CN119597856A - 一种地理信息数据处理方法 - Google Patents

Abstract

本发明公开了一种地理信息数据处理方法，属于地理信息处理技术领域，通过采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据，从而可以快速实现数据识别以及提取，提升了数据识别准确性，提高了地理信息数据处理效率。

Description

一种地理信息数据处理方法

技术领域

本发明属于地理信息处理技术领域，具体涉及一种地理信息数据处理方法。

背景技术

地理信息数据是关于地理实体性质、特征和运动状态的表征和一切有用的知识，它是对表达地理特征要素和地理现象之间关系的地理数据的解释。随着地理信息数据的不断增长，如何高效、准确地处理这些数据成为地理信息领域的研究热点。目前已有研究尝试将深度学习技术应用于地理信息数据采集。如通过训练深度神经网络模型对遥感图像进行自动分类和识别，从而提取出地理信息数据。但是深度神经网络模型通常需要进行优化之后才能够准确地执行预设任务，而现有技术中大多算法往往优化效果较差，从而导致后续地理信息数据处理效果较差。

发明内容

本发明提供一种地理信息数据处理方法，用以解决现有技术中存在的技术问题。

一种地理信息数据处理方法，包括：

获取样本地理信息数据，并对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据；

采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型；

获取实时地理信息数据，并采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据；

采用区块链加密技术对所述分类地理信息数据进行分布式存储，完成对地理信息数据的处理。

进一步地，所述样本地理信息数据包括初始地形高程数据、建筑形状数据、地表覆盖物形状数据、建筑物尺寸以及位置数据。

进一步地，对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据，包括：

对所述样本地理信息数据进行归一化处理，得到归一化之后的样本地理信息数据；

对归一化之后的样本地理信息数据进行K均值聚类处理，得到预处理之后的样本地理信息数据。

进一步地，采用卷积神经网络构建地理信息识别模型，包括：采用U-net神经网络构建地理信息识别模型。

进一步地，采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，包括：

针对预处理之后的样本地理信息数据中的每一个类别，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，以获取每个类别对应的地理信息识别模型。

进一步地，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，包括：

多次在地理信息识别模型的参数上限与参数下限之间随机初始化参数，获取多个模型参数编码；

以类别数据集为训练样本，获取每个模型参数编码对应的损失函数值；其中，所述损失函数值通过Dice损失函数获取；

根据每个模型参数编码对应的损失函数值，确定最优参数编码以及最差参数编码，除最优参数编码以及最差参数编码之外的其他参数编码设置为目标模型参数编码；

采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码；

采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码；

采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码；

采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码；

将搜索之后的最优参数编码、二次搜索之后的目标模型参数编码以及搜索之后的最差参数编码重新组成种群；

判断是否到大最大训练次数，若是，根据重组得到的种群重新获取最优参数编码，并将最优参数编码包含的模型参数解码之后，应用至地理信息识别模型中，完成训练，否则以重组得到的种群为基础，返回确定最优参数编码以及最差参数编码的步骤。

进一步地，采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码，包括：

根据每个模型参数编码对应的损失函数值，确定损失函数值第二小的第一目标参数编码以及损失函数值第三小的第二目标参数编码；

根据所述第一目标参数编码以及第二目标参数编码，在最优区域对最优参数编码进行联合分布搜索，得到搜索之后的最优参数编码为：

其中，表示第t次训练过程中的最优参数编码，表示第一目标参数编码，表示第二目标参数编码，表示搜索之后的最优参数编码，表示最优参数编码对应的联合分布搜索权重，表示第一目标参数编码对应的联合分布搜索权重，表示第二目标参数编码对应的联合分布搜索权重，=1/（E _u+0.00001），E _u表示参数编码对应的损失函数值，表示参数编码对应的位置优劣程度，表示参数编码对应的联合分布搜索权重，分别为、或。

