[发明专利]一种基于改进脉冲耦合神经网络的网络加权Voronoi图构建方法

权利要求书

1.一种基于改进脉冲耦合神经网络的网络加权Voronoi图构建方法，该方法包括：

脉冲耦合神经网络PCNN由于其自动波及并发特性，可以被应用于生长元同时向四周生长的情形，但标准PCNN模型的迭代过程复杂，且其活动阈值指数衰减特性也会使自动波的传播方式难以控制，故为了使算法更适用于网络Voronoi图构建，对标准PCNN进行了改进，改进后的PCNN模型如下：

S[n+1]＝S[n]+ΔS[n] (2)

上式中，n代表迭代次数；E_p为神经元p的动态阈值；V_E代表一个较大常量；△S为当前自动波波速；S为初始神经元到当前迭代的自动波长度；Y_P[n]代表神经元p在第n次迭代时的点火状态，Y_q[n]则代表神经元q在第n次迭代时的点火状态；W_pq为神经元p到神经元q的连接权重；R_q为神经元q的邻域集合；

其基本原理可以描述为：1)将点群中所有点及道路网所有节点设为神经元，其中，点群中所有的点为初始神经元；2)综合考虑点群及相关联道路网重要性程度和方向因素，计算由每个初始神经元发出的自动波在各路网弧段上的传输速度△S；3)由初始神经元发出的自动波按照速率△S沿着其关联的道路网不断迭代地向外传输，在传输过程中比较当前的波长S与阈值E_p，若S大于E_p，当前神经元即被点火，不断迭代并行地寻找其与相邻神经元之间的最短路径，直至所有的神经元均被点火且正在传输的自动波相遇为止；

在改进的脉冲耦合神经网络模型基础上，通过下述步骤实现网络加权Voronoi图的构建：

Step1:首先对网络数据进行预处理，包括：将点群投影到道路网中对应弧段上，并设置其投影点为初始神经元；将道路网按其节点划分为不同的弧段，且将所有节点定义为神经元；建立神经元间连接关系矩阵；

Step2:综合顾及点群权重、道路等级及通达方向在网络加权Voronoi图构建过程中对自动波传输速度的贡献，计算自动波传输速度：

L_Bn＝d×F(P₁,P₂)×W(p)×W(r) (5)

其中，d为权重值为1的点发出的自动波在权重值为1的道路段上的传输速度；F(P₁,P₂)、W(p)、W(r)分别为道路段通行方向条件下的二值函数、道路段和初始神经元的权重函数，F(P₁,P₂)由自动波传输方向与道路段通达方向共同决定；W(p)由初始神经元对应的地理实体的权重属性决定；W(r)由点群相关联的道路段的等级属性决定；

Step3：由初始神经元发出的自动波按照自动波传输速度沿着关联弧段方向向外传输，并发地寻找并沿着神经元间的最短路径传输，当该路段方向上前方所有的神经元均被点火时，此路段方向上的自动波传输结束；

Step4:反复运行Step3，至所有的神经元均被点火且正在传输的自动波传输结束时转Step5；

Step5:将传输过程中自动波未经由的路段划分给相应的初始神经元，网络加权Voronoi图构建结束；

至此，每个初始神经元在寻找最短路径过程中传输经由的路径子集，则构成点群的网络加权Voronoi图的几何构造。