和訓(xùn)練過程中，需要考慮數(shù)據(jù)類型、任務(wù)類型、數(shù)據(jù)規(guī)模等因素。

步驟4：深度學(xué)習(xí)多源測繪信息的模型評估步驟是確保模型性能和泛化能力的關(guān)鍵環(huán)節(jié)。

首先是準(zhǔn)備測試數(shù)據(jù)集，在進(jìn)行模型評估之前，首先需要準(zhǔn)備一個獨立的測試數(shù)據(jù)集。這個數(shù)據(jù)集應(yīng)該與訓(xùn)練數(shù)據(jù)集不重疊，以確保評估的客觀性。測試數(shù)據(jù)集應(yīng)該具有代表性，涵蓋了模型可能遇到的各種情況和場景。使用已經(jīng)訓(xùn)練好的深度學(xué)習(xí)模型對測試數(shù)據(jù)集進(jìn)行預(yù)測，模型將對每個樣本進(jìn)行分類或識別，并輸出相應(yīng)的預(yù)測結(jié)果。根據(jù)評估結(jié)果，對模型進(jìn)行調(diào)整和優(yōu)化。

2 基于BP 神經(jīng)網(wǎng)絡(luò)的多源測繪信息數(shù)據(jù)清洗

BP神經(jīng)網(wǎng)絡(luò)[4]是一種多層前饋神經(jīng)網(wǎng)絡(luò)，利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行多源測繪信息數(shù)據(jù)清洗。

1） 輸入層。

輸入層接收原始的多源測繪信息數(shù)據(jù)，每個數(shù)據(jù)樣本作為輸入層的一個節(jié)點。輸入層的節(jié)點數(shù)取決于原始數(shù)據(jù)的特征維度，每個節(jié)點代表一個特征。

2） 隱藏層。

隱藏層是BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征學(xué)習(xí)和數(shù)據(jù)處理的關(guān)鍵部分。隱藏層的節(jié)點數(shù)和層數(shù)可以根據(jù)問題的復(fù)雜程度和數(shù)據(jù)的特點進(jìn)行調(diào)整。隱藏層的每個節(jié)點都與輸入層的所有節(jié)點相連，并通過權(quán)重和偏置來計算節(jié)點的輸出值。首先隱藏層通過學(xué)習(xí)原始數(shù)據(jù)的特征表示來進(jìn)行特征提取，將原始數(shù)據(jù)轉(zhuǎn)換為更高層次的抽象特征表示，以便于清洗和預(yù)處理。其次隱藏層通常會使用激活函數(shù)來進(jìn)行非線性變換，以增加網(wǎng)絡(luò)的表示能力。常用的激活函數(shù)包括Sigmoid 函數(shù)、ReLU函數(shù)等。

3） 輸出層。

輸出層接收隱藏層的輸出，并產(chǎn)生最終的清洗結(jié)果。輸出層的節(jié)點數(shù)通常與數(shù)據(jù)的清洗結(jié)果的類別數(shù)相匹配，每個節(jié)點代表一個可能的類別或清洗結(jié)果。輸出層接收隱藏層的輸出，并產(chǎn)生最終的清洗結(jié)果。輸出層的節(jié)點數(shù)通常與數(shù)據(jù)的清洗結(jié)果的類別數(shù)相匹配，每個節(jié)點代表一個可能的類別或清洗結(jié)果。

基于BP神經(jīng)網(wǎng)絡(luò)的多源測繪信息數(shù)據(jù)清洗是一項關(guān)鍵的數(shù)據(jù)處理技術(shù)，通過該方法可以實現(xiàn)對原始數(shù)據(jù)的有效清洗和預(yù)處理，從而提高數(shù)據(jù)的質(zhì)量和可用性。在清洗多源測繪信息數(shù)據(jù)時，BP神經(jīng)網(wǎng)絡(luò)可以發(fā)揮重要作用，幫助處理數(shù)據(jù)中存在的復(fù)雜關(guān)系和噪聲，提升數(shù)據(jù)的準(zhǔn)確性和一致性。