进一步地，采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码，包括：

根据每个目标模型参数编码对应的损失函数值，将所有目标模型参数编码按照损失函数值从小到大的顺序排列，得到参数编码序列；

确定参数编码序列中每个目标模型参数编码对应的序号，确定每个目标模型参数编码的联合搜索量为：

其中，表示参数编码序列中第i个目标模型参数编码，表示参数编码序列中第i-1个目标模型参数编码，表示参数编码序列中第i个目标模型参数编码对应的联合搜索量；当i=1时，则设置为最优参数编码；

根据每个目标模型参数编码的联合搜索量，对目标模型参数编码进行记忆搜索，得到一次搜索之后的目标模型参数编码为：

其中，表示第t-2次训练过程中第i个目标模型参数编码，表示一次搜索之后的目标模型参数编码，表示第t-3次训练过程中第i个目标模型参数编码，表示调整系数，e表示自然常熟，T表示最大训练次数。

进一步地，采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码为：

其中，表示第t次训练过程中第m个一次搜索之后的目标模型参数编码，表示二次搜索之后的目标模型参数编码，表示[0,2π]之间的随机数，表示[0,π]之间的随机数，表示最优参数编码，表示二次搜索之后的目标模型参数编码对应的中心位置，，表示第一更新系数，表示圆周率，表示黄金分割数，且，，表示第二更新系数。

进一步地，采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码，包括：

其中，表示最差参数编码，表示搜索之后的最差参数编码，表示通过莱维飞行获取的编码，表示随机参数编码，表示上限值与下限值之间的随机系数，表示[-1,1]之间的随机数，表示[-1,1]之间的随机数，表示第一随机飞行系数，表示第二随机飞行系数，表示(0,2]之间的随机数，且与服从正态分布，即，；表示中间参数，且，表示伽马函数。

本发明提供的一种地理信息数据处理方法，通过采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据，从而可以快速实现数据识别以及提取，提升了数据识别准确性，提高了地理信息数据处理效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明实施例提供一种地理信息数据处理方法的流程图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

下面结合附图详细说明本发明的实施例。

如图1所示，本发明实施例提供一种地理信息数据处理方法，包括：

S11、获取样本地理信息数据，并对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据；

可选的，预处理可以设置为去除异常值操作、去除重复值操作、归一化等等操作，从而可以实现地理信息数据的预处理，使之更加规整，方便后续进行处理。

S12、采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型；

在本发明实施例中，采用卷积神经网络构建地理信息识别模型，包括：采用U-net神经网络构建地理信息识别模型。但是值得说明的是，U-net神经网络仅仅是本发明实施例的较优实施方式，还可以选择其他类型的神经网络模型对地理信息进行处理。

在现有技术中，尝尝采用Adam优化器对神经网络模型进行训练，虽然Adam优化器拥有较快的训练速度，但是采用Adam优化器进行优化的过程中，常常会使参数陷入解空间中的局部最优位置，从而导致后续地理信息识别效果差。因此，本发明实施例提供一种改进智能优化算法，用以解决现有技术中存在的技术问题，以提升地理信息提取的准确性。

S13、获取实时地理信息数据，并采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据；

由于地理信息识别模型是通过预处理之后的样本地理信息数据进行训练的，为了保证后续准确识别，可以实时地理信息数据也应当与样本地理信息数据的格式相同，并且进行相同的预处理。

S14、采用区块链加密技术对所述分类地理信息数据进行分布式存储，完成对地理信息数据的处理。

在地理信息访问过程中，常常会出现数据安全问题，因此本发明实施例通过区块链加密技术对分类地理信息数据进行存储，可以有效地保障地理信息的安全性。

本发明提供的一种地理信息数据处理方法，通过采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据，从而可以快速实现数据识别以及提取，提升了数据识别准确性，提高了地理信息数据处理效率。

