采用决策树算法进行居民地自动综合

借鉴人工智能领域中的机器学习研究成果,提出一种采用决策树算法进行居民地智能选取的新方法。将制图专家对居民地综合的结果作为参照,对其进行结构化描述并构建和转化为案例库;采用决策树算法对案例库中的案例进行分类,把制图综合问题转化为分类问题,从案例库中归纳出if-then规则,进而指导同类居民地的自动综合。试验验证,算法能够较好地还原专家的选取规律,在同类型的居民地自动综合试验中取得了良好的效果。     

采用迭代注水原理的居民地属性约简方法

基于案例推理的居民地自动选取方法研究中,居民地属性权重的赋值对推理结果的影响显著。为使案例推理中居民地属性权重分配更合理,引入迭代注水原理对居民地属性进行赋权值和约简。首先,对专家交互操作的面状居民地案例进行信息挖掘;然后采用注水原理对居民地属性权重优化分配,结合递归特征消除法对属性迭代计算;最后采用十折交叉验证法,训练出适应居民地案例推理的最佳赋有权重的属性子集。通过与专家打分法、主成分分析法、权重平均分配法、传统注水原理法4种属性约简方法作对比实验,结果表明本文方法能对居民地属性进行有效简约,并提高基于案例推理的居民地选取模型的正确率。     

采用案例类比推理进行道路网智能选取

自动制图综合的智能化研究因受人类复杂思维制约,长期以来成为研究的薄弱环节。从人类学习和认知角度,借鉴人工智能领域基于案例推理学习的成果,提出一种基于案例类比推理的道路网智能选取新方法。该方法将制图专家对某区域道路网的交互选取结果作为参考标准,对其进行结构化描述并构建和转化为案例库;计算机采用一定的简化算法和泛化算法对该案例库进行分析和学习,获取检索效率更高和适应样本能力更强的案例模型库;计算机在对相似道路网自动选取时,根据获取的案例模型库,采用基于案例类比推理的方法,分析获取相应的解决方案,进而完成道路网智能选取。与已有研究成果相比,本方法以案例及其泛化模型来模拟专家思维,以计算机对案例模型的类比学习来进行相似道路网自动选取,弥补了传统道路网选取中智能性差的缺陷,为自动综合智能化研究找到了一条可行途径。论文最后对本方法的科学性和适用性进行了验证,并对实验结果做了分析和评价,同时指出了存在问题和进一步研究方向。     

道路网智能选取的案例类比推理法

从人类学习和认知角度,借鉴人工智能领域基于案例推理学习的成果,提出一种基于案例类比推理的道路网智能选取新方法。该方法将制图专家对某区域道路网的交互选取结果作为参考标准,对其进行结构化描述并构建和转化为案例库;计算机采用一定的简化算法和泛化算法对该案例库进行分析和学习,获取检索效率更高和适应样本能力更强的案例模型库;计算机在对相似道路网自动选取时,根据获取的案例模型库,采用基于案例类比推理的方法,分析获取相应的解决方案,进而完成道路网智能选取。与已有研究成果相比,本方法以案例及其泛化模型来模拟专家思维,以计算机对案例模型的类比学习来进行相似道路网自动选取,增强了道路网选取中的智能性。最后对本方法的科学性和适用性进行验证,并对试验结果作分析和评价,同时指出了存在的问题和进一步的研究方向。     

案例推理的制图综合应用背景与方法

从挖掘和利用经验数据的角度出发,提出了基于案例推理的智能化制图综合方法。首先探讨了基于算法和模型的自动综合实现方式所面临的瓶颈,并提出了采用制图综合案例推理辅助制图综合的思想;然后设计了制图综合专家案例的三元表示方法,以及获取、使用和管理流程;最后对实现该基于案例推理的智能化制图综合方法的五个关键性步骤进行了分析,并深入阐述该方法的原理和可行性,提出了基于案例推理的智能综合辅助系统架构。     

