基于群體智能的多源遙感數據分頁查詢方法

曾泳諭 丘 泉

（廣東省國土資源測繪院，廣東 廣州 510000）

0.引言

隨著航空航天遙感技術和光學成像技術的不斷進步和發展，遙感數據的來源廣泛、種類繁多，數據體量越來越多，這些數據涵蓋了空間TDICCD相機成像時產生的影像數據、衛星監測數據、物探數據、地質環境監測等遙感數據。隨著多源遙感數據的種類和規模越來越大，急切需要構建優化的多源遙感數據分頁查詢方法，對這些數據進行特征分析和像移參數分析，從而實現對多源遙感數據的特征檢測和識別，降低多源遙感數據查詢和檢索開銷，提高數據的實時分析能力[1]。

對多源遙感數據分頁查詢是通過用戶和數據的屬性參數檢測和識別實現的，結合對全局和局部的參數融合，采用分組和分塊檢測的方法，最終構建多源遙感數據分頁檢索和特征分類集。當前，查詢多源遙感數據的方法主要有擴展類別檢測法、語義搜索法、圖像處理法等[2，3]。文獻[4]通過構建基于HBase的遙感數據分布式存儲與查詢方法，利用HBase的過濾機制設計過濾列族，進行詞語關聯規則挖掘；基于目標遙感影像數據的分類屬性，通過擴展算法，達到在查詢時篩選數據的目的，但該方法的聚類性較弱。文獻[5]中提出一種遙感柵格數據庫檢索高效的拓撲查詢方法，采用最小外接矩形（MBR）和最大內接矩形（IR）的空間拓撲關系實現遙感數據查詢，但該方法易出現共現頻率結合形成新規則現象，導致查詢的穩定性較低。

對此，本文提出基于群體智能的多源遙感數據分頁查詢方法。首先采用本體圖模型和關聯規則擴展的方法構建數據查詢的分布模型和數據結構模型，并采用語義本體特征分析，實現對多源遙感數據分頁特征分析；然后采用群體智能進行多源遙感數據分頁查詢過程聚類和分類識別；最后進行仿真測試，驗證了本文方法在提高多源遙感數據分頁查詢能力方面的優越性。

1.多源遙感數據的分布結構和特征分析

1.1 分布結構

首先，為實現多源遙感數據分頁查詢，需要結合群體智能學習的方法，構建多源遙感數據分頁特征檢測模型；其次，需要結合樣本參數的訓練和語義結構分析方法，進行Word－Net本體的加權圖查詢和模型結構參數分析；再次，通過語義相似度擴展的方法，建立多源遙感數據的模型庫和語義特征本體庫，結合Web檢索的方法，構建多源遙感數據的多維動態特征分布集；最后，通過關鍵詞檢索和特征降維，降低多源遙感數據的存儲空間維數，同時提高多源遙感數據的查詢精準度。在進行多源遙感數據分頁查詢中，使用WordNet和其語義關聯度構建知識本體庫，通過元素標簽識別和擴展詞應用的方法，使查詢結果接近用戶意圖，滿足多源遙感數據的屬性分類性和特征聚類性，最終構建多源遙感數據的存儲節點分布模型。根據存儲節點分布，采用多重檢索的自適應搜索方法，進行數據集成，構建概率樹模型，并通過元素標簽識別，分析遙感數據的特征量，得到多源遙感數據的特征分布結構，如圖1所示。

圖1 多源遙感數據的特征分布結構

在Map/Reduce模式下構建多源遙感數據的時態分析模型，在時態對象模型中，采用動態查詢結合非結構化的數據處理機制，建立多源遙感數據的延遲預寫日志，同時基于映射（key/value）和關系模型分析建立多源遙感數據的動態分布集合，并通過遙感物探分布，采用全周期記錄和動態存儲的方法，實現對多源遙感數據的動態挖掘和編碼。基于語義概念分析的方法，進行多源遙感數據查詢擴展性分析。對多源遙感數據的查詢擴展主要包括同義詞擴展、語義擴展、遙感衛星數據擴展、圖像邊緣性擴展等。基于語義外延特征分析，采用規則性挖掘和調度的方法，得到多源遙感數據擴展的相關規則詞。同時設置多源遙感數據的權重分量，在原查詢詞中，采用語義消歧和圖像濾波檢測的方法，構建多源遙感圖像濾波和降噪模型；在遙感動態數據的相關規則集中，通過相關規則持續性爬取，實現遙感數據的分頁查詢檢索。多源遙感數據查詢總體技術路線如圖2所示：

