基于地理信息系统的深度学习元胞自动机仿真分析方法
【技术领域】
[0001]本发明属于数据仿真技术领域，涉及基于地理信息系统的深度学习元胞自动机仿真分析方法。
【背景技术】
[0002]现今深度学习已经成为大数据和人工智能的热门领域，该方法通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好的建立从底层到高层的映射关系。深度学习方法可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。
[0003]地理信息系统是一个空间信息分析与模拟系统，特别适合于空间数据的可视化分析与模拟，本发明将地理信息系统与改进的元胞自动机模型结合起来，能提高该方法的仿真分析能力，提高其决策服务水平。
[0004]深度学习相比较神经网络来将，表现出更好的求解问题能力，当前已有神经网络优化元胞自动机的仿真分析方法，但解决问题的能力还有待提高。本发明将深度学习应用到元胞自动机的规则提取中，并将地理信息系统应用到新的仿真分析模型之中，以三维可视化图文并茂的形式来仿真分析，可在一定程度上提高该方法的求解问题的决策分析能力。
【发明内容】
[0005]本发明的目的在于提供基于地理信息系统的深度学习元胞自动机仿真分析方法。现有仿真分析方法求解问题能力有待提高，而且单一的仿真分析方法难以三维可视化的形式将结果展示出来，该方明提出的方法可分析结果以图文并茂的形式展示出来，在一定程度上提高了决策分析能力和效率。
[0006]本发明所采用的技术方案是按照以下步骤进行:
[0007]基于地理信息系统的深度学习元胞自动机仿真分析方法，其特征在于按照以下步骤进行:
[0008]步骤1:获取地理信息，包括空间数据和属性数据；
[0009]步骤2:利用地理信息建立相应的空间数据库和属性数据库；
[0010]步骤3:构建深度学习模型；
[0011]第I步:分别单独无监督地训练每一层多层受限的玻尔兹曼机(RBM)网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；
[0012]第2步:在深度可信网络(DBN)的最后一层设置BP (Back Propagat1n)网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器，每一层RBM网络确保自身层内的权值对该层特征向量映射达到最优，反向传播网络将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。
[0013]步骤4:构建元胞自动机模型；
[0014]元胞自动机，包括元胞空间和元胞转换规则两部分；
[0015]元胞空间:任意一个η维元胞自动机都可以定义成如下四元组
[0016]C = (Dn, S, N, f)
[0017]式中，D1^ η维欧氏空间，S是有限状态集合，r表示元胞自动机的格位，对于格位r上的元胞在t时刻的状态可以表示为
[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时刻的第k个状态；N为r为中心元胞的邻域，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个邻居相对于r的位置为S(r, t) — S(r, t+1)的转化规则
[0022]f = {f” f2,…fj
[0023]fm表示元胞的空间的第m个转化规则，若元胞的当前状态为S(r，t)，那么它下一个状态的第j个转化规则为
[0024]S (r, t+1) = fj (S (r+N1； t)，S (r+N2, t)，…，S (r+Nq, t)) j = I, 2，…，m ;
[0025]步骤5:应用深度学习模型和元胞自动机模型仿真分析空间数据库和属性数据库。
[0026]本发明的有益效果:
[0027]I)本发明综合运用地理信息系统、深度学习、元胞自动机和空间分析技术，研宄仿真分析的方法和技术，在该领域理论方法上实现创新；
[0028]2)通过本发明进行的仿真模拟分析，得到具体事物的发展蔓延趋势，为部门制定相关政策提供了决策依据；
[0029]3)本发明利用GIS强大的地理数据管理分析、可视化和科学计算功能，快速分析以及评估，监测和模拟事物的发展和变化，为相关部门提供良好的辅助决策。
【附图说明】
[0030]图1基于地理信息系统的深度学习元胞自动机模拟分析方法的流程图；
[0031]图2构建仿真分析模型的流程图；
[0032]图3深度学习模型的流程图；
[0033]图4元胞自动机模型的流程图；
[0034]图5仿真分析地理信息系统的流程图。
【具体实施方式】
[0035]下面结合【具体实施方式】对本发明进行详细说明。
[0036]本发明的步骤流程如图1至图5所示，首先是构建仿真分析数据库，主要包括空间数据库和属性数据库，该数据库可以是某一方面应用的数据库，譬如可以是河床演变预测、洪水灾害模拟、传染病扩散等，该发明应用深度学习来挖掘提取元胞自动机的转换规则，然后利用的元胞自动机来学习已准备好的仿真分析数据，同时把地理信息系统应用到该领域之中，从而构建基于地理信息系统的深度学习元胞自动机仿真分析方法。该发明的具体实施步骤如下所示:
[0037]—、获取地理信息，包括空间数据和属性数据；
[0038]空间数据包括:主要是仿真分析所需的地图数据。
[0039]属性数据包括:仿真分析所需的人文信息、地理信息等数据。
[0040]可利用GIS软件，譬如ArcGIS和SuperMap等软件，对地理信息进行处理，制成数字化地图。
[0041]二、利用地理信息建立相应的空间数据库和属性数据库；
[0042]对于空间数据库，可用相应的GIS软件，譬如ArcGIS和SuperMap等，对已有的栅格数据或不规范地图数据进行数字化处理，制成一幅数字化地图；属性数据库，包括航道演变预测所需的水文数据、地理信息等数据，可利用SQL Server等数据库软件构建。针对已获取的初始数据，利用相应的GIS软件和数据库软件筛选出研宄区域所需的数据，从而构建研宄所需的数据库。
[0043]三、构建深度学习模型；
[0044]深度学习(deep learning)训练过程具体如下:
[0045]I)使用自下上升非监督学习(就是从底层开始，一层一层的往顶层训练)
[0046]采用无标定数据(有标定数据也可)分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分(这个过程可以看作是特征过程)。
[0047]具体的，先用无标定数据训练第一层，训练时先学习第一层的参数(这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层)，由于模型能力的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第η-l层后，将η-l层的输出作为第η层的输入，训练第η层，由此分别得到各层的参数。
[0048]2)自顶向下的监督学习(就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调)
[0049]基于第一步得到的各层参数进一步调整整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于深度学习的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果，所以深度学习的效果好很大程度上归功于第一步的特征学习过程。
[0050]深度学习主要重点部分是深度可信网络(DBN)的构建，DBN是由多层受限的玻尔兹曼机(RBM)组成的一个神经网络，它既可以被看作一个生成模型，也可以当作判别模型。
[0051]DBN在训练模型的过程中主要分为两步:
[0052]第I步:分别单独无监督地训练每一层RBM网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；
[0053]第2步:在DBN的最后一层设置BP (Back Propagat1n)网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器。而且每一层RBM网络只能确保自身层