《径向基函数神经网络的路网自动匹配算法》由会员分享，可在线阅读，更多相关《径向基函数神经网络的路网自动匹配算法（12页珍藏版）》请在金锄头文库上搜索。
1、径向基函数神经网络的路网自动匹配算法 郭宁宁 盛业华 吕海洋 黄宝群 张思阳 南京师范大学虚拟地理环境教育部重点实验室/江苏省地理信息资源开发与利用协同创新中心 摘 要： 针对 VGI 数据中检测更新的问题, 实现途径是数据匹配。该文提出基于径向基函数的神经网络自动匹配算法。通过选取路段的距离、方向、形状和长度 4 个空间特征的相似度作为衡量路段是否匹配的指标。考虑到 4 个空间特征指标对匹配的影响力不同, 在 RBF (Radial Basis Function) 神经网络中的隐含层对基函数引入粒度拉伸因子, 使径向对称的 RBF 顾及各向异性。同时对输出层在线性加权求和函数的基础上引入 s
2、igmoid 函数, 使计算结果 (路段的匹配度值) 归一化。本文算法对数据质量较差的 VGI 路网具有很好的匹配能力, 与 BP 神经网络相比, RBF 神经网络在地图匹配中具有更好的匹配效率。关键词： 地图匹配; 径向基神经网络; RBF; VGI 路网; 作者简介：郭宁宁 (1989-) , 男, 河南商丘人, 硕士研究生, 主要研究方向为数据集成与地图更新。E-mail:作者简介：盛业华 教授 E-mail:收稿日期：2016-06-27基金：国家自然科学基金项目 (41271383, 41471102) Automated matching road networks utilize
3、d RBF neural networkGUO Ningning SHENG Yehua L Haiyang HUANG Baoqun ZHANG Siyang Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University/Jiangsu Center for Collaborative Innovation in Geographic Information Resource Development and Application; Abstract：
4、Map matching is an important prerequisite for map integration, map updating, change detection and so on. The amount of volunteered geographic information (VGI) has increased in recent years, and VGI is drawing great attention with its superiority for map updating. In order to achieve the matching of
5、 VGI road network and the professional road network, this paper proposes a map matching algorithm based on radial basis function (RBF) neural network. It takes distance, orientation, shape and length as the evaluation factors to determinate whether the two road arcs are the same road or not. Add a s
6、caling parameter to the basis function of the hidden layer to make the RBF neural network anisotropy and utilized sigmoid function in the output layer to make the calculation results normalization. Firstly, select samples from the professional road data and the VGI road data, calculate the four feat
7、ure similarities of these samples, these four similarities with addition of the matching rate serving as learning modes. Secondly, calculate the mean value and variance of each feature similarities. Thirdly, input the learning modes to train RBF neural network, get the connection weights between the
8、 hidden layer and the output layer. At last, input the VGI road network and the professional road network, calculate the matching rate of road arcs. Result shows that our algorithm achieves good performance even the quality of VGI data is not so good, besides, utilized RBF neural networks has a bett
