排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
针对当前建筑群组相似模式检索中空间域和谱域相似度量方法的模型泛化能力较弱，且空间信息利用不足的问题，本文提出了一种基于变分图卷积自编码器的相似检索模型。首先，利用最小生成树构建建筑群组图数据，并将建筑物描述特征嵌入图节点中，实现建筑群组模式的定量化表达；其次，在变分图卷积自编码器重参数化模块中，加入四维超混沌系统与高斯分布融合生成的混合噪声，通过增加采样的随机性来提高模型的泛化能力；然后利用图卷积和池化代替全连接层以保留更多的空间信息，并对低维特征编码进行处理，获得建筑群组的模式特征编码；最后，利用余弦距离来获得待检索建筑群组与模式编码库中建筑群组之间的相似度，从而实现建筑群组模式的相似检索。实验结果表明，该模型能够有效提取建筑群组的模式特征，通过无监督学习实现端到端的建筑群组相似模式检索，为建筑群组模式的自动分类与相似检索提供了新的思路和方法。 相似文献
2.
犯罪预测是进行犯罪预防的前提，高效准确的犯罪预测对于提高城市管理效率、保障公共安全都具有重要的意义。当前，关于犯罪预测的已有研究大多采用单一的机器学习方法或深度学习模型，忽略了犯罪的时空依赖关系，往往难以获得准确的预测结果。本文提出一个基于深度学习技术的犯罪时空预测模型—GAERNN：(1)利用GAE模型捕获犯罪案件的空间分布特征；(2)将带有空间依赖关系的特征经序列化处理后作为GRU模型的输入，进一步提取犯罪序列的时间特征；(3)经全连接层处理获得犯罪时空预测结果，并选取MLP、GCN等基准模型进行对比实验，结合RMSE、MSE等多个指标对模型预测结果进行评估。实验结果表明：对于各模型预测结果可视化分析，GAERNN模型预测的可视化结果与实际数据分布最相符合；在各模型误差分析方面，相比预测性能较差的MLP,GAERNN模型各月份的RMSE分别降低了1.02、3.58、1.29以及0.45；在子模块有效性评估方面，相比其变体模型GAE-LSTM,GAERNN模型在各月份的MAPE分别降低了2.15%、10.07%、1.92%以及2.54%，说明GAERNN模型能显著提高盗窃犯罪时空预测... 相似文献
3.
通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义。将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点。但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别。本文首先以建筑物质心作为样本进行聚类获得建筑群组。其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标。再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测。实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高。 相似文献
1