买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京建筑大学

摘要：本申请涉及智能评价领域，其具体地公开了一种基于深度学习的老城社区韧性评价系统，其通过获取待评估老城社区的经济数据、社会数据、环境数据和基础设施数据，并利用基于深度学习神经网路的数据处理和分析算法来对所述待评估老城社区的经济数据、社会数据、环境数据和基础设施数据进行语义理解和分析，以此基于待评估老城社区的多模态数据表征特征来智能地评估老城社区的韧性等级。通过这样的方式，系统可以自动处理和分析老城社区的情况，以便更全面地评估社区韧性，减少了主观偏差的影响，提高了评估结果的可靠性，从而为决策者提供基于证据的评估结果，并支持制定有效的社区韧性提升策略。

主权项：1.一种基于深度学习的老城社区韧性评价系统，其特征在于，包括：待评估老城社区数据获取模块，用于获取待评估老城社区的经济数据、社会数据、环境数据和基础设施数据；数据语义编码模块，用于对所述待评估老城社区的经济数据、社会数据、环境数据和基础设施数据进行语义编码以得到经济数据语义编码特征向量、社会数据语义编码特征向量、环境数据语义编码特征向量和基础设施数据语义编码特征向量；特征语义强化模块，用于将所述经济数据语义编码特征向量、所述社会数据语义编码特征向量、所述环境数据语义编码特征向量和所述基础设施数据语义编码特征向量通过特征语义强化模块以得到强化经济数据语义编码特征向量、强化社会数据语义编码特征向量、强化环境数据语义编码特征向量和强化基础设施数据语义编码特征向量；共空间嵌入映射模块，用于将所述强化经济数据语义编码特征向量、所述强化社会数据语义编码特征向量、所述强化环境数据语义编码特征向量和所述强化基础设施数据语义编码特征向量分别进行共空间嵌入映射以得到映射后经济数据语义编码特征向量、映射后社会数据语义编码特征向量、映射后环境数据语义编码特征向量和映射后基础设施数据语义编码特征向量；特征多模态融合模块，用于使用基于全连接层的特征多模态融合器对所述映射后经济数据语义编码特征向量、所述映射后社会数据语义编码特征向量、所述映射后环境数据语义编码特征向量和所述映射后基础设施数据语义编码特征向量进行处理以得到待评估老城社区多模态表征特征向量作为待评估老城社区多模态表征特征；评估结果生成模块，用于基于所述待评估老城社区多模态表征特征，得到评估结果，所述评估结果用于表示韧性等级标签；所述系统还包括用于：对特征语义强化模块、基于全连接层的共空间嵌入映射器、基于全连接层的特征多模态融合器和基于分类器的评估器进行训练的训练模块；所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括待评估老城社区的训练经济数据、训练社会数据、训练环境数据和训练基础设施数据，以及，所述韧性等级标签的真实值；训练数据语义编码单元，用于对所述待评估老城社区的训练经济数据、训练社会数据、训练环境数据和训练基础设施数据进行语义编码以得到训练经济数据语义编码特征向量、训练社会数据语义编码特征向量、训练环境数据语义编码特征向量和训练基础设施数据语义编码特征向量；训练数据特征强化单元，用于将所述训练经济数据语义编码特征向量、所述训练社会数据语义编码特征向量、所述训练环境数据语义编码特征向量和所述训练基础设施数据语义编码特征向量通过所述特征语义强化模块以得到训练强化经济数据语义编码特征向量、训练强化社会数据语义编码特征向量、训练强化环境数据语义编码特征向量和训练强化基础设施数据语义编码特征向量；训练特征映射单元，用于将所述训练强化经济数据语义编码特征向量、所述训练强化社会数据语义编码特征向量、所述训练强化环境数据语义编码特征向量和所述训练强化基础设施数据语义编码特征向量分别通过所述基于全连接层的共空间嵌入映射器以得到映射后训练经济数据语义编码特征向量、映射后训练社会数据语义编码特征向量、映射后训练环境数据语义编码特征向量和映射后训练基础设施数据语义编码特征向量；训练多模态表征单元，用于使用所述基于全连接层的特征多模态融合器对所述映射后训练经济数据语义编码特征向量、所述映射后训练社会数据语义编码特征向量、所述映射后训练环境数据语义编码特征向量和所述映射后训练基础设施数据语义编码特征向量进行处理以得到待评估老城社区训练多模态表征特征向量；特征优化单元，用于对所述待评估老城社区训练多模态表征特征向量进行优化以得到待评估老城社区优化训练多模态表征特征向量；分类损失单元，用于将所述待评估老城社区优化训练多模态表征特征向量通过所述基于分类器的评估器以得到分类损失函数值；模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述特征语义强化模块、所述基于全连接层的共空间嵌入映射器、所述基于全连接层的特征多模态融合器和所述基于分类器的评估器进行训练，其中，在每次所述待评估老城社区训练多模态表征特征向量通过基于分类器的评估器进行分类迭代时，对所述待评估老城社区训练多模态表征特征向量进行优化；在每次所述待评估老城社区训练多模态表征特征向量通过基于分类器的评估器进行分类迭代时，对所述待评估老城社区训练多模态表征特征向量进行优化，包括步骤：确定将所述待评估老城社区训练多模态表征特征向量通过分类器得到的类概率值和一减去所述类概率值的概率差值；计算所述类概率值除以所述概率差值得到的类概率相对值，并计算所述类概率值乘以所述概率差值得到的类概率协同值；确定所述待评估老城社区训练多模态表征特征向量的任意两个不同位置的第一待评估老城社区训练多模态表征特征值和第二待评估老城社区训练多模态表征特征值；将所述第一待评估老城社区训练多模态表征特征值和所述第二待评估老城社区训练多模态表征特征值分别减去所述类概率相对值后相乘以得到第一待评估老城社区训练多模态表征中间特征值；将所述第一待评估老城社区训练多模态表征特征值和所述第二待评估老城社区训练多模态表征特征值相加后再除以所述类概率协同值以得到第二待评估老城社区训练多模态表征中间特征值；将所述第一待评估老城社区训练多模态表征中间特征值与所述第二待评估老城社区训练多模态表征中间特征值相加后，作为与所述第一待评估老城社区训练多模态表征特征值和所述第二待评估老城社区训练多模态表征特征值的不同位置对应坐标处的矩阵值，以得到待评估老城社区训练多模态表征校正矩阵；计算所述待评估老城社区训练多模态表征校正矩阵与所述待评估老城社区训练多模态表征特征向量的矩阵乘积，以得到所述待评估老城社区优化训练多模态表征特征向量，其中，所述待评估老城社区训练多模态表征特征向量是列向量；通过以所述待评估老城社区训练多模态表征特征向量的特征值为单位，对于所述待评估老城社区训练多模态表征特征向量作为特征集合经由分类器得到的类概率值和概率差值的相对类概率分布形式和协同类概率分布形式，分别进行所述待评估老城社区训练多模态表征特征向量的特征值对的基于相对性的联合表征和基于协同性的响应表征，以避免所述待评估老城社区训练多模态表征特征向量的特征值之间由于所对应的局部分布差异引起的类归纳偏见，以确立所述待评估老城社区训练多模态表征特征向量整体作为特征集合的对于类认知的鲁棒理解范式。

全文数据：

权利要求：

百度查询： 北京建筑大学 基于深度学习的老城社区韧性评价系统