9、er efficient than utilized BP neural network in matching road networks.Keyword： map matching; RBF neural network; RBF; VGI road networks; Received： 2016-06-270.引言道路网是城市地图的骨架, 对道路网数据的采集是各应用单位的重要工作。随着传感器技术的发展, 空间地理数据的采集手段也日益丰富, 对不同来源的路网数据进行集成成为地图更新流程的起点1。道路网匹配技术是空间数据集成、地图合并、地图变化检测和更新的先决条件2-3, 国内外学者对道路
10、网匹配技术进行了大量的研究。综合这些研究成果, 可以把路网匹配的研究方法分为 3类: (1) 基于局部几何特征相似度的匹配算法。基于局部几何特征相似度的研究主要依据道路弧段的距离、形状等相似度进行路网匹配, 文献4-5分别采用欧式距离衡量两线要素的相似度;文献6-7分别用广义 Hausdorff 距离和平均Frchet 距离判断两线要素是否为同名要素;文献8利用傅里叶形状描述子计算线要素形状相似度, 文献9先计算曲线段在横向和纵向上的变形求曲线段的相似度, 再求出整体相似度与相似中误差, 以此指标评价线要素相似性, 二者皆基于形状相似度指标判断是否为同名要素。用单一几何指标衡量线要素相似度往往
11、会因过度依赖该指标造成匹配效果不佳, 顾及多空间特征相似度的线要素匹配可以提高匹配质量10-11, 但如何准确确定各空间指标间的权值成为不可回避的难题; (2) 基于大粒度层次结构相似度的匹配算法。基于结构的路网匹配不再对局部的路段进行相似性判断, 而是在更大粒度上进行匹配。文献12提出限定笔划 (Delimited Strokes) 算法对实现了德国路网的更新;文献13提出以 stroke 为单位, 对道路进行层次结构划分, 提取道路网, 可用于地图制图综合和地图合并;文献14利用道路自然延伸形态模式构造比“路段”粒度更大的要素单元“路划”, 在“路划”粒度上进行城市路网匹配。这种基于路网结
12、构的匹配算法利用了上下文信息和路网中的拓扑信息, 使路网匹配结果更加准确, 但此类算法需要先由路段生成大粒度的结构再进行匹配, 算法比较耗时。 (3) 基于数学模型的匹配算法。基于数学模型的匹配是利用概率理论、模糊理论、人工神经网络等建立匹配模型, 计算要素之间的相似度。文献15-18利用概率理论计算多源路网间的匹配概率, 确定匹配实体。文献20在文献19基础之上, 提出多元 Logistic 回归的算法实现路网匹配。利用人工神经网络匹配方面, 文献21-23皆利用 BP 神经网络计算要素的匹配程度。基于模型的匹配效率较高, 且可以回避准确确定权值和匹配阈值的问题。在神经网络匹配中, BP 神
13、经网络具有可以利用先验知识并通过误差反向传播对网络参数进行调整的优点, 但也存在收敛速度慢和易陷入局部最小值等缺陷。径向基神经网络是基于径向基函数 (Radial Basis Function, RBF) 的神经网络, 不存在 BP 神经网络的缺点且具有形式简单、求解方便等优点24。本文为实现从 OSM (Open Street Map) 上获得的 VGI 路网数据与专业采集的路网数据的匹配, 提出基于径向基函数神经网络的路网自动匹配算法。本文针对小比例尺地图中的道路网匹配问题进行研究, 通过选取多个路段空间特征, 计算空间特征相似度, 作为路段匹配的参考指标。首先选取样本数据, 计算样本对的
14、几个空间特征相似度, 用空间特征相似度值与样本对的匹配度组成样本的学习模式对, 对 RBF 神经网络进行训练;然后输入参考路网和待匹配路网, 计算路网的匹配度, 完成路网匹配。1. 路网匹配的参考指标在利用 VGI 数据进行地图更新时需要检测变化的路网, 而 VGI 路网数据是由非专业人员各自采集并上传到网络, 缺少正确拓扑结构信息, 数据质量差异很大, 即使是同一条道路也不完全相同。因此, 为了在两个数据集中搜索匹配出相同的道路, 需要确定相似度指标。本文依据路段的几何特征, 以路段的距离 (Simdistan ce) 、长度 (Sim length) 、方向 (Sim orientatio
15、n) 和形状 (Sim shape) 4 个空间特征的相似度作为计算路段匹配度的参考指标。1.1 距离相似度在路网匹配时, 路段间的空间距离可以描述路段之间的相对位置差异, 反映路段间的相似程度。在多个候选匹配路段中, 与参考路段距离越近, 应越相似。本文采用 Hausdorff 距离计算参考路段与待匹配路段的距离。距离相似度公式如式 (1) 式 (4) 所示。式中:D H为参考路网数据中的路段与 VGI 路网数据中路段的 Hausdorff 距离;式 (2) 为 Hausdorff 距离计算公式;L pro为参考路网数据中的路段;L VGI为 VGI路网数据中路段。式 (3) 和式 (4)
16、分别称为前向和后向 Hausdorff 距离, a, b 分别表示参考路网数据中的路段与 VGI 路网数据中路段上的节点。Radius 为依据参考路网数据中的路段生成的缓冲区的缓冲区半径。1.2 长度相似度理论上同一条路段的几何长度应该相等, 虽因采集精度不同, 其长度也应该相近, 因此路段的长度差异越小越相似。设参考路网数据中路段的几何长度为Lenpro和 VGI 路网数据中路段的几何长度为 LenVGI, 长度相似度公式如式 (5) 所示。若长度相似度小于阈值 =0.5, 可视此为 1:M 型路段匹配, 如图 1 所示, 参考路段为 a1a2, VGI 路段由 b1b2、b2b3、b3b4 3 条路段组成。在路段 a1a2 上找到点 b2 的投影点 a3 和 b3 的投影点 a4, 用 a1a3、a3a4 和 a4a2 3 条路段代替原路段, 1:M 型路段转为 1:1 型路段进行处理。图 1.1
