径向基函数神经网络用于小比例尺道路网选取

针对小比例尺道路网专题数据少、语义信息缺乏的特点,该文根据小比例尺道路网已有的语义几何属性和拓扑结构,构建一系列参数作为选取依据。将道路网选取抽象为分类问题,提出一种使用径向基函数神经网络和多参数进行道路网选取的方法。相比时下较常用的反向传播神经网络,径向基函数神经网络具有更高效的学习性能。利用径向基函数神经网络的非线性映射能力,对样本进行训练和验证,并选择不同结构类型(放射式、格网式和自由式)的道路网进行选取实验。结果表明,该方法在小比例尺道路网选取研究中具有可行性,且在自动获取选取参数的同时提高了选取精度。     

径向基函数神经网络用于小比例尺道路网选取

针对小比例尺道路网专题数据少、语义信息缺乏的特点,该文根据小比例尺道路网已有的语义几何属性和拓扑结构,构建一系列参数作为选取依据。将道路网选取抽象为分类问题,提出一种使用径向基函数神经网络和多参数进行道路网选取的方法。相比时下较常用的反向传播神经网络,径向基函数神经网络具有更高效的学习性能。利用径向基函数神经网络的非线性映射能力,对样本进行训练和验证,并选择不同结构类型(放射式、格网式和自由式)的道路网进行选取实验。结果表明,该方法在小比例尺道路网选取研究中具有可行性,且在自动获取选取参数的同时提高了选取精度。     

顾及结构和几何特征的道路自动选取方法

提出了一种顾及结构和几何特征的道路网自动选取方法。综合考虑道路的度中心性、集聚系数和路划的几何长度等道路选取影响因素,提出一种道路重要性评价方法。实验结果表明,本文方法能够很好地保持选取道路网的整体与局部结构、拓扑结构以及路网连通性。基于该方法,由大比例尺地图选取出的小比例尺地图与相应标准比例尺地图保持较高的一致性,表明该方法是稳定可靠的。     

基于BP神经网络和拓扑参数的道路网选取研究

道路网选取是自动制图综合的重点和难点之一,运用智能化方法实现选取是当前研究的热点。BP神经网络具有强大的非线性映射能力,可以模仿人脑机能,通过对样本的学习和训练实现自动选取;结合拓扑参数,可以使选取结果很好地保持原道路网的连通性和整体结构特征。因此,提出一种基于BP神经网络和拓扑参数的道路网选取方法。首先选择训练样本并计算其拓扑参数;然后设计BP神经网络的结构,利用训练样本进行训练,找出最佳网络结构;最后选取不同特征的道路网进行实验,将选取结果与专家选取的结果进行对比分析,评价了该方法的优势与不足,并指出了下一步的改进方向。     

小比例尺道路网眼约束下的多尺度道路网自动匹配

针对道路网多尺度匹配的问题,提出了一种在小比例尺数据道路网眼约束下的多尺度道路匹配方法。首先,构建两幅不同比例尺数据的道路网眼;其次,在小比例尺道路网眼的约束下,提取出大比例尺道路中由若干道路网眼构成的复合网眼,并完成与小比例尺道路网眼具有多对一和一对一关系的网眼匹配;然后,实现不同比例尺道路网眼的多对多匹配;最后,由复合网眼与小比例尺道路网眼的匹配关系转化为多比例尺道路网眼边界道路之间的匹配和内部道路之间的匹配,完成整个道路网的匹配。试验结果证明,本方法能较好地实现多尺度道路网的匹配。     

基于GIS的城市道路网无级比例尺信息提取

阐述了无级比例尺矢量数据信息处理技术的基本原理、流程与方法,研究了城市道路网信息提取的实现方法,概括了无级比例尺信息提取过程中要素选取的“取舍”原则,提出了面向对象的城市道路网分类体系,并运用层次分析法对同级别城市道路进行重要性排序,从而实现了将各级别城市道路的重要性进行总体排序,为城市道路网无级比例尺信息的内容选取提供了前提。     

基于GIS的城市道路网无级比例尺信息提取

阐述了无级比例尺矢量数据信息处理技术的基本原理、流程与方法,研究了城市道路网信息提取的实现方法,概括了无级比例尺信息提取过程中要素选取的"取舍"原则,提出了面向对象的城市道路网分类体系,并运用层次分析法对同级别城市道路进行重要性排序,从而实现了将各级别城市道路的重要性进行总体排序,为城市道路网无级比例尺信息的内容选取提供了前提.     

