[发明专利]一种多模态数据中间层融合全连接地质图预测模型的处理方法

说明书

本申请公开了一种多模态数据中间层融合全连接地质图预测模型的处理方法，包括：对证据数据进行补值和归一化处理；根据训练采样点坐标从处理后的证据数据中读取数据信息；获取训练采样点基础数据与遥感数据；判断所述数据是否一次性读入内存，如果是，直接输入模型训练，如果否，从数据存储路径分组输入模型训练。本发明的优点是：不但把原始数据转化为高维特征表达，还将基础数据特征与遥感数据特征进行特征融合，并利用全连接神经网络最大化的获取基础数据和遥感数据在高维空间上的共性特征，大大提高了提高预测对象的能力、精度，使填图单位岩性在空间的分布形态和展布方向、分布位置、地质对象之间的相邻关系可以以准确性最大化体现和表达。

技术领域

本发明涉及一种多模态数据中间层融合全连接地质图预测模型的处理方法。

背景技术

地质证据数据具有多专业(涉及地物化遥)、多模态(矢量数据、栅格数据或空间数据和属性数据)、多尺度(最高精度5米，一般精度为10-2000米之间)，可反映地表及一定深度下(去部分掩盖层)地质特征等特点。过去通常处理的方法基本都是按专业按同一数据类型进行处理，数据的融合很难摆脱“多张皮”的困局，大大的限制了数据在深层次方面的挖掘。

发明内容

本发明的目的在于克服上述不足，提供一种多模态数据中间层融合全连接地质图预测模型的处理方法，其解决地质证据数据如何深层挖掘的技术问题。

为了实现上述目的，本发明采用的技术方案为：一种多模态数据中间层融合全连接地质图预测模型的处理方法，其特征在于，包括：

对证据数据进行补值和归一化处理；

根据训练采样点坐标从处理后的证据数据中读取数据信息；

获取训练采样点基础数据与遥感数据；

判断所述数据是否一次性读入内存，如果是，直接输入模型训练，如果否，从数据存储路径分组输入模型训练。

进一步地，所述对证据数据进行补值，包括：

读取遥感数据为数据矩阵，记为A；

创建与基础数据处理范围一致的数据矩阵，矩阵内数据初始值均为0，该数据矩阵记为B；

从A的左下角开始逐行读取与基础数据处理范围一致的数据并将数据存储至B中相应的位置；

若B中矩阵上半部分有数据为0，则将该数据替换为其所在列的第一个不为0的值，若B中矩阵下半部分有数据为0，则将该数据替换为其所在列的最后一个不为0的值；

若B中矩阵左半部分有数据为0，则将该数据替换为其所在行的第一个不为0的值，若B中矩阵右半部分有数据为0，则将该数据替换为其所在行的最后一个不为0的值；

B为补值过后的证据数据。

进一步地，所述归一化处理采用算法：

其中，X表示基础数据或遥感数据在每个通道或者每类化学元素上读取到的数据，X_MIN表示数据矩阵X中的最小值，X_MAX表示数据矩阵X中的最大值。

进一步地，所述模型包括：

输入层：将训练采样点的基础数据和遥感数据同时通过输入层输入到全连接混合输入模型；

基础数据特征提取层：该特征提取层由三个全连接层构成，通过全连接神经网络进行全连接操作，利用权重值来提取网络特征即基础数据特征，将原始数据转化为高维特征表达；

遥感数据特征提取层：该特征提取层由三个全连接层构成，通过全连接神经网络进行全连接操作，利用权重值来提取网络特征即遥感数据特征，将原始数据转化为高维特征表达；