基于地理信息系統(tǒng)的深度學習元胞自動機仿真分析方法
【技術領域】
[0001]本發(fā)明屬于數據仿真技術領域，涉及基于地理信息系統(tǒng)的深度學習元胞自動機仿真分析方法。
【背景技術】
[0002]現今深度學習已經成為大數據和人工智能的熱門領域，該方法通過建立類似于人腦的分層模型結構，對輸入數據逐級提取從底層到高層的特征，從而能很好的建立從底層到高層的映射關系。深度學習方法可通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據分布式表示，并展現了強大的從少數樣本集中學習數據集本質特征的能力。
[0003]地理信息系統(tǒng)是一個空間信息分析與模擬系統(tǒng)，特別適合于空間數據的可視化分析與模擬，本發(fā)明將地理信息系統(tǒng)與改進的元胞自動機模型結合起來，能提高該方法的仿真分析能力，提高其決策服務水平。
[0004]深度學習相比較神經網絡來將，表現出更好的求解問題能力，當前已有神經網絡優(yōu)化元胞自動機的仿真分析方法，但解決問題的能力還有待提高。本發(fā)明將深度學習應用到元胞自動機的規(guī)則提取中，并將地理信息系統(tǒng)應用到新的仿真分析模型之中，以三維可視化圖文并茂的形式來仿真分析，可在一定程度上提高該方法的求解問題的決策分析能力。

【發(fā)明內容】

[0005]本發(fā)明的目的在于提供基于地理信息系統(tǒng)的深度學習元胞自動機仿真分析方法?，F有仿真分析方法求解問題能力有待提高，而且單一的仿真分析方法難以三維可視化的形式將結果展示出來，該方明提出的方法可分析結果以圖文并茂的形式展示出來，在一定程度上提高了決策分析能力和效率。
[0006]本發(fā)明所采用的技術方案是按照以下步驟進行:
[0007]基于地理信息系統(tǒng)的深度學習元胞自動機仿真分析方法，其特征在于按照以下步驟進行:
[0008]步驟1:獲取地理信息，包括空間數據和屬性數據；
[0009]步驟2:利用地理信息建立相應的空間數據庫和屬性數據庫；
[0010]步驟3:構建深度學習模型；
[0011]第I步:分別單獨無監(jiān)督地訓練每一層多層受限的玻爾茲曼機(RBM)網絡，確保特征向量映射到不同特征空間時，都盡可能多地保留特征信息；
[0012]第2步:在深度可信網絡(DBN)的最后一層設置BP (Back Propagat1n)網絡，接收RBM的輸出特征向量作為它的輸入特征向量，有監(jiān)督地訓練實體關系分類器，每一層RBM網絡確保自身層內的權值對該層特征向量映射達到最優(yōu)，反向傳播網絡將錯誤信息自頂向下傳播至每一層RBM，微調整個DBN網絡。
[0013]步驟4:構建元胞自動機模型；
[0014]元胞自動機，包括元胞空間和元胞轉換規(guī)則兩部分；
[0015]元胞空間:任意一個η維元胞自動機都可以定義成如下四元組
[0016]C = (Dn, S, N, f)
[0017]式中，D1^ η維歐氏空間，S是有限狀態(tài)集合，r表示元胞自動機的格位，對于格位r上的元胞在t時刻的狀態(tài)可以表示為
[0018]S (r, t) = (S1 (r, t)，S2 (r, t)，…，Sk (r, t)}
[0019]Sk(r, t)表示格位r上的元胞在t時刻的第k個狀態(tài)；N為r為中心元胞的鄰域，是Dn的有限的序列子集
[0020]N = {N” N2，…，NJ
[0021]Nq表示元胞r的第q個鄰居相對于r的位置為S(r, t) — S(r, t+1)的轉化規(guī)則
[0022]f = {f” f2,…fj
[0023]fm表示元胞的空間的第m個轉化規(guī)則，若元胞的當前狀態(tài)為S(r，t)，那么它下一個狀態(tài)的第j個轉化規(guī)則為
[0024]S (r, t+1) = fj (S (r+N1； t)，S (r+N2, t)，…，S (r+Nq, t)) j = I, 2，…，m ;
[0025]步驟5:應用深度學習模型和元胞自動機模型仿真分析空間數據庫和屬性數據庫。
[0026]本發(fā)明的有益效果:
[0027]I)本發(fā)明綜合運用地理信息系統(tǒng)、深度學習、元胞自動機和空間分析技術，研宄仿真分析的方法和技術，在該領域理論方法上實現創(chuàng)新；