顾及尺度变化和数据更新的道路网匹配算法

道路网数据匹配是地理空间数据库进行变化探测和数据更新的重要前提,不同比例尺下的道路网之间的匹配是一个非常重要的部分。本文总结和分析了道路网匹配的已有算法,针对不同比例尺道路网之间的匹配可能存在的问题和难点,设计了一个融合多种匹配技术的算法。在考虑不同比例尺下道路网数据的特点基础上,改进了空间场景结构的评价方法;分析了stroke匹配算法在不同比例尺道路网数据下的局限性,提出了一种可针对不同比例尺下道路数据存在变化与更新的stroke部分匹配算法。试验表明,文中所提出的方法能够适应不同比例尺下道路网的匹配,匹配效果较好,运行效率较高。     

径向基函数神经网络的路网自动匹配算法

针对VGI数据中检测更新的问题,该文提出基于径向基函数的神经网络自动匹配算法。通过选取路段的距离、方向、形状和长度4个空间特征的相似度作为衡量路段是否匹配的指标。考虑到4个空间特征指标对匹配的影响力不同,在RBF(radial basis function)神经网络中的隐含层对基函数引入粒度拉伸因子,使径向对称的RBF顾及各向异性。同时对输出层在线性加权求和函数的基础上引入sigmoid函数,使计算结果(路段的匹配度值)归一化。该算法对数据质量较差的VGI路网具有很好的匹配能力,与BP神经网络相比,RBF神经网络在地图匹配中具有更好的匹配效率。     

基于网眼密度的道路选取方法

道路数据中的网眼密度能反映局部区域的道路密集程度,通过确定目标尺度要求的密度阈值,比例尺缩小后能够标识出数据中需要取舍路段的网眼;循环剥离密度最大的网眼,利用反映路段重要性的参数及其优先级,渐进筛选出舍弃的路段,并完成与邻接网眼的合并;得到的选取结果保持了道路网在密度、拓扑、几何及语义方面的重要特征,从而提出一种新的道路选取方法。最后进行实验,验证该方法的有效性。     

GPS网与旧网的坐标拟合

随着GPs技术的不断普及,许多城市都在利用它对城市控制网进行改建、扩建.而旧网的坐标资料以及多年积累的成果资料还须利用,这就涉及到新旧坐标的换算问题.本文以吴江市城镇地籍测量为例.     

Hopfield神经网络在水准网平差中的应用

Hopfield神经网络有较强的优化计算能力,引入IGGⅢ等价权方案,构造Hopfield神经网络新的能量函数形式,采用共轭梯度法,进一步提高神经网络的效率,并讨论Sigmoid函数的抗差能力。通过模拟水准网算例表明:在无粗差情况下,利用神经网络进行测量平差可以精化模型,提高平差效率,而在有粗差情况下,引入IGGⅢ等价权方案可以使神经网络计算具有较强的抗差能力。     

融合卷积神经网络和循环神经网络的车轮目标检测

目标检测是基于视觉的目标定位关键技术。针对现有车轮检测方法对环境敏感问题，本文提出一种并联式融合循环神经网络和Faster R-CNN的车轮检测模型FusionRNN，借助RNN能够处理时序和CNN能够提取空间域隐性特征的优点，可提高实时性，减少参数量，使模型表达能力更强，同时具备分析序列化向量间语义关系和识别车轮几何特征的能力。该模型能在由激光雷达扫描得到的车轮三维点云投影图中准确检测出车轮位置，为基于AGV自动停车系统搬运车辆提供准确稳定的车辆位置信息。     

应用复杂网络理论的城市路网可靠性分析

城市路网作为一种关系居民日常生活、社会经济发展的重要网络,在受到暴雨洪水、交通堵塞以及遭遇破坏时,可能局部失效,进而影响整个路网的运输能力和效率。本文针对城市路网的拓扑特点,以复杂网络理论为基础,对两种不同布局结构的路网分别采用主方法和对偶方法建模,分析比较其复杂网络特性,并在此基础上进行了基于节点度和基于节点中介中心性的选择性破坏实验,最后分析了不同结构的路网在不同攻击策略下所表现出来的可靠性。     

Uniform network transformation for points pattern analysis on a non-uniform network