圖2 多源遙感數據查詢總體技術路線

1.2 數據特征

結合數據特征分析，建立多源遙感數據的動態查詢分析模型，采用本體圖模型和關聯規則擴展的方法，建立多源遙感數據的語義索引通道，并設定數據初始步長與初始稀疏度，定義數據查詢的鏈路分布映射為:X→Y，其中X，Y?I且是空間向量R中的一組正交基，D=｝是原始多源遙感數據的動態事務特征分布集合，稱為數據庫。其中多源遙感數據的特征分布集t在I中是非空子集。X和Y分別為多個相同長度數據的稀疏參量和重構參數。其中supp（X∪Y）是聯合稀疏函數，包含X和Y的百分比，supp（X）、supp（Y）分別為最小效用閾值在X和Y的百分比，以相似度多源遙感數據查詢的特征關系如表1所示。

表1 多源遙感數據查詢的特征關系表

2.數據查詢算法優化

2.1 群體智能學習算法

采用概念結構圖模型分析的方法，進行語義擴展和數據的關聯性度量，結合群體智能學習算法，分析多源遙感數據的層次性結構分量，同時使用基本粒子群算法作為智能群體。在遙感數據挖掘中，粒子初始化是隨機產生方式，挖掘得到的遙感數據解稱為個體極值pbest,迭代前期，粒子的自我認知過程采用適應度函數來控制。基于收斂控制，構建多源遙感數據挖掘的位置之間的關系分布式，如式（1）所示：

式（1）中，xt=xt-1+vt為多次調整總效用；vt為適應度；xt為離散粒子群更新規則；c1和c2分別為遙感數據分頁訓練過程中的操作算子常數，一般取c1=c2=2；rand1（）和rand2（）是[0,1]之間的隨機數，為最小相對效用閾值；pbest、gbest分別為測試集和訓練集粒子的最佳訓練函數，通過隨機數進行自適應訓練，對于每個Xi對應的一個函數，在存在高效用項集的狀況下，得到雙重二元粒子群訓練的迭代式，如式（2）所示：

式（2）中，ρ為Xi的最小支持度閾值；f（xi（k））為k時刻第i個粒子向其鄰居集合中第i個粒子移動的概率；γ為粒子群的離群系數；li為挖掘頻繁項集；k為查詢擴展的過程類別參數。

采用群體智能學習，得到粒子群個體之間的距離，并得到多源遙感數據分頁查詢的變異適應度值，搜索全局最優點，實現遙感數據挖掘過程中的粒子自適應尋優[6]。

2.2 數據分頁查詢輸出

以地理空間位置分布特性，結合遙感特征提取方法，通過群體智能學習算法建立多源遙感數據的分頁檢索和分類模型，并采用全域本體類型模型，在粒子群里智能尋優下，數據查詢輸出公式如式（3）所示：

式（3）中，pad為所有的個體最優位置的平均值；ω為在相同特征子集下的加權權重；c1和c2為正則項參數；r1和r2為回歸參數；pgd為最大相關系數；xtid為查詢最終特征子集；m為數據庫的分布維數；pid為穩態特征量，根據排序索引集合，得到遙感數據分頁查詢后輸出的新粒子集｛x~ik｝Ni=1。

通過本文改進算法設計，采用全局性領域本體特征分類，在群體智能性分類集中實現對多源遙感數據的分頁查詢。

3.試驗測試

3.1 試驗環境描述

對于多源遙感數據查詢的群體智能學習工具，采用PyTorch1.3.1。試驗中取智能粒子群的種群個數為2000，狀態分布的關聯規則項為600，遙感數據的多源類別屬性為4，匯聚節點匯聚40個節點，訓練周期設置為100 epoch，遙感數據的像素為1200×1200像素，包含10類場景。多源遙感數據的數據庫特征參數，如表2所示。

表2 數據庫特征參數

3.2 結果分析

在表2所建立的多源數據參數分布基礎上，進行數據分頁查詢，得到10類場景的查詢結果，如圖3所示。

圖3 遙感數據分頁查詢結果

由圖3可知：采用本文方法進行多源遙感數據查詢的分類性能較好，查詢輸出結果準確可靠。測試采用不同方法進行遙感數據查詢的查準率，與采用本文方法進行對比，結果如表3所示，可知采用本文方法的查準率優于傳統方法。

表3 查準率對比測試 單位：%

4.結束語

本文提出基于群體智能的多源遙感數據分頁查詢方法。該方法的核心理念是構建多源遙感數據的存儲節點分布模型，采用多重檢索的自適應搜索的方法進行數據集成，并結合群體智能學習算法分析多源遙感數據的層次性結構分量，最終實現對多源遙感數據的分頁挖掘；同時通過10組遙感數據與傳統方法進行對比測試，試驗結果準確可靠，查準率明顯高于傳統方法，具備一定的應用價值。