基于粒子滤波的行车轨迹路网匹配方法

行车轨迹是一种时间序列的地理空间位置采样数据,而传统的轨迹—路网匹配方法主要以全局或局部寻优的方式建立轨迹—路网匹配关系,影响了时空场景中数据的匹配计算过程的相对独立性。针对这个问题,本文基于粒子滤波（Particle Filter,PF）原理建立行车轨迹与道路网络之间的匹配关系。首先,沿轨迹中车辆运动方向在道路网络中搜索邻近道路节点,在与道路节点拓扑邻接的道路弧段上初始化随机生成粒子,根据轨迹中车辆运动模型将粒子沿所在道路弧段移动;然后,基于PF原理计算各时刻粒子运动状态及与行车轨迹采样点之间的距离误差,根据高斯概率密度函数计算粒子权重并利用随机重采样方法进行粒子重采样,迭代更新粒子运动状态;最后,计算与搜索到的道路节点拓扑邻接的每条道路弧段中累计粒子权重,通过各道路弧段累计权重计算轨迹—路网匹配关系。以行车轨迹进行实验表明,利用本文方法可以通过粒子时空变化反映采样点的移动,行车轨迹—路网匹配结果的正确率大于85%,能够实现行车轨迹和路网的准确匹配。     

面向路网匹配的层次化语义相似性度量模型

当前路网主要借助属性表中若干特征项的属性信息对其进行语义相似性评估，很少顾及到路网的分级层次结构、空间拓扑信息以及邻域要素信息，一定程度上影响着语义相似性评估结果的准确性。针对上述问题，本文提出一种“整体（骨架树）→部分（同构子树）→个体（stroke）”的路网层次化语义相似性度量模型，该模型顾及了路网属性特征项、上下级拓扑关联和邻域POI的语义信息，突破了传统模型仅以路网属性特征项的语义信息作为相似性评估指标的局限性。(1)利用stroke技术表达路网，并对其进行分级；(2)将路网数据映射到关联骨架树，进而建立考虑其层次性的路网相似性度量模型；(3)利用层次分析法和熵权法分别确定约束指标权值，并通过加权法计算路网的语义相似度。将该模型应用到路网匹配实验中，并与既有模型进行对比，结果表明利用本文提出的语义相似性度量模型，同时结合同构子树进行道路匹配，不仅可以提高匹配结果的准确性，而且可以提高匹配效率。对于文中案例所选的路网，拓扑关联语义信息对匹配结果的影响较邻域POI语义信息更显著，且与遍历法相比，以同构子树作为参照进行路网匹配，其匹配速率得到明显提升。     

基于直线间几何属性特征相似性约束的组直线匹配算法

当影像中存在多个相同或相近的直线特征时,仅利用单直线特征间的相似性进行匹配容易导致算法失效,因此本文提出基于直线间几何属性特征相似性约束的组直线匹配算法。该算法利用直线间的拓扑关系分别对2幅影像上提取的直线进行编组得到特征直线组,并将其作为匹配基元;然后利用核线约束确定候选同名直线组的搜索范围,精简了候选直线组的数量;依据直线间几何属性特征向量的仿射不变性建立直线组的匹配关系,将仿射不变量交比作为基础几何不变性测度,并延伸设计仿射相似度参数,计算出目标直线组与每个候选直线组的仿射相似度或一般相似度,确定2种相似度下总体相似度值最大的特征直线组为其同名直线组,最后将同名直线组分裂为2对同名单直线,对分裂后的结果进行整合可以显著降低冗余匹配,得到“一对一”的匹配单直线。为了验证算法的可靠性,实验选取网上公开的5组典型近景影像进行测试,通过与其他匹配算法的对比分析,结果表明该算法应对影像间存在的视角、旋转和尺度变换等复杂条件均取得了较高的匹配精度,匹配正确率最高有14.5%的提升,且阈值的选择对匹配结果影响微弱,验证了基于直线间几何属性特征相似性约束的组直线算法鲁棒性和匹配稳定性较强。     

面向自然连续面群边线的协同化简方法

自然连续面群边线化简是地形图中自然面状要素和地理国情普查数据中自然图斑自动制图综合的重要实施步骤。现有面要素边线化简算法大多以线化简算法为基础,未有效化简弯曲特征、保持面积平衡和满足图面视觉清晰性要求,且化简结果存在共享边界不一致、边线自相交和边线之间相交的拓扑问题。为此,结合自然连续面群表达特点和化简要求,本文提出一种面向自然连续面群边线的协同化简方法。首先将自然连续面群转换为拓扑数据结构组织,以待化简弧段及其相邻弧段为基础构建约束Delaunay三角网,标识化简区域;其次利用弧段双侧层次多叉树模型渐进式退化条带状弯曲、化简细小弯曲;最后自适应夸大狭窄“瓶颈”,实现边线的协同化简。以河南省某区域1:5万地形图中的植被与土质面要素进行化简实验,相较于对比方法,该方法能够有效保持自然连续面群边线化简前后的拓扑一致性、要素之间的面积平衡,充分化简目标尺度下的局部不清晰细节,化简结果精度高。     