在本发明实施例中，所述样本地理信息数据包括初始地形高程数据、建筑形状数据、地表覆盖物形状数据、建筑物尺寸以及位置数据。

值得说明的是，除了上述地理信息数据之外，还可以采集其他地理信息数据进行处理，此处不再进行赘述。

在本发明实施例中，对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据，包括：

对所述样本地理信息数据进行归一化处理，得到归一化之后的样本地理信息数据；

对归一化之后的样本地理信息数据进行K均值聚类处理，得到预处理之后的样本地理信息数据。

在本发明实施例中，采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，包括：

针对预处理之后的样本地理信息数据中的每一个类别，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，以获取每个类别对应的地理信息识别模型。

在本发明实施例中，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，包括：

多次在地理信息识别模型的参数上限与参数下限之间随机初始化参数，获取多个模型参数编码；

以类别数据集为训练样本，获取每个模型参数编码对应的损失函数值；其中，所述损失函数值通过Dice损失函数获取；

例如，可以先采用现有比较复杂的技术或者设备获取真实的分类地理信息数据，然后再根据提取的分类地理信息数据获取损失函数值，从而可以确定神经网络模型是否训练完成。

根据每个模型参数编码对应的损失函数值，确定最优参数编码以及最差参数编码，除最优参数编码以及最差参数编码之外的其他参数编码设置为目标模型参数编码；

采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码；

采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码；

采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码；

采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码；

将搜索之后的最优参数编码、二次搜索之后的目标模型参数编码以及搜索之后的最差参数编码重新组成种群；

判断是否到大最大训练次数，若是，根据重组得到的种群重新获取最优参数编码，并将最优参数编码包含的模型参数解码之后，应用至地理信息识别模型中，完成训练，否则以重组得到的种群为基础，返回确定最优参数编码以及最差参数编码的步骤。

在本发明实施例中，采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码，包括：

根据每个模型参数编码对应的损失函数值，确定损失函数值第二小的第一目标参数编码以及损失函数值第三小的第二目标参数编码；

根据所述第一目标参数编码以及第二目标参数编码，在最优区域对最优参数编码进行联合分布搜索，得到搜索之后的最优参数编码为：

其中，表示第t次训练过程中的最优参数编码，表示第一目标参数编码，表示第二目标参数编码，表示搜索之后的最优参数编码，表示最优参数编码对应的联合分布搜索权重，表示第一目标参数编码对应的联合分布搜索权重，表示第二目标参数编码对应的联合分布搜索权重，=1/（E _u+0.00001），E _u表示参数编码对应的损失函数值，表示参数编码对应的位置优劣程度，表示参数编码对应的联合分布搜索权重，分别为、或。

该联合分布最优区域搜索不仅提高了编码之间的信息交流，而且加强了其他编码对全局最优位置的影响程度，加快种群中信息交流，最大程度地搜索最优位置，并且有效减少迭代后期算法出现早熟现象的可能性。

在本发明实施例中，采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码，包括：

根据每个目标模型参数编码对应的损失函数值，将所有目标模型参数编码按照损失函数值从小到大的顺序排列，得到参数编码序列；

确定参数编码序列中每个目标模型参数编码对应的序号，确定每个目标模型参数编码的联合搜索量为：

其中，表示参数编码序列中第i个目标模型参数编码，表示参数编码序列中第i-1个目标模型参数编码，表示参数编码序列中第i个目标模型参数编码对应的联合搜索量；当i=1时，则设置为最优参数编码；

根据每个目标模型参数编码的联合搜索量，对目标模型参数编码进行记忆搜索，得到一次搜索之后的目标模型参数编码为：

其中，表示第t-2次训练过程中第i个目标模型参数编码，表示一次搜索之后的目标模型参数编码，表示第t-3次训练过程中第i个目标模型参数编码，表示调整系数，e表示自然常熟，T表示最大训练次数。