2.1 多源測繪信息數(shù)據(jù)提取

多源測繪信息數(shù)據(jù)提取是指從多種不同來源獲取的測繪數(shù)據(jù)中，提取出有用的信息和特征，以支持地理信息處理、分析和決策制定。在數(shù)據(jù)提取之前，通常需要對原始數(shù)據(jù)進(jìn)行預(yù)處理數(shù)據(jù)清洗。

首先評估多源測繪信息樣本和中心之間的關(guān)聯(lián)度[5]。

式中c代表多源測繪信息樣本數(shù)。

劃分多源測繪信息公式如下：

式中em多源測繪信息的聚類中心

將多源測繪信息數(shù)據(jù)集轉(zhuǎn)變成矩陣模式，歸一化輸入矩陣，然后利用BP神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，每個層級之間的神經(jīng)元通過全連接方式相連，每個連接都有一個權(quán)值，表示上一層神經(jīng)元對下一層神經(jīng)元的影響程度。在網(wǎng)絡(luò)結(jié)構(gòu)中，任意兩個隨機節(jié)點之間都不存在連接，這確保了網(wǎng)絡(luò)的稀疏性和獨立性。

2.2 多源測繪信息數(shù)據(jù)挖掘

多源測繪信息數(shù)據(jù)挖掘是利用多種來源的測繪數(shù)據(jù)進(jìn)行挖掘和分析，以發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)聯(lián)、模式和規(guī)律。本文采用遺傳算法來劃分多源信息中的數(shù)據(jù)集，進(jìn)而找到不同數(shù)據(jù)之間的關(guān)聯(lián)性，算法的詳細(xì)過程如下：

式中n和m是兩個測繪信息，sup（n） 和sup（m） 表示多源測繪信息的感興趣程度。

利用公式（4） 得到適應(yīng)度公式：

式中ρ1、ρ2表示兩個權(quán)重值。

種群初始化是遺傳算法中的關(guān)鍵步驟之一，其目標(biāo)是確保種群具有多樣性，以便更好地探索解空間。種群初始化在遺傳算法中占據(jù)著舉足輕重的地位，它是整個算法運行的起點，也是確保算法能夠高效、全面搜索解空間的基礎(chǔ)。種群初始化的主要目標(biāo)是確保種群具有多樣性。多樣性意味著種群中的個體在解空間中分布廣泛，覆蓋了盡可能多的潛在解。在種群初始化的過程中，還需要考慮種群的規(guī)模和個體的編碼方式。種群規(guī)模的大小直接影響到算法的搜索能力和計算效率。過小的種群規(guī)?？赡軐?dǎo)致搜索空間不足，而過大的種群規(guī)模則可能增加計算負(fù)擔(dān)，降低算法的效率。

3 實驗分析

深度學(xué)習(xí)在多源測繪信息中展現(xiàn)了優(yōu)異的特征提取能力，為后續(xù)數(shù)據(jù)挖掘提供了有力支持。我們使用了某省地理數(shù)據(jù)庫近5年的測繪數(shù)據(jù)，數(shù)據(jù)集包含了30 000個樣本。實驗關(guān)注了3個主要指標(biāo)：適應(yīng)度、挖掘時間和精度。這些指標(biāo)反映了深度學(xué)習(xí)在數(shù)據(jù)挖掘過程中的效率和準(zhǔn)確性，為評估其在多源測繪信息中的應(yīng)用提供了依據(jù)。

3.1 適應(yīng)度值的比較

為驗證不同方法對多源測繪信息樣本的挖掘能力，采取適應(yīng)度指標(biāo)來驗證。適應(yīng)度值越大，表示多源測繪信息挖掘效果越好。假設(shè)代次數(shù)為1 000次，以下表1是本文深度學(xué)習(xí)方法與判斷聚合法和加權(quán)深度森林法的比較。

