内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。RBM网络训练模型的过程可以看作对一个深层BP网络权值参数的初始化，使DBN克服了 BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
[0054]上述训练模型中第一步在深度学习的术语叫做预训练，第二步叫做微调。最上面有监督学习的那一层，根据具体的应用领域可以换成任何分类器模型，而不必是BP网络，图3为深度学习模型的流程图。
[0055]四、构建元胞自动机模型；
[0056]元胞自动机，包括元胞空间和元胞转换规则两部分。
[0057]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
[0058]C = (Dn, S，N, f)
[0059]式中，DnS 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
[0060]S (r, t) = (S1 (r, t)，S2 (r, t)，...，Sk (r, t)}
[0061]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
[0062]N = {N” N2，…，NJ
[0063]Nq表示元胞r的第q个邻居相对于r的位置；f为S (r, t) — S (r, t+Ι)的转化规则
[0064]f = {fi, f2,…fj
[0065]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
[0066]S (r, t+1) = fj (S (r+N1； t)，S (r+N2, t)，…，S (r+Nq, t)) j = I, 2，…，m
[0067]也就是说，元胞下一时刻的状态只与它当前邻居的状态有关。
[0068]以下为模型的建立:在论域内各个区域首先对数据进行网格划分，在常规元胞自动机模型的基础之上，引入分区机制，将论域空间分为9个区域。
[0069]五、应用步骤三和步骤四构建的模型，来仿真分析步骤二建立的数据库。
[0070]本发明通过步骤一、步骤二建立仿真分析数据库，该数据库可以是多方面的数据，譬如某个地区的气温变化历史数据、降雨情况数据、河段水文情况数据等，该数据可适用于时间序列预测和模拟仿真，步骤三和步骤四用于构建深度学习元胞自动机模型，然后用构建的新模型来学习数据，通过模拟仿真预测可以得到未来一段时间内气温、降雨、水文等的变化情况，或交通流、灾害、疾病等的演变状况，从而为相关部门提供相应的决策分析和服务。该部分的步骤如下所示:
[0071 ] 步骤401初始状态与目标状态数据；
[0072]步骤402数据处理，准备输入神经元和输出神经元；
[0073]步骤403构建深度学习，训练得到最佳的网络；
[0074]步骤404构建元胞自动机模型；
[0075]设计合适的元胞自动机模型，并用深度学习来提取该模型的转换规则。该步骤有三个步骤:步骤4041仿真得到的转换概率、步骤4042随机干扰项和步骤4043迭代中数据更新。
[0076]步骤4041仿真得到的转换概率；
[0077]步骤4042随机干扰项；
[0078]步骤4043迭代中数据更新；
[0079]步骤405设置阈值，调整迭代次数；
[0080]步骤405a评价精度是否达到要求；
[0081]若是执行步骤406，否则跳回步骤405 ;
[0082]步骤406输出结果。
[0083]步骤70构建仿真分析地理信息系统；
[0084]构建仿真分析地理信息系统，该系统的功能主要包括:文件操作、综合查询、专题地图、空间分析、仿真分析。具体步骤如下:
[0085]步骤70a需求分析；
[0086]步骤70b可行性分析与初步设计；
[0087]步骤70c详细设计；
[0088]步骤70d数据库设计；
[0089]步骤70e软件开发；
[0090]步骤70f构建数据库；
[0091]步骤70g程序编制；
[0092]步骤70k软件测试、调试、验收。
[0093]本发明的优点在于:
[0094]I)该方法运用深度学习来挖掘提取元胞自动机的转换规则，利用改进后的元胞自动机进行仿真模拟分析，目前还没有深度学习元胞自动机在仿真模拟分析中应用案例，从而在仿真模拟分析方法上实现创新；
[0095]2)本发明另一个创新点是将地理信息系统应用于仿真分析，利用地理信息系统的空间分析、可视化和科学计算功能，快速分析以及评估情况，监测和模拟数据的发展和变化，从而增强了仿真模拟分析系统的分析与决策功能，可为相关部门提供更好的辅助决策依据，提高了服务的信息化水平。
[0096]3)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；
[0097]4)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；
[0098]5)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。
【主权项】
1.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: 步骤1:获取地理信息，包括空间数据和属性数据； 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； 步骤3:构建深度学习模型； 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； 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；步骤4:构建元胞自动机模型； 元胞自动机，包括元胞空间和元胞转换规则两部分； 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 C = (Dn, S，N, f) 式中，DnS 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 S (r, t) = (S1 (r, t)，S2 (r, t)，…，Sk (r, t)} 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 N= {N” N2，…，NJ Nq表示元胞r的第q个邻居相对于r的位置；f为S (r, t) — S (r, t+Ι)的转化规则 f = ifi, f2,… 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 S (r, t+1) = fj (S (r+N1； t)，S (r+N2, t)，…，S (r+Nq, t)) j = I, 2，…，m ; 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。
【专利摘要】本发明公布了一种基于地理信息系统的深度学习元胞自动机仿真分析方法，综合运用地理信息系统、深度学习和元胞自动机等，对数据进行综合模拟仿真分析。该方法基于地理信息系统和数据库等技术，运用深度学习挖掘提取元胞自动机的转换规则并进行模型的构建，采用集中管理维护的设计模式，对研究区域内的信息进行统一的控制和管理。本发明实现图文并貌一体化的维护管理、综合查询、空间分析和仿真分析等功能。本发明的有益效果是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，研究仿真分析的方法和技术，在该领域理论方法上实现创新。
【IPC分类】G06F17-50, G06N3-10
【公开号】CN104850677
【申请号】CN201510130883
【发明人】董文永, 董学士, 刘宇航, 王豫峰, 康岚兰
【申请人】武汉大学
【公开日】2015年8月19日
【申请日】2015年3月25日