[發明專利]基于SOM神經網絡的建筑物聚類方法

在審

• 申請號: 201810219134.0
• 申請日: 2018-03-16
• 公開（公告）號: CN108416392A
• 公開（公告）日: 2018-08-17
• 發明（設計）人: 劉強;程博艷;馮仁諾
• 申請（專利權）人: 電子科技大學成都研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 夏艷

1.一種基于SOM神經網絡的建筑物聚類方法，其特征在于，包括以下步驟：

步驟1：利用建筑物多邊形圖層數據和線狀要素圖層數據進行建筑物的相關特征參數計算；所述線狀要素圖層數據包括：道路、水系圖層；所述相關特征參數包括：建筑物重心坐標、相鄰建筑物之間的最短距離、建筑物與鄰近道路等線狀要素之間的最短距離、建筑物與鄰近道路等線狀要素之間的位置關系；

步驟2：根據計算的所述相關特征參數利用SOM神經網絡的Kohonen學習算法進行建筑物群的初步聚類，得到初步的建筑物群類簇結果；

步驟3：應用行列掃描方法對初步的類簇結果進行進一步的精細聚類劃分，獲得建筑物群的最終聚類結果。

2.根據權要求1所述的方法，其特征在于，所述步驟2包括以下步驟：

步驟21：SOM神經網絡的初始化，設置SOM神經網絡的輸入層神經元數目N＝2，競爭層神經元數目M＝40×40＝1600；設置SOM神經網絡競爭層神經元和輸入層神經元之間的連接權向量W_j＝(w_1j,w_2j,…,w_Nj)，j＝1,2,...,M，w_ij為[0,1]區間內的隨機數，i＝1,2,…,N；設置初始鄰域半徑σ(0)＝6.0，初始學習率α(0)＝0.1，訓練迭代計數t＝0；

步驟22：從訓練樣本集{A¹,A²,…,A^k,…,A^p}中隨機選取一個輸入模式提供給SOM神經網絡的輸入層神經元；

步驟23：尋找獲勝神經元：計算A^k與W_j之間的距離從中選擇距離最小的神經元作為獲勝神經元c，即

步驟24：調整連接權值：對獲勝神經元c鄰域內任一個被激活的神經元j的連接權向量W按照公式進行調整；

步驟25：重復步驟22-24，直至所有的輸入模式都提交過一次；

步驟26：訓練迭代計數器加1，即t＝t+1；更新學習率α(t)以及鄰域半徑σ(t)；

步驟27：重復步驟22-26，直到訓練迭代計數t達到預先設定的訓練迭代總次數T。

3.根據權要求1所述的方法，其特征在于，步驟3中所述行列掃描方法包括以下步驟：

步驟31：以行為主，從左上角的格網單元開始，依次掃描SOM神經網絡競爭層的二維平面網格中每個格網單元來確定格網單元與當前搜索到的網格單元是否屬于同一群組，如果是，終止對格網單元的圈層擴張搜索，如果不是，則將新的群組屬性賦予格網單元，然后繼續掃描下一個格網單元；

步驟32：根據行掃描的結果，建立建筑物群組編號索引，用于記錄每個群組中所包含的SOM神經網絡競爭層的格網單元編號；

步驟33：對SOM神經網絡的競爭層平面網格再進行列掃描，即從左下角的格網單元開始，按照以列為主的方式掃描格網單元；當掃描到單元C時，以單元C為中心按照圈層向外擴張搜索，調整每個格網單元的群組屬性，得到最終的建筑物群聚類結果。