3.2 數(shù)據(jù)挖掘時間的比較

為了全面評估不同方法在相同數(shù)據(jù)規(guī)模下的性能表現(xiàn)，本文針對數(shù)據(jù)庫規(guī)模為3 500的數(shù)據(jù)集進(jìn)行了深入的對比分析。在這個過程中，本文首先將數(shù)據(jù)集輸入深度學(xué)習(xí)模型中，并對模型參數(shù)進(jìn)行了調(diào)整，以確保每種方法都能在最佳狀態(tài)下運行。

通過表2中的數(shù)據(jù)，可以清晰地看到不同方法在運行時間上的差異。運行時間的長短直接反映了方法在處理多源測繪信息數(shù)據(jù)時的效率。時間耗時越少，說明該方法在數(shù)據(jù)挖掘方面的效果越顯著，也就意味著它在實際應(yīng)用中能更快地給出結(jié)果，從而提高了工作效率。

在對比結(jié)果中，可以發(fā)現(xiàn)本文提出的方法在運行時間上表現(xiàn)尤為出色。與判斷聚合法相比，本文方法在相同數(shù)據(jù)規(guī)模下的運行時間提高了10秒；而與加權(quán)深度森林方法相比，本文方法節(jié)省了5秒。這樣的時間提升在大量數(shù)據(jù)處理中顯得尤為重要，尤其是在對實時性要求較高的應(yīng)用場景中，效率的提升能夠顯著增強方法的實用性和競爭力。

3.3 數(shù)據(jù)挖掘精度的比較

對數(shù)據(jù)挖掘精準(zhǔn)度進(jìn)行測試，數(shù)據(jù)庫規(guī)模均采用30 000張，如表3所示，檢測精度越高，數(shù)據(jù)挖掘中的效果越顯著，本文方法相比較于判斷聚合法和加權(quán)深度森林方法檢測精度分別提高了13.67%和7.73，證明了本文方法在多源測繪信息數(shù)據(jù)挖掘中的優(yōu)勢。

4 結(jié)束語

本研究成功展示了深度學(xué)習(xí)技術(shù)在多源測繪信息數(shù)據(jù)挖掘中的應(yīng)用潛力和實際效果。通過構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型，能夠有效地從多源測繪數(shù)據(jù)中提取關(guān)鍵特征，并識別出有價值的模式。這一方法不僅提高了地理信息處理的效率，還增強了對復(fù)雜地理現(xiàn)象的理解和分析能力。深度學(xué)習(xí)技術(shù)的引入為GIS領(lǐng)域帶來了新的視角和工具，使得決策者能夠基于更準(zhǔn)確和全面的數(shù)據(jù)做出更加明智的決策。

參考文獻(xiàn)：

[1] 田江博.地理信息服務(wù)處理的方法研究[J].長春師范大學(xué)學(xué)報，2020，39（8）：92-97.

[2] 梁科.基于不確定場定義模糊貢獻(xiàn)度的多源測繪信息數(shù)據(jù)挖掘研究[J].現(xiàn)代電子技術(shù)，2023，46（18）：71-76.

[3] 姜來為，王策，楊宏宇.基于深度學(xué)習(xí)的多目標(biāo)跟蹤研究進(jìn)展綜述[J/OL]. 吉林大學(xué)學(xué)報（工學(xué)版），1-17[2024-04-17].

10.13229/j.cnki.jdxbgxb.20240149.

[4] 鮑海泉，方瑞寅.基于BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法和多源感知技術(shù)相融合的GIS性能檢測方法[J].工業(yè)儀表與自動化裝置，2024（2）： 97-100，117.

[5] 梁科.基于不確定場定義模糊貢獻(xiàn)度的多源測繪信息數(shù)據(jù)挖掘研究[J].現(xiàn)代電子技術(shù)，2023，46（18）：71-76.

【通聯(lián)編輯：梁書】