[发明专利]一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置

权利要求书

1.一种监督学习支持的多化简算法协同的线要素自适应化简方法，其特征在于，包括：

步骤1、基于已有多尺度矢量数据自动提取线要素优选化简方案的案例：基于积累的综合前后线要素和各种待协同的化简方案，自动提取海量线要素优选化简方案的案例；

步骤2、监督学习支持的面向线要素优选化简方案的分类器构建与拟合：将线要素化简方案优选的任务抽象为数学模型，并构建与数学模型相适应的分类器模型；通过对线要素优选化简方案的案例进行有监督学习，使分类器能够拟合从线要素特征到化简方案的映射；

步骤3、基于分类器的线要素渐进剖分与自适应化简：利用训练、测试后的分类器渐进剖分待化简线要素，并对各剖分结果采用分类器对应的线要素化简化简算法及化简参数进行化简，完成线要素自适应化简；

所述步骤1包括：

步骤1.1、从多尺度矢量数据中提取出与化简任务比例尺相一致的综合前、后线要素集合{l₁}、{l₂}；

步骤1.2、匹配{l₁}和{l₂}，并提取出1:1的匹配结果，记为{l_t,l_t'},其中且t∈[1,η]，η表示集合{l_t,l_t'}内l_t,l_t'的数量；

步骤1.3、分别利用多种化简方案化简线要素l_t，记录各化简结果及时间消耗；其中m为采用的线要素化简算法总个数，每种化简算法的化简参数值有u种设置方案，共有mu种化简方案，ε_k表示第k种化简方案对应的化简参数值，表示采用第j种线要素化简算法、第k种化简参数值得出的线要素化简结果；

步骤1.4、度量和l_t'的相似性，从中选择相似度最高、执行速度最快的化简结果F_{ε}(l_t)，F_{ε}(l_t)采用的化简方案即为最优化简方案；

步骤1.5、重复步骤1.3～1.4遍历{l_t,l_t'}，得到所有线要素优选化简方案的案例集合{l_t,F_{ε}(l_t)|t∈[1,η]}，其中l_t∈{l₁}；

所述步骤2包括：

步骤2.1、设计、抽象线要素化简方案优选任务的数学模型：其中{Ch_e(l_i)|e∈[1,r]}表示对线要素l_i的r种特征项的量化度量，表示化简方案对应的数值编码；

步骤2.2、基于机器学习模型构建与数学模型相适应的监督学习分类器：

其中表示概率最大值；

步骤2.3、从案例中提取与监督学习分类器相适应的样本集合；

步骤2.4、利用样本集合训练、测试监督学习分类器，使其能够用于拟合基于线要素特征的化简方案优选任务，训练、测试后的分类器基于线要素特征计算出概率最大的最优化简方案；

所述步骤3包括：

步骤3.1、对于任意由p个顶点构成的线要素l＝{v₁,v₂,v₃,…,v_p}，其中p2，利用训练、测试好的分类器对逐顶点渐进增长的弧段判定最优化简方案，当分类器计算的优选方案概率足够大且不再增大时停止增长并进行剖分，并记录分类器对各剖分弧段计算的优选化简方案编码；以剖分点作为新起点重复弧段渐增和概率计算，得到基于分类器的线要素剖分结果；

步骤3.2、根据化简方案编码中的对应关系，将分类器对各剖分弧段计算的优选化简方案编码解码为化简方案，利用化简方案对应的化简算法及化简参数对各剖分弧段进行化简，得到最终化简结果，完成线要素化简。