骤S36。
[0117] S36、将用户从中选择的检索模式确定为检索关键词对应的检索模式。
[0118] 在上述流程中，使用BP神经网络这一数学工具，识别检索关键词对应的是哪一种 检索模式。
[0119] 进一步地，检索模式可以包括：名称检索模式、分类检索模式、电话号码检索模式、 交叉路口检索模式、门牌号检索模式、周边分类检索模式和周边名称检索模式。
[0120] 为了方便理解，下面分别对上述各种检索模式进行简单说明：
[0121] 1.名称检索是大多数用户使用频率比较高的检索方式。通过用户选择的行政区和 输入的关键字，对于关键字，例如：P〇I的名称、POI的简称、POI名称的首字母、POI的全拼 名称、POI的其他语言的名称、道路的名称、道路的首字母、道路的全拼名称和道路的其他语 音的名称等。检索过程是在这个行政区范围内检索POI和道路。行政区范围包括，例如：省 级、地市级、区县级、直辖市、直辖市下辖县、省辖县、特别行政区等。
[0122] 2.分类检索（或称标签检索）允许用户选择POI的分类，例如：餐厅、加油站、停 车场、商场、便利店和电影院等，同时还需要选择行政区，在行政区范围内检索用户指定的 分类的POI。这些分类可以通过地图公司提供的POI原始分类，再结合用户的输入的关键字 产生。例如：大多数用户喜欢使用关键字"餐厅"来检索原始分类是"中餐馆"的P0I，那么 就可以增加这样的分类"餐厅"。大数据的相关技术可以帮助我们设置的分类更加合理。
[0123] 3.电话号码检索是允许用户输入电话号和选择行政区来检索P0I。电话号码检索 允许用户从区号开始输入，也可以从号码段开始输入。相比较其他检索的内容，这个检索的 检索内容全是数字。
[0124] 4.交叉路口检索（或称路口检索）检索的对象是道路与道路的交叉路口或者岔路 口，检索过程需要选择行政区，输入道路的名称，选择你要查找的两条道路后，两条道路的 交叉路口就会提供出来。
[0125] 5.门牌号检索（或称住所检索）检索道路上的门牌，如果用户对地址比较熟悉，这 个功能可能是最佳的选择，可以帮助用户快速的定位那个位置。检索过程需要用户选择行 政区和输入道路名称，选择一条道路后，会给出所有在这条道路上的门牌号。用户只需要选 择要找的门牌号就可以定位了。
[0126] 6.周边分类检索是以中心点为圆心，半径在nKm范围内检索P0I。中心点可以是 自车的位置，也可以是地图上的中心点等。"n"可以根据选择的检索距离来设置。
[0127] 7.周边名称检索是以中心点为圆心，半径在n Km范围内，根据输入的关键字检索 P0I。中心点可以是自车的位置，也可以是地图上的中心点等。"n"可以根据选择的检索距 呙来设置。
[0128] 在本发明实施例中，S31和S32中，利用BP神经网络这一数学工具来实现对检索 模式的识别。BP神经网络能学习和存贮大量的输入-输出模式映射关系，对于本发明实施 例而言，就是BP神经网络预先通过训练样本，学习并存贮输入的关键词和检索模式之间的 映射关系，达到一个稳定的BP神经网络（即前述预先建立的BP神经网络）这样，后续就可 以将用户输入的检索关键词的分词及对应的识别符号作为输入，获取与该检索关键词对应 的各种检索模式的评分（评分越高，则认为越适于使用该检索模式来进行检索），从而判断 出用户是想要检索什么，想要使用哪种检索模式进行检索。
[0129] 下表1是BP神经网络输出的各检索模式的评分的一个示例：
[0130] 表 1
[0131]
[0132] 将排序结果推送给用户时，上表1可以把所有检索模式都列举出来，也可以选择 推送得分靠前的若干项检索模式，例如如果得分小于10%，将不会出现在这表1中。
[0133] 获取到BP神经网络的输出后，可以采用两种方式来确定具体的检索方式，一种是 自动选择分值最高的检索模式确定为所述检索关键词对应的检索模式。另外一种是半人工 参与，即将各检索方式按照得分高低的排序的结果推送给用户，用户根据自己的意愿，从中 选择一项检索模式，具备检索功能的应用接收到用户的反馈后，按照用户选择的检索模式 进行检索。上述两种方式均通过对用户检索的内容智能的、精确的识别，可提高检索结果的 准确性。