该链式记忆联合搜索在训练前期凭借记忆特性，可以提升算法的探索能力，随迭代次数增加，调整系数不断减小，有利于后期算法开发，并且将所有编码联合搜索的过程，可以增强种群多样性，提高算法的收敛速度。

在本发明实施例中，采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码为：

其中，表示第t次训练过程中第m个一次搜索之后的目标模型参数编码，表示二次搜索之后的目标模型参数编码，表示[0,2π]之间的随机数，表示[0,π]之间的随机数，表示最优参数编码，表示二次搜索之后的目标模型参数编码对应的中心位置，，表示第一更新系数，表示圆周率，表示黄金分割数，且，，表示第二更新系数。

该黄金正弦改进的整体信息融合搜索能够加快算法的寻优速度，同时保持种群的多样性，随着算法的进行，所有编码开始在解空间进行聚集，算法收敛精度开始变高，从而平衡算法的全局搜索能力和收敛精度。

在本发明实施例中，采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码，包括：

其中，表示最差参数编码，表示搜索之后的最差参数编码，表示通过莱维飞行获取的编码，表示随机参数编码，表示上限值与下限值之间的随机系数，表示[-1,1]之间的随机数，表示[-1,1]之间的随机数，表示第一随机飞行系数，表示第二随机飞行系数，表示(0,2]之间的随机数，且与服从正态分布，即，；表示中间参数，且，表示伽马函数。

该旋转飞行搜索以一定的旋转角度进行搜索，最大限度的避免了生成重复编码，能够有效提升算法的陌生区域开发能力，并且在随机游走过程中偶尔会出现长跳跃，扩大群体搜索范围，不但可以增强算法的局部开发能力，而且能有效协助算法跳出局部最优，实现全局搜索，从而提升算法搜索性能。

可选的，还可以进行越界处理以及采用贪心算法对一个或者多个搜索过程进行控制，从而提升算法的有效性以及性能。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种地理信息数据处理方法，其特征在于，包括：

获取样本地理信息数据，并对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据；

采用卷积神经网络构建地理信息识别模型，并采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型；

获取实时地理信息数据，并采用训练之后的地理信息识别模型对所述实时地理信息数据进行识别，得到分类地理信息数据；

采用区块链加密技术对所述分类地理信息数据进行分布式存储，完成对地理信息数据的处理。

2.根据权利要求1所述的地理信息数据处理方法，其特征在于，所述样本地理信息数据包括初始地形高程数据、建筑形状数据、地表覆盖物形状数据、建筑物尺寸以及位置数据。

3.根据权利要求1所述的地理信息数据处理方法，其特征在于，对所述样本地理信息数据进行预处理，得到预处理之后的样本地理信息数据，包括：

对所述样本地理信息数据进行归一化处理，得到归一化之后的样本地理信息数据；

对归一化之后的样本地理信息数据进行K均值聚类处理，得到预处理之后的样本地理信息数据。

4.根据权利要求3所述的地理信息数据处理方法，其特征在于，采用卷积神经网络构建地理信息识别模型，包括：采用U-net神经网络构建地理信息识别模型。

5.根据权利要求4所述的地理信息数据处理方法，其特征在于，采用改进智能优化算法以及预处理之后的样本地理信息数据对地理信息识别模型的参数进行训练，得到训练之后的地理信息识别模型，包括：

针对预处理之后的样本地理信息数据中的每一个类别，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，以获取每个类别对应的地理信息识别模型。