1：5万区域地质图空间数据库地质图层划分详解

1：5万区域地质图空间数据库对地质图内容按标准图幅范围进行了详细的图层划分,包括地理要素、地质要素和图面整饰三部分。由于地质要素内容的图层划分相当细致,而且各图层间的拓扑关系又相当复杂,本文对其具体分层原则、包含内容拓扑关系建立进行了详细解析。     

基于拓扑谓词的空间拓扑关系相似性度量模型与应用

空间拓扑关系相似性度量是空间数据相似性度量的重要组成部分,它是空间数据检索和空间场景相似查询的基础和关键。本文旨在建立一种能够同时度量简单和复杂拓扑关系间的相似性度量模型。首先,以9个拓扑谓词提出一种简单拓扑关系间相似性度量方法,即定义简单拓扑关系之间距离为两个9交集矩阵之间的距离,从而得到简单拓扑关系之间的相似度。然后,综合考虑实体集合间的数量相似度和维数相似度,建立实体集合间的简单拓扑关系相似性度量模型,并在上述实体集合间简单拓扑关系相似性度量的基础上,采用分解-组合的策略先将复杂拓扑关系分解为若干个局部拓扑关系,通过组合局部拓扑关系之间的相似度,直至建立复杂拓扑关系间的相似性度量模型。实验表明,制图综合中的选取对空间实体集合之间拓扑关系相似度的影响最大,其他因素影响较小,因此,其能以拓扑关系相似度来度量制图综合对拓扑关系的改变程度。     

空间面群目标几何相似度计算模型

本文针对空间面群目标提出了一种几何相似度计算模型。首先,利用拓扑关系概念领域图定义了面群之间的拓扑关系相似度;然后,对不同类型的面状目标选用合适的"降维"方法处理为"线群"目标,利用方向均值定义线群之间的方向关系即面群目标的方向相似度,以及利用"环形方差"定义线群目标之间的距离关系即面群目标的距离相似度。最后,结合面群的长度和平均长度、面积和平均面积,面密度及紧致度,建立了面群目标几何相似度计算模型,以对面群目标相似度进行整体度量。该模型综合考虑了空间面群目标的几何特征和空间关系特征,并对其作了适当的权重分配。从时间邻近度和尺度邻近度角度,本文设计了2个实验,结果表明,相似度计算结果与地物特征比较一致,符合人们的直观空间认知。     

面向区域增量更新的等高线群混合相似性度量模型

等高线是一种以曲线群簇展现地表起伏形态的表达方式,多源等高线数据之间的相似度能够反映地形地貌的变化程度,因此等高线群的相似性度量是地形图更新、多源数据融合及制图综合领域的关键环节之一。当前的等高线相似性度量方法主要基于要素的单一拓扑特征或几何特征,由于地理空间数据的复杂性和地理要素变化的多样性,这种通过计量多源数据数据单一特征之间的相似与差异程度的方法并不能完整表达多源数据之间的异同,在变化复杂区域、图幅边界区域以及等高线分布密集区域会导致不一致问题。因此,本文引入空间相似度理论,综合探讨了等高线群的相似性层次结构;研究了拓扑特征和几何特征在等高线群相似性度量中的关系和作用机理,构建了等高线群相似性层次结构;讨论了其中各个影响要素的相互关系和相似性度量方法,提出了一种基于拓扑特征和几何特征的区域等高线群混合相似性度量模型,并利用层次分析方法求解各级相似元的权重系数。通过模拟实验和真实数据实验对本文方法的可靠性和有效性进行验证,结果表明：本文提出的等高线群混合相似性度量模型能够定量描述不同尺度不同来源等高线群之间的相似与差异程度,并具有较好的有效性和可靠性;根据本文的混合相似性度量结果和更新阈值之间的关系,对满足更新要求的变化区域实施局部更新,且精度检验表明论文方法能够为等高线数据的更新应用提供可靠依据。     