[0134] BP神经网络需要预先建立。BP神经网络建立过程的基本原理可参照如下说明：输 入信号Xi通过中间节点（隐藏层节点）作用于输出节点，经过非线形变换，产生输出信号 Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之 间的误差，通过调整输入节点与隐藏层节点的联接强度取值Wij和隐藏层节点与输出节点 之间的联接强度Tjk以及阈值，使该误差沿梯度方向下降，经过反复学习训练，确定与最小 误差相对应的网络参数（权值和阈值），训练即告停止，得到稳定的BP神经网络。此时经过 训练的BP神经网络（稳定的BP神经网络）即能对类似样本的输入信息，自行处理输出误 差最小的经过非线形转换的信息。
[0135] BP神经网络的学习过程即根据样本确定网络的联接权值和误差反复修正的过程。
[0136] 结合本发明实施例来说，如图4A所示，BP神经网络可以通过下述方式预先建立：
[0137] S41、确定BP神经网络的拓扑结构。
[0138] 为了在资源受限的导航设备上，能够表现出好的性能，较佳地，可以采用3层的BP 网络。
[0139] 其中，该拓扑结构包括：输入层、隐藏层和输出层，以及各层的神经节点。
[0140] -个神经网络的拓扑结构的例子如图4B所示。
[0141] 输入层的神经节点可以包括：各分词及对应的识别符号；
[0142] 较佳地，为了保证BP神经网络的性能，在输入层，神经节点的数量不大于3个。
[0143] 输入层的输入节点的数据结构可以如下：（分词1，识别符号）、（分词2,识别符 号）、（分词3、识别符号）。分词1、分词2和分词3,与用户输入的顺序相同。当分词的结 果大于3个的时候，第3个分词将于后面的所有分词合并为分词3。
[0144] 举例说明：
[0145] 输入"沈阳奥体中心"经过分词处理后，分词1是"沈阳"，识别符号是行政区域 (AD)，分词2是"奥体中心"，识别是兴趣点（POI)，那么输入层的节点是（沈阳，AD)，（奥体 中心，P0I)。
[0146] 隐藏层的神经节点为下述一项或多项：行政区域、周边范围、分类信息、电话号码、 交叉路口、门牌号、兴趣点和道路。
[0147] 输出层的神经节点为下述一项或多项：名称检索模式、分类检索模式、电话号码检 索模式、交叉路口检索模式、门牌号检索模式、周边分类检索模式和周边名称检索模式。
[0148] S42、确定BP神经网络中各层的参数变量；
[0149] BP神经网络中各层的参数变量包括：输入层与隐藏层之间的连接权值，隐藏层与 输出层之间的连接权值，隐藏层的各神经节点的阈值等。
[0150] 上述参数变量可以选择预设的历史经验值，并在训练样本训练过程中，不断调整。
[0151] S43、通过对预设的各训练样本分别进行训练，计算神经网络的期望输出值与实际 输出值的误差，并逆向反馈，调整神经网络各层的参数变量，然后执行S44 ;
[0152] S44、判断神经网络的期望输出值与实际输出值的误差是否小于预设的阈值；若 是，执行下述S45 ;若否，重复执行S43 ;
[0153] S45、停止训练，得到稳定的BP神经网络。
[0154] 在本步骤S43中，训练样本的格式可以参照下表2 :
[0155] 表 2
[0157] 训练过程中，假设输入层的分词1、分词2和分词3的目标值为0. 3, 0. 5和0. 2， 还需要乘以对应的识别符号的归一化的值，作为输入层中每个分词及对应的识别符号的输 入。例如（沈阳，AD) = 0? 3*0. 2 = 0? 06。
[0158] 识别符号归一化的值，可以预先通过下述方式得到：
[0159] 选取用户大数据量的历史检索关键字（例如用户以往1000次的检索关键字）作 为样本，分词后，按照不同的识别符号分别进行累计个数。每个识别符号的归一化的值=每 个识别符号累计个数/全部识别对象累计个数。可以得到形式如下表3所示的表：
[0160] 表 3
[0161]
[0162] 上述S43中，例如神经网络的期望输出值与实际输出值的误差小于0. 001时，训练 终止，得到了稳定的BP神经网络。
[0163] 在一个实施例中，设计BP神经网络时，可以将POI相关的检索模式例如：名称检 索和分类检索等的目标值，设置为正向趋向于1，与道路相关的检索模式例如：交叉路口检 索，门牌号检索的目标值，设置为反向趋向于〇,这样，最终BP神经网络的输出中，POI相关 的检索模式的得分可以直接得出，而道理相关的检索模式的得分需要通过I-BP网络输出 的分值的方式得出。
[0164] 基于同一发明构思，本发明实施例还提供了一种地理信息的检索的装置，由于该 装置所解决问题的原理与前述地理信息的检索方法相似，因此该装置的实施可以参见前述 方