买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：兰州交通大学

摘要：本发明提供了一种基于图注意力网络GraphAttentionNetwork,GAT的不规则三角网数字高程模型TIN的制图综合方法，包括步骤如下：首先以TIN的顶点作为图节点，以TIN的边作为节点之间的邻接边，构建一个基于图注意力机制的图卷积神经网络，其中，图节点的特征矩阵包括点的几何、统计和空间关系特征，边的注意力权重由TIN结构中邻接边的上下文关系确定。其次，使用三维道格拉斯扑克算法对TIN顶点进行综合，以此获取图节点的标签数据，并将其引入GAT网络用于学习节点的保留和舍弃。最后，基于TIN顶点的分类结果实现TIN的制图综合。本发明通过图卷积神经网络进行地形特征的学习，实现了领域知识和数据驱动相结合的智能化TIN综合。

主权项：1.一种基于图注意力网络的数字高程模型综合方法，其特征在于，具体步骤如下：步骤S1：根据数字高程模型DEM数据中的不规则三角网络TIN结构，以TIN的顶点作为图结构的节点，以TIN的边作为节点之间的邻接边，构建基于图注意力机制的图卷积神经网络；步骤S2：构建每个所述节点的特征矩阵，为每个所述节点初始化特征向量，包括TIN顶点的几何特征，统计属性和空间关系特征；所述步骤S2从节点几何特征，统计属性以及空间关系特征三个方面为每个节点构建特征矩阵，一共包含了16种特征，具体步骤如下：步骤S21：获取节点的位置属性及其所处地形的高程曲率作为几何特征；步骤S22：获取节点与周围邻居节点的高程差和坡度的最大值，最小值，总和值和标准差作为统计属性；步骤S23：获取节点周围的邻居节点数量，最近邻距离，最远距离以及距离总和作为空间关系指标；步骤S3：构建邻接边的注意力权重，包括邻接边的几何特征和空间关系特征；所述步骤S3从几何特征，空间关系特征两个方面构建邻接边的注意力权重，一共包含了11种特征，具体步骤如下：步骤S31：获取边的三维长度，高程差和坡度值作为几何属性；步骤S32：获取TIN邻接边所在的方向作为空间关系特征，这里以空间中的八个象限来定义；步骤S4：获取每个节点的标签值：使用三维道格拉斯扑克3DD-P算法对TIN顶点进行综合，制图综合后仍保留的节点设置为标签1，被舍弃的节点设置为标签0；步骤S41：在三维离散点中寻找一个原点和首基面：当每个原始点都试过做原点O，且每次在剩余节点集中选择两个点A,B，最终能获得最大矢量积OA×OB的绝对值时，节点O,A,B就被确定，通过这三点的平面就是3DD-P算法的首基面；步骤S42：将无序点集有序化：将节点O作为P0,节点A作为P1，节点B作为Pn存储到点列中，根据距离节点A的三维距离大小对剩余点集进行排序，依次为P2、P3、…、Pn-1；步骤S43：选出制图综合后的剩余节点：在有序点集中，分别计算P2、P3、…、Pn-1到首基面的距离，如果这个距离小于初始阈值，则删除所有的点；否则取出具有最大点面距的点作为分裂点C，记为Pi；采用分而治之的方法，再次计算剩余点到基面OAC的距离，递归选取一个分裂点，直至选不出新的分裂点；然后分别计算剩余点到基面OBC的距离，同理递归选出所有分裂点，直至选不出新的分裂点，剩余的点即为制图综合后的点，将这些节点的标签设置为1，即保留，其余的节点为0，即舍弃；步骤S5：引入GAT网络用于学习节点的保留和舍弃；所述步骤S5具体步骤如下：步骤S51：前向传播：输入节点的特征维度，边的注意力权重和注意力头数，初始化GAT网络，并进行前向传播；步骤S52：注意力机制计算：网络层自动进行注意力机制的计算，为每个节点和其邻居节点计算注意力分数，并将注意力分数与邻居节点的特征进行加权求和，得到每个节点的上下文特征；步骤S53：节点特征聚合：网络层根据计算得到的注意力分数，对邻居节点的特征进行加权聚合，得到每个节点整合了邻居信息的特征表示；步骤S54：添加非线性激活函数ReLU和正则化Dropout参数，进行非线性映射并提高模型的泛化能力；步骤S55：在网络层之后添加log_softmax层作为输出层，输出图结构中所有节点的分类类别概率，一共是0和1两种类别，0表示舍弃，1表示保留，将每个节点选取概率最大的类别作为预测结果；步骤S56：在训练图卷积神经网络过程中，使用负对数似然损失函数计算预测值和真实标签之间的损失，通过最小化损失函数获得最优权重参数，同时采用Adam优化器提高优化效率；步骤S57：重复步骤S52-S56，不断迭代计算注意力分数和特征聚合，直至网络收敛，得到每个节点的最终表示；步骤S6：基于节点的分类结果，将节点回放至TIN数据中，实现DEM数据的制图综合，并对综合结果进行评价。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于图注意力网络的DEM数据综合方法