In the real world, there are many kinds of phenomena that are represented by points on a network, such as traffic accidents on a street network. To analyse these phenomena, the basic point pattern methods (i.e. the nearest neighbour distance method, the quadrat method, the K-function method and the clumping method) defined on a plane (referred to as the planar basic point pattern methods) are extended to the basic point pattern methods on a network (referred to as the network basic point pattern methods). However, like the planar basic point pattern methods, the network basic point pattern methods assume a uniform network and this assumption is hard to accept when analysing actual phenomena. To overcome this limitation, this paper formulates a transformation, called the uniform network transformation, that transforms a non-uniform network into a uniform network. This transformation provides a simple procedure for analysing point patterns on non-uniform networks: first, a given non-uniform network is transformed into a uniform network; second, the network basic point pattern methods (which assume a uniform network) are applied to this transformed uniform network. No modification to the network basic point pattern methods is necessary. The paper also shows an actual application of this transformation to traffic accidents in Chosei, Japan.     

图卷积网络在道路网选取中的应用

针对现有制图综合中的道路网自动选取方法不能有效地利用道路网的空间特征问题,该文把道路网抽象为图结构,提出了使用图卷积网络来进行道路网的自动选取,并比较分析了不同的图卷积网络在道路网选取中的适用性。结果表明,图卷积网络可以通过多层卷积来自动提取不同局部范围的空间特征,从而减少空间特征的人工构建,相比传统的多层感知机(MLP)等人工智能选取方法,具有更高的选取精度。对于不同的图卷积网络模型,使用最大池化聚合的GraphSAGE获得了最优的性能。     

一种卷积神经网络的地图图片智能识别方法

针对网络中的地图图片目前难以快速搜寻并对其进行有效标引这一问题,该文提出了使用深网搜索引擎持续获取网络图片,在标记样本较少的情况下,采用基于主动学习的样本扩容算法、基于卷积神经网络的网络地图图片自动语义标引方法,能快速、有效地识别网络中的地图图片,对地图图片的识别精度达到了93.64%,克服了采用人工方式获取样本和图片识别过于耗时费力的困难,有效解决了稀少样本下网络地图图片的智能提取难题,可为地理信息挖掘、问题地图监管等提供有效保障。     

空间网与地面网联合平差数据处理方法注

针对联合平差数十万个观测值 ,近 2 0万个未知数来说 ,如何有效地组织数据 ,管理数据 ,最大限度地压缩内存是联合平差数据处理的关键。本文主要讨论联合平差数据处理中的主要函数模型和随机模型、大规模稀疏矩阵有效的解算方法并用软件加以实现。作为实例用此软件对小范围的实验区数据进行平差 ,对其解算结果进行了分析     

脉冲耦合神经网络支持下的网络Voronoi图构建

针对网络Voronoi图中点与点之间通过实际路径距离而非传统欧式距离相连,在实际应用中较平面Voronoi图更加合理,该文提出了一种基于改进脉冲耦合神经网络的网络Voronoi图构建算法。借助模型的自动波发放及并行处理特性,较好地实现了基于路网的网络空间剖分,顾及了道路网及其点群自身属性对其服务范围的影响。实验表明,该算法实现了点群网络Voronoi图的构建,最短路径思想的引入使得构建的网络Voronoi图符合Voronoi图基本特征,可以用来表示点群的服务范围,不仅如此,算法的并行特性保证了算法的高效率。     

The network K‐function in context: examining the effects of network structure on the network K‐function

The flaws of using traditional planar point‐pattern analysis techniques with network constrained points have been thoroughly explored in the literature. Because of this, new network‐based measures have been introduced for their planar analogues, including the network based K‐function. These new measures involve the calculation of network distances between point events rather than traditional Euclidean distances. Some have suggested that the underlying structure of a network, such as whether it includes directional constraints or speed limits, may be considered when applying these methods. How different network structures might affect the results of the network spatial statistics is not well understood. This article examines the results of network K‐functions when taking into consideration network distances for three different types of networks: the original road network, topologically correct networks, and directionally constrained networks. For this aim, four scenarios using road networks from Tampa, Florida and New York City, New York were used to test how network constraints affected the network K‐function. Depending on which network is under consideration, the underlying network structure could impact the interpretation. In particular, directional constraints showed reduced clustering across the different scenarios. Caution should be used when selecting the road network, and constraints, for a network K‐function analysis.