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：华侨大学

摘要：本发明提供了基于图神经网络的历史城区界线判断方法、系统、设备，涉及历史城区界线快速判断技术领域，该方法包括：将多元数据转化成图；图中获取信息，并生成各种正确格式的矩阵，利于后续神经网络的训练；自动进行运算、输出结果；衡量图神经网络计算结果与现实情况差异程度。该方法克服了将传统深度学习直接应用于图形数据的局限性，释放了新的能力。

主权项：1.一种基于图神经网络的历史城区界线判断方法，其特征在于，包括：获取待处理的多元数据，并对所述多元数据进行转化处理，构建生成表征城市结构的多重图，其中，所述多元数据包括河流系统数据、公交系统数据、文保单位位置数据、行政区域数据、古树名木位置数据、以及其他数据；对所述表征城市结构的多重图进行提取处理，提取获得矩阵集，所述矩阵集包括邻接矩阵、标签矩阵、掩码矩阵、独热编码矩阵、可计量信息矩阵、初始特征矩阵；将所述矩阵集导入训练好的图卷积神经网络模型中进行运算处理，生成运算结果；对所述运算结果进行可视化处理，生成可视化结果，结合连接关系对所述可视化结果进行计算，生成历史文化街区界线位置；采用精确量化差异程度算法对所述历史文化街区界线位置和现实总的历史文化街区控制线位置进行比较处理，生成历史城区界线判断结论，其中，所述精确量化差异程度算法包括极坐标旋转变化图和豪斯多夫距离视角的点集相似度；对所述表征城市结构的多重图进行提取处理，提取获得矩阵集，所述矩阵集包括邻接矩阵、标签矩阵、掩码矩阵、独热编码矩阵、可计量信息矩阵、初始特征矩阵，具体为：对所述表征城市结构的多重图进行提取处理，提取出多重图中的相关数据，其中，所述相关数据包括连接关系、标量编码、独热编码、标签、以及边矩阵；根据所述标量编码、邻接矩阵、独热编码，重构生成初始特征矩阵；根据所述相关数据，随机生成掩码矩阵，其中，所述掩码矩阵包括测试集标签和训练集标签；根据所述相关数据，获得邻接矩阵、标签矩阵、独热编码矩阵、可计量信息矩阵；对所述运算结果进行可视化处理，生成可视化结果，结合连接关系对所述可视化结果进行计算，生成历史文化街区界线位置，具体为：将所述运算结果输入全部节点的嵌入模块中，进行线性分类处理；将线性分类处理后的运算结果输入历史文化街区节点的嵌入模块中，生成可视化结果；对所述连接关系和所述可视化结果进行综合获取处理，计算生成历史文化街区界线位置；在将所述矩阵集导入训练好的图卷积神经网络模型中进行运算处理，生成运算结果之前，还包括：构建一个初始图卷积神经网络模型，将所述初始特征矩阵输入所述初始图卷积神经网络模型中进行训练和计算处理；所述初始图卷积神经网络模型的每一层都有两个核心函数，AGGREGATE函数和COMBINE函数，公式为： 其中，k∈{1,2,3,…,K}，K为所述初始图卷积神经网络模型的总层数，Nv是第v个节点的邻居节点的集合，AGGREGATEk为第k层的AGGREGATE函数，COMBINEk为第k层的COMBINE函数，为第k层神经网络中第v个节点的表征，为第k层神经网络中v节点的所有邻居节点的信息聚合，为第k-1层神经网络中第v个节点的表征；通过最小化损失函数，对所述初始图卷积神经网络模型训练，公式为： 其中，yi为节点i的标注标签，nl为标签节点的数量，loss为损失函数，O为目标函数，为神经网络对节点i的预测标签；节点v的标签属性yv采用Softmax函数进行预测，公式为： 其中，W∈R|n|×F，|n|为输出空间中标签的数量，F为节点表征维度的数量，R为矩阵表示符号，W一个为大小为|n|行F列的矩阵，为Softmax函数对节点v的预测标签，为输出层中v节点的表征；获得训练好的图卷积神经网络模型。

全文数据：

权利要求：

百度查询： 华侨大学 基于图神经网络的历史城区界线判断方法、系统、设备