欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114680822
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:所述基于卷积与池化的空间数据集相似度计算方法包括三个步骤:步骤1、数据集特征图生成阶段:对空间数据集仓库D建立网格坐标系Ri,统计二维坐标数量生成二维坐标原始特征图Ai;

步骤2、卷积与池化阶段:利用高斯平滑卷积核平滑二维坐标原始特征图Ai,提取二维坐标原始特征图Ai结构特征,再通过池化窗口选最大值生成池化特征图Ci;

步骤3、相似度计算阶段:将池化特征图Ci和根据样例数据集De生成的样例池化特征图C展平为特征向量并归一化处理,计算相对余弦相似量,得到数据集之间的相似度。

2.根据权利要求1所述的一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:所述步骤2具体包括如下步骤:步骤2.1、选定一个窗口为3×3,标准差为α的高斯平滑卷积核,用以在后续特征提取中平滑二维坐标原始特征图Ai,保留空间数据集的结构特征;

步骤2.2、对于二维坐标原始特征图集合A={A1,A2,…,An},将其中的每个二维坐标原始特征图Ai∈A进行“零填充”(Zero Padding),再将高斯平滑卷积核放置在“零填充”后的二维坐标原始特征图Ai的左上角,即Ai“零填充”后的第一个3×3区域,然后滑动高斯平滑卷积核并且局部加权求和,直到遍历完二维坐标原始特征图Ai生成卷积特征图Bi,得到与空间数据集仓库D中各个空间数据集对应的卷积特征图集合B={B1,B2,…,Bn};

步骤2.3、对于卷积特征图集合B={B1,B2,…,Bn}中的每一个卷积特征图Bi,选定一个2p×2p的池化窗口,步长设置为2p,其中,1≤p≤θ-1将池化窗口初始位置放置在卷积特征图Bi的左上角,即Bi的第一个2p×2p区域,选取区域内的最大值放入池化后特征图的对应位置ci,j,k,其中1≤j≤2θ-p,1≤k≤2θ-p,滑动池化窗口直到遍历完卷积特征图Bi,得到对应的池化特征图Ci,最终,得到与空间数据集仓库D中各个空间数据集对应的池化特征图集合C={C1,C2,…,Cn},公式表示如下:其中,1≤j≤2θ-p,1≤k≤2θ-p,ci,j,k为池化特征图Ci的第j行第k列数值,bi,j,k为卷积特征图Bi的第j行第k列数值,池化窗口内左上角的四分之一区域覆盖卷积特征图Bi的第j0行第k0列。

3.根据权利要求1所述的一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:步骤2.1中选定一个窗口为3×3,标准差为α的高斯平滑卷积核,具体包括以下步骤:步骤2.1.1、计算卷积核的每个值:

其中,(x,y)是相对于卷积核中心的坐标,σ是标准差,x,y∈{0,±1},取σ=α,对(x,y)的所有可能值(-1,-1)、(-1,0)、(-1,1)、(0,-1)、(0,0)、(0,1)、(1,-1)、(1,0)、(1,1)进行计算,得到卷积核Kernel,表示如下:Kerneli,j=G(i-2,j-2);

步骤2.1.2、计算卷积核所有元素之和Sum,再将每个元素除以总和进行归一化,得到归一化的卷积核NK,表示如下:其中,Kerneli,j为卷积核Kernel第i行第j列的值,1≤i,j≤3。

4.根据权利要求1所述的一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:步骤2.2中将二维坐标原始特征图Ai进行“零填充”(Zero Padding)以及滑动卷积核并且局部加权求和,具体包括以下步骤:步骤2.2.1、在二维坐标原始特征图Ai的第一行上方与最后一行下方分别添加一行0,第一列左方与最后一列右方分别添加一列0,即Padding=1,使得二维坐标原始特征图Ai的大小由2θ×2θ变为(2θ+2)×(2θ+2),以保证卷积后的特征图尺寸不变;

步骤2.2.2、将高斯平滑卷积核在二维坐标原始特征图Ai上滑动,步长为1,每个位置对应一个局部区域即感受野,在高斯平滑卷积核覆盖的局部区域内,将高斯平滑卷积核与二维坐标原始特征图Ai的对应位置进行逐元素相乘,然后将所有乘积求和,得到卷积特征图的一个元素值bi,j,k,其中1≤j≤2θ,1≤k≤2θ,这个过程重复进行,直到卷积核遍历完Ai,生成对应的卷积特征图Bi,得到与二维坐标原始特征图集合A中各个特征图对应的卷积特征图集合B={B1,B2,…,Bn},表示为:其中,NKu,v为归一化卷积核NK第u行第v列的值,1≤u,v≤3。

5.根据权利要求1所述的一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:所述步骤3具体包括以下步骤:步骤3.1、对于给定的查询样例数据集De,根据查询样例数据集De中所有二维坐标的x轴和y轴的最小值以及最大值建立坐标系Re,统计二维坐标数量生成样例二维坐标原始特征图Ae,然后利用高斯平滑卷积核平滑样例二维坐标原始特征图Ae得到样例卷积特征图Be,再通过池化窗口选最大值生成样例池化特征图Ce;

步骤3.2、对于成样例池化特征图Ce和池化特征图集合C={C1,C2,…,Cn}中的每一个特征图Ci∈C,分别展平为特征向量ve和vi:步骤3.3、归一化特征向量,计算ve和vi的相似度,记为对应二维坐标空间数据集Di和查询样例数据集De的相似度,公式如下:其中,θ为划分参数,ve,t是向量ve的第t个元素,vi,t是向量vi的第t个元素。

6.根据权利要求1所述的一种基于卷积与池化的空间数据集相似度计算方法,其特征在于:所述步骤1具体包括以下步骤:步骤1.1、给定一个空间数据集仓库D={D1,D2,…,Dn},Di∈D为一个二维坐标的空间数据集,其中,Di={(x1,y1),(x2,y2),…,(xm,ym)},找到Di中所有二维坐标的x轴和y轴的最小值以及最大值,分别记为ximin、yimin、ximax、yimax;

步骤1.2、以(ximin,yimin)和(ximax,yimax)为对角建立矩形区域,然后将矩形的宽向两端等距离地延长以将此矩形区域扩充为正方形,再依据划分参数θ将此正方形区域划分为2θ×2θ个大小相等的网格,建立网格坐标系Ri;

步骤1.3、对于空间数据集仓库D={D1,D2,…,Dn}中的每一个空间数据集Di,统计空间数据集Di在网格坐标系Ri中第j行、第k列的网格gj,k内的二维坐标点的数量,记为ai,j,k,其中1≤j≤2θ,1≤k≤2θ,得到空间数据集Di的二维坐标特征图Ai,遍历空间数据集仓库D,得到二维坐标原始特征图集合A={A1,A2,…,An}。