[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

说明书

利用脉冲耦合神经网络并行处理及自动波特性，提出了一种顾及设施点相关联路网属性的网络加权Voronoi图算法。算法首先将道路网按其节点划分为不同的弧段，并将道路网所有节点视作神经元，原始点群视为初始神经元，由其发出的自动波并发地沿着神经元间的最短路径向外传输，直至所有的神经元均被点火且正在传输的自动波传输停止。算法在自动波传输过程中，将点群权重及相关联的道路网属性等信息作为约束条件控制自动波的波速，在网络Voronoi图的构建过程中顾及了点群权重及周边道路网等信息对点群辐射范围的影响。最后，通过实际POI点辐射范围的试验，表明了算法的可行性、适用性及高效性。

技术领域

本申请涉及一种面向空间划分的基于改进脉冲耦合神经网络的网络加权Voronoi图构建方法。

背景技术

网络加权Voronoi图中，点与点之间通过实际网络路径距离相连。同时，其构建过程中可以融入道路等级及连通方向等因素，与平面Voronoi图相比，网络加权Voronoi图更适用于道路网约束下的空间分析与处理，它无疑是划分设施点辐射范围更为合理、精确的方法。本申请利用PCNN的并行处理与自动波发放特性，在改进PCNN的基础上实现了点群网络加权Voronoi图的构建。

发明内容

1.改进的PCNN模型

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。故为了使方法更适用于网络Voronoi图构建，对标准PCNN进行了改进，改进后的PCNN模型如图1所示，其数学表达式如下：

S[n+1]＝S[n]+ΔS[n] (2)

上式(1)-(4)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，Y_q代表神经元点火状态；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原理：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等因素，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；

2.基于改进PCNN的网络加权Voronoi图构建

(1)点群投影

方法中，作为初始神经元的点群发出的自动波是沿着相关道路网传输的，所以首先要把点群投影到对应的道路段上，具体方法如图2所示。以点P1-P5为起始点，分别作其邻近道路段的垂线，将垂距最短的垂线与道路段的交点视为该点的投影点，特别地，若一点与其周围两条或以上道路段距离相等，则将其垂线与权重值较高(等级较高，若等级相同则长度较大)的道路段交点视为该点的投影点。如图2中点P₁′-P₅′所示。

(2)神经元间连接关系的建立