基于人工神经网络的多特征因子路网匹配算法

在综合考虑多个特征因子的线要素匹配时,根据经验知识确定各特征因子的权值会造成人为误差。针对该问题,本文提出了基于人工神经网络的多特征因子路网匹配算法,根据线要素的几何和拓扑特性选取长度、方向、形状、距离及拓扑5个特征因子的相似度作为路网匹配参考因子。首先,分别在参考图层和待匹配图层中选取样本数据组成样本对,计算样本数据的5个特征因子相似度,用样本数据的5个特征因子相似度和样本的匹配度组成学习模式对;然后,利用BP神经网络的误差反向传播机制自动学习调整各神经层之间的连接权值;最后,输入全部数据,计算参考图层的弧段和待匹配图层的弧段间的匹配度,实现综合多特征因子的路网匹配。实验结果表明,利用人工神经网络进行综合多特征因子的路网匹配可以提高匹配效率和匹配准确度。     

同名边界点的面状居民地要素匹配

针对空间数据集成与地图增量更新过程中的面实体匹配环节,该文提出利用同名边界点集进行面状居民地要素匹配的方法。该方法从边界点的相似性考虑面状居民地要素的相似性,通过计算候选匹配要素上边界点在位置、转角、关联边等方面的一致性,把面实体相似性的比较转换为同名要素边界点集相似性的比较,简化了面状居民地实体匹配的复杂度。在面状居民地要素的匹配过程中,该文方法可以处理一对一、多对一和一对多的匹配关系。实验证明,该方法在匹配面状居民地要素时,准确率可以达到98%。     

同名边界点的面状居民地要素匹配

针对空间数据集成与地图增量更新过程中的面实体匹配环节,该文提出利用同名边界点集进行面状居民地要素匹配的方法。该方法从边界点的相似性考虑面状居民地要素的相似性,通过计算候选匹配要素上边界点在位置、转角、关联边等方面的一致性,把面实体相似性的比较转换为同名要素边界点集相似性的比较,简化了面状居民地实体匹配的复杂度。在面状居民地要素的匹配过程中,该文方法可以处理一对一、一对多和多对一的匹配关系。实验证明,该方法在匹配面状居民地要素时,准确率可以达到98%。     

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。     

面向道路网VGI数据的匹配与融合方法

自发地理信息(VGI)是一种新兴的地理数据采集方式,具有数据更新快、细节丰富、覆盖范围广等优势。利用VGI数据可以对道路网实现快速更新;但是由于VGI数据是非专业自发共享的,且数据采集时多使用非专业设备,所以存在数据质量不高的问题。大量VGI数据对同一地理要素的重复采集与融合处理则可改善数据的质量,文中以多人采集的道路网数据为例,结合矢量要素的匹配与融合理论,设计一种适用于道路网VGI数据的匹配与融合算法。首先在路段结点处建立缓冲区进行结点匹配,再根据路段距离相似度进行路段匹配,最后再利用Delaunay三角剖分融合算法对匹配后的同名路段进行融合。将匹配融合后的道路网与原始道路网VGI数据及Google影像图叠加对比分析,结果表明利用本文算法可有效地实现道路网VGI数据的匹配与融合。