结合网状描述符和单应约束的近景影像直线匹配

针对现有立体影像直线匹配方法中的线描述子只依赖局部灰度特征导致可靠性较弱的问题,本文提出了一种结合网状描述符和单应约束的直线匹配方法。① 利用线特征检测算法（Line Segment Detector, LSD）提取参考影像及搜索影像中的直线段;② 根据角度约束和核线约束确定候选直线,缩小直线搜索范围,并计算参考直线与候选直线的重叠部分以确保端点一致;③ 利用直线段固定邻域内的同名点对构建网状描述符,选择3组不同的同名点对分别计算直线相似值,取其中最大值作为直线段的最终相似度从而确定同名直线对;④ 将未搜索到同名点对的直线段利用单应性矩阵映射至搜索影像,并根据3个判别准则得到最终的匹配结果。为了验证算法的有效性及鲁棒性,本文选取国际公开的标准测试数据集中5组近景影像进行实验,并与现有3种具有代表性的算法进行对比。结果显示本文算法的准确度及有效性均优于对比的3种算法,在匹配准确率与运行效率上最高有16.1%与49倍的提升,对于不同条件下的影像均能取得良好的直线匹配结果。     

面实体匹配的集成学习CatBoost方法

现有的面实体多指标几何匹配方法在计算综合相似度和确定最终匹配实体时面临着指标权重和阈值难以科学量化的难题,集成学习算法通过构建并结合多个机器学习器来完成学习任务,在解决分类问题时体现出了较为明显的性能优势。为此,本文提出了一种基于集成学习算法CatBoost的面实体匹配方法,将匹配问题转化为分类问题。选取形状、面积、方向和位置4个几何特征作为模型分类特征;利用过采样与欠采样相结合的混合重采样技术减轻原始训练样本的类别不平衡度;借助贝叶斯优化算法确定CatBoost模型的最优超参数;引入可解释人工智能领域的SHAP解释框架从全局和局部两个角度解释各输入特征对匹配结果的影响。在青藏高原的面状湖泊数据上对本文提出的方法进行了验证,实验结果表明：对模型预测影响最大的特征是位置,然后依次是面积、形状,影响最小的特征是方向。CatBoost匹配方法在实验数据集上的查准率、查全率和F1-score分别达到0.9937、0.9753和0.9844,相比于直接使用样本不均衡的原始样本进行模型训练,分别提高了约5.8%、0.6%和3.3%。与传统的面实体多指标双向匹配方法和逻辑回归、K近邻、决策树、神经网络等常规机器学习分类算法相比,集成学习算法CatBoost性能表现更加优异,在避免指标权重和阈值设置难题的同时取得了较好的匹配结果。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测。实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网络、WPA-BP神经网络和WOA-BP神经网络模型。     

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果...     

基于遗传神经网络的入侵特征选择模型

针对高维数据包含的不相关和冗余特征影响检测方法性能的问题,提出了基于遗传神经网络入侵特征选择模型.该模型在传统的遗传神经网的输入层和隐含层之间增加特征选择层,并在特征选择层与输入层间设置连接开关,如果开关合上,则该特征被选中;否则为放弃.实验结果表明,该模型在保持原有信息完整性的同时,能有效减少冗余特性;在保证检测准确率的前提下,有效提高系统的检测速度.     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

基于神经网络的话务量预测

话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP神经网络和基于Elman神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较,Elman神经网络训练速度比BP神经网络快很多,更适用于实际应用。     

基于BP神经网络的SAR影像水面舰船检测

分析了水面舰船的SAR成像能力和探测优势。在总结已有的舰船检测方法的基础之上,根据舰船目标在SAR图像中的成像特点,提出了利用BP神经网络实现SAR水面舰船目标识别实验。进一步利用形态学方法对检测结果进行修整,结合已知的SAR图像的像元大小,提取舰船的长度和宽度信息,同时利用原始图像的经纬度内插实现舰船目标中心的定位。结果表明,BP神经网络具有很强的自适应性,在低信噪比的情况下,也能够取得良好的效果。     

BP神经网络和ARMA模型在中纬度TEC短期预测中的对比分析

在充分考虑TEC序列非平稳、非线性、高噪声特性前提下, 以IGS提供的2017年电离层TEC格网数据为基准,运用BP神经网络和ARMA两种模型分别进行TEC 3 d预测,重点分析两种模型在不同季节时段、不同电离层活跃强度及不同样本长度下的TEC预测性能及精度。结果表明,在不同时段,两种模型均能很好地反映TEC的变化特性,其中ARMA模型在春、冬时段及整体预测精度上略优于BP神经网络。在平静期,两种模型的平均相对预测精度分别为87.3%和87.5%,预测效果相差较小;在活跃期,两种模型的平均相对预测精度分别为78.5%和75.5%,BP神经网络的精度比ARMA模型高3%。随着样本长度的增加,BP神经网络在21 d样本处预测效果最佳,ARMA模型的预测精度随样本长度的增加呈降低趋势。