6.根据权利要求5所述的地理信息数据处理方法，其特征在于，以类别数据集作为训练数据，采用改进智能优化算法对地理信息识别模型的参数进行训练，包括：

多次在地理信息识别模型的参数上限与参数下限之间随机初始化参数，获取多个模型参数编码；

以类别数据集为训练样本，获取每个模型参数编码对应的损失函数值；其中，所述损失函数值通过Dice损失函数获取；

根据每个模型参数编码对应的损失函数值，确定最优参数编码以及最差参数编码，除最优参数编码以及最差参数编码之外的其他参数编码设置为目标模型参数编码；

采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码；

采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码；

采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码；

采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码；

将搜索之后的最优参数编码、二次搜索之后的目标模型参数编码以及搜索之后的最差参数编码重新组成种群；

判断是否到大最大训练次数，若是，根据重组得到的种群重新获取最优参数编码，并将最优参数编码包含的模型参数解码之后，应用至地理信息识别模型中，完成训练，否则以重组得到的种群为基础，返回确定最优参数编码以及最差参数编码的步骤。

7.根据权利要求6所述的地理信息数据处理方法，其特征在于，采用联合分布最优区域搜索对最优参数编码进行搜索，以获取搜索之后的最优参数编码，包括：

根据每个模型参数编码对应的损失函数值，确定损失函数值第二小的第一目标参数编码以及损失函数值第三小的第二目标参数编码；

根据所述第一目标参数编码以及第二目标参数编码，在最优区域对最优参数编码进行联合分布搜索，得到搜索之后的最优参数编码为：

其中，表示第t次训练过程中的最优参数编码，表示第一目标参数编码，表示第二目标参数编码，表示搜索之后的最优参数编码，表示最优参数编码对应的联合分布搜索权重，表示第一目标参数编码对应的联合分布搜索权重，表示第二目标参数编码对应的联合分布搜索权重，=1/（E _u+0.00001），E _u表示参数编码对应的损失函数值，表示参数编码对应的位置优劣程度，表示参数编码对应的联合分布搜索权重，分别为、或。

8.根据权利要求7所述的地理信息数据处理方法，其特征在于，采用链式记忆联合搜索对每个目标模型参数编码进行搜索，得到一次搜索之后的目标模型参数编码，包括：

根据每个目标模型参数编码对应的损失函数值，将所有目标模型参数编码按照损失函数值从小到大的顺序排列，得到参数编码序列；

确定参数编码序列中每个目标模型参数编码对应的序号，确定每个目标模型参数编码的联合搜索量为：

其中，表示参数编码序列中第i个目标模型参数编码，表示参数编码序列中第i-1个目标模型参数编码，表示参数编码序列中第i个目标模型参数编码对应的联合搜索量；当i=1时，则设置为最优参数编码；

根据每个目标模型参数编码的联合搜索量，对目标模型参数编码进行记忆搜索，得到一次搜索之后的目标模型参数编码为：

其中，表示第t-2次训练过程中第i个目标模型参数编码，表示一次搜索之后的目标模型参数编码，表示第t-3次训练过程中第i个目标模型参数编码，表示调整系数，e表示自然常熟，T表示最大训练次数。

9.根据权利要求8所述的地理信息数据处理方法，其特征在于，采用黄金正弦改进的整体信息融合搜索对一次搜索之后的目标模型参数编码进行搜索，得到二次搜索之后的目标模型参数编码为：

其中，表示第t次训练过程中第m个一次搜索之后的目标模型参数编码，表示二次搜索之后的目标模型参数编码，表示[0,2π]之间的随机数，表示[0,π]之间的随机数，表示最优参数编码，表示二次搜索之后的目标模型参数编码对应的中心位置，，表示第一更新系数，表示圆周率，表示黄金分割数，且，，表示第二更新系数。

10.根据权利要求9所述的地理信息数据处理方法，其特征在于，采用旋转飞行搜索对最差参数编码进行搜索，得到搜索之后的最差参数编码，包括：

其中，表示最差参数编码，表示搜索之后的最差参数编码，表示通过莱维飞行获取的编码，表示随机参数编码，表示上限值与下限值之间的随机系数，表示[-1,1]之间的随机数，表示[-1,1]之间的随机数，表示第一随机飞行系数，表示第二随机飞行系数，表示(0,2]之间的随机数，且与服从正态分布，即，；表示中间参数，且，表示伽马函数。