(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210870579.1 (22)申请日 2022.07.23 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 杜佳威　武芳　钱海忠　翟仁健　 邱越　李安平　殷吉崇　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强 (51)Int.Cl. G06T 11/20(2006.01) G06T 17/05(2011.01) G06V 10/764(2022.01)G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 本发明公开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， 该方法 包含三个主要过程： 线要素优选化简方案案例的 获取， 监督学习支持的面向线化简方案优选任务 的分类器构建与拟合， 以及基于分类器的线要素 渐进剖分与自适应化简。 本发明避免了单一化简 算法及固定化简参数值的针对性和局限性， 实现 了算法级、 参数级更为丰富的多化简算法协同应 用； 基于数据驱动的监督学习策略， 克服了主观 分配化简算法的模糊性和不完备性； 达到了曲线 级、 弧段级更细粒度的线要素自适应化简， 提升 了线要素自动化简效果， 增强了线要素自动化简 的可用性和实用性。 权利要求书4页 说明书17页 附图5页 CN 115100322 A 2022.09.23 CN 115100322 A 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。 2.根据权利要求1所述的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， 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{<lt,lt'>},其中 且 t∈[1, η]， η表示 集合{<lt,lt'>}内<lt,lt'>的数量； 步 骤 1 .3 、分 别 利 用 多 种 化 简 方 案 化 简 线 要 素 lt，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， εk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lt'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 }(lt)， F{ ε }(lt)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{<lt,lt'>}， 得到所有线要素优选化简方案的案例集 合{<lt,F{ ε }(lt)>|t∈[1, η]}， 其中lt∈{l1}。 3.根据权利要求2所述的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， 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{Che(li)|e∈[1, r]}表示对线要素li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： 权　利　要　求　书 1/4 页 2 CN 115100322 A 2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。 4.根据权利要求1所述的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， 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,…,vp}， 其中p>2， 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。 5.根据权利要求2所述的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， 所述 步骤1.4包括： 步骤1.4.1、 遍历 利用整体相似性指标量化度量 和 lt'的整体相似程度， 若整体相似度最大的化简 结果唯一， 则整体相似度最大的化简结果即 为F{ε}(lt)， 其采用的化简方案即为最优化简方案； 否则， 将整体相似度未达到最大值的化 简结果从 中删除， 执 行下一步； 步骤1.4.2、 遍历 利用极限相似性指标量化度量 和 lt'的极限相似程度， 若极限相似度最大的化简 结果唯一， 则极限相似度最大的化简结果即 为F{ε}(lt)， 其采用的化简方案即为最优化简方案； 否则， 将极限相似度未达到最大值的化 简结果从 中删除， 执 行下一步； 步骤1.4.3、 依据已记录的各化简方案时间消耗， 从 中选择时 间消耗最小的化简结果， 此化简结果即为F{ ε }(lt)， 其采用的化简方案即为 最优化简方案 。 6.根据权利要求3所述的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， 所述 步骤2.1中， 按照如下 方式进行线 要素特征量化： 采用可解码的数值编码方法对线 要素的属性特 征进行编码及归一 化处理； 从曲线整体、 弯曲、 邻 近顶点三个层次对线要素的几何特征进行度量， 从 曲线整体上度 量得到的线要素几何特征包括曲线长度、 基线长度、 曲线高度、 曲线与基线交点数量， 从弯 曲层次度量得到的线要素几何特征包括弯曲数量、 弯曲高度的变异系 数、 弯曲对称度 统计 值， 从邻近顶点层次度量顶点角度得到的线要素几何特征包括变异系 数、 顶点到曲线基线 距离的平均值。 7.根据权利要求6所述的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， 所述步骤2.1中， 采用可解码的数值编码方法对各种化简方案进行数值编 码， 确保编码值与化简方案一 一对应。权　利　要　求　书 2/4 页 3 CN 115100322 A 3