[0028]2)通過本發(fā)明進行的仿真模擬分析，得到具體事物的發(fā)展蔓延趨勢，為部門制定相關政策提供了決策依據；
[0029]3)本發(fā)明利用GIS強大的地理數據管理分析、可視化和科學計算功能，快速分析以及評估，監(jiān)測和模擬事物的發(fā)展和變化，為相關部門提供良好的輔助決策。
【附圖說明】
[0030]圖1基于地理信息系統(tǒng)的深度學習元胞自動機模擬分析方法的流程圖；
[0031]圖2構建仿真分析模型的流程圖；
[0032]圖3深度學習模型的流程圖；
[0033]圖4元胞自動機模型的流程圖；
[0034]圖5仿真分析地理信息系統(tǒng)的流程圖。
【具體實施方式】
[0035]下面結合【具體實施方式】對本發(fā)明進行詳細說明。
[0036]本發(fā)明的步驟流程如圖1至圖5所示，首先是構建仿真分析數據庫，主要包括空間數據庫和屬性數據庫，該數據庫可以是某一方面應用的數據庫，譬如可以是河床演變預測、洪水災害模擬、傳染病擴散等，該發(fā)明應用深度學習來挖掘提取元胞自動機的轉換規(guī)則，然后利用的元胞自動機來學習已準備好的仿真分析數據，同時把地理信息系統(tǒng)應用到該領域之中，從而構建基于地理信息系統(tǒng)的深度學習元胞自動機仿真分析方法。該發(fā)明的具體實施步驟如下所示:
[0037]—、獲取地理信息，包括空間數據和屬性數據；
[0038]空間數據包括:主要是仿真分析所需的地圖數據。
[0039]屬性數據包括:仿真分析所需的人文信息、地理信息等數據。
[0040]可利用GIS軟件，譬如ArcGIS和SuperMap等軟件，對地理信息進行處理，制成數字化地圖。
[0041]二、利用地理信息建立相應的空間數據庫和屬性數據庫；
[0042]對于空間數據庫，可用相應的GIS軟件，譬如ArcGIS和SuperMap等，對已有的柵格數據或不規(guī)范地圖數據進行數字化處理，制成一幅數字化地圖；屬性數據庫，包括航道演變預測所需的水文數據、地理信息等數據，可利用SQL Server等數據庫軟件構建。針對已獲取的初始數據，利用相應的GIS軟件和數據庫軟件篩選出研宄區(qū)域所需的數據，從而構建研宄所需的數據庫。
[0043]三、構建深度學習模型；
[0044]深度學習(deep learning)訓練過程具體如下:
[0045]I)使用自下上升非監(jiān)督學習(就是從底層開始，一層一層的往頂層訓練)
[0046]采用無標定數據(有標定數據也可)分層訓練各層參數，這一步可以看作是一個無監(jiān)督訓練過程，是和傳統(tǒng)神經網絡區(qū)別最大的部分(這個過程可以看作是特征過程)。
[0047]具體的，先用無標定數據訓練第一層，訓練時先學習第一層的參數(這一層可以看作是得到一個使得輸出和輸入差別最小的三層神經網絡的隱層)，由于模型能力的限制以及稀疏性約束，使得得到的模型能夠學習到數據本身的結構，從而得到比輸入更具有表示能力的特征；在學習得到第η-l層后，將η-l層的輸出作為第η層的輸入，訓練第η層，由此分別得到各層的參數。
[0048]2)自頂向下的監(jiān)督學習(就是通過帶標簽的數據去訓練，誤差自頂向下傳輸，對網絡進行微調)
[0049]基于第一步得到的各層參數進一步調整整個多層模型的參數，這一步是一個有監(jiān)督訓練過程；第一步類似神經網絡的隨機初始化初值過程，由于深度學習的第一步不是隨機初始化，而是通過學習輸入數據的結構得到的，因而這個初值更接近全局最優(yōu)，從而能夠取得更好的效果，所以深度學習的效果好很大程度上歸功于第一步的特征學習過程。
[0050]深度學習主要重點部分是深度可信網絡(DBN)的構建，DBN是由多層受限的玻爾茲曼機(RBM)組成的一個神經網絡，它既可以被看作一個生成模型，也可以當作判別模型。
[0051]DBN在訓練模型的過程中主要分為兩步:
[0052]第I步:分別單獨無監(jiān)督地訓練每一層RBM網絡，確保特征向量映射到不同特征空間時，都盡可能多地保留特征信息；
[0053]第2步:在DBN的最后一層設置BP (Back Propagat1n)網絡，接收RBM的輸出特征向量作為它的輸入特征向量，有監(jiān)督地訓練實體關系分類器。而且每一層RBM網絡只能確保自身層