复杂网络视角下的居民地选取方法EI北大核心CSCD

多要素协同综合是制图综合重要的发展方向。针对当前居民地选取方法对道路网与居民地间地理关联性利用不够深入的问题,将居民地与道路网融合为整体,本文提出了一种复杂网络视角下的居民地选取方法。首先,整合居民地与道路网的几何信息、属性信息与拓扑信息,构建以居民地为节点、以交通通达关系为边的含权居民地网络;然后,评价目标居民地在局部网络中的居民地吸引能力与交通流控制能力,并加权求和获得综合重要性;最后,利用距离约束Delaunay三角网进行迭代选取。试验表明,本文方法能够兼顾居民地的密度特征与网络特征,选取结果与道路网结构吻合良好,较好地保持了道路网与居民地的地理关联性。     

居民地注记自动定位的研究和试验

本文根据常规制图方法中居民地注记的定位原则,讨论了注记位置自动查找的方法,将定位中的关键问题——何为最佳注记位置,模型化,使之便于计算机处理,并用实验数据验证此算法的合理性和可行性。     

基于支持向量机的线化简方法

线要素化简是地图自动综合中的重要部分之一。当前线化简算法的参数和阈值一般依赖于人工设定,且对不同的化简环境缺乏自适应学习能力。将线要素化简视作一种对局部化简单元的取舍二分类问题,从案例学习的角度出发,提出了一种新的基于支持向量机(support vector machine,SVM)的线化简方法。该方法首先以节点和弯曲为化简单元,从专家化简结果中自动获取化简案例;然后提取化简单元的特征描述项作为化简案例的属性空间,利用SVM机器学习方法进行训练,得到用于线化简的SVM分类器;最后通过SVM分类器对新的同类线要素中的化简单元作取舍分类,从而实现线化简。实验结果表明,该方法能够通过学习专家化简案例,在实际测试中较好地还原专家的化简意向,对化简单元取舍的分类正确率高,能够自适应地完成线化简。     

专题地图设计辅助案例库建设的若干问题

地图制图案例是地图制图经验与知识组织与管理的基本单元。专题地图设计辅助案例库建设旨在构建一个独立于制图人员的地图制图经验与知识持续积累、有效融合与便捷再应用的系统与方法。文章立足于地图生产的现实需求,从工程化视角介绍了地图设计辅助案例库建设的研究内容与基本思路,重点对专题制图案例模板的内容设计进行了论述。地图制图案例库建设与应用为实践中地图设计水平与地图生产效率的持续提高提供了有效的支持。     

系列地形图实用确定居民地选取指标的数学模型

本文介绍了以规范指标为基础建立居民地选取模型的方法和原理,并应用这些方法和原理建立了系列地形图实用确定居民地选取指标的数学模型。试验证明这些模型在实际制图(包括自动制图)作业中完全可行的。利用这些模型来综合居民地可提高地图的科学性和质量,促进地形图标准化,系列化进程。     

保持空间分布特征的散列式居民地综合选取方法

中小比例尺地形图上存在大量由不依比例尺"房屋群"构成的散列式居民地,综合选取时除考虑单个房屋专题重要性外,还要保持各房屋群的分布特征。将基于Vorinoi图模型的点群化简算法应用到散列式居民地选取中,在综合选取的两个主要过程(选取定额模型和结构化选取方法)中综合考虑分布密度、分布范围等分布结构信息和专题属性信息。实验分析表明,该方法保留重要居民地的同时,能够较好地保持原有的空间分布特征。     

采用层次分析法的面状居民地自动选取

考虑到居民地的行政等级、位置特征、面积大小等因素对居民地选取的影响,提出了基于层析分析法的面状居民地自动选取方法。首先对影响居民地重要性的因素标准化;然后采用层次分析法对这些因素构建单个居民地层次结构模型,使这些因素加以关联;在此基础上,计算各因素的权值,并综合评价地图上单个居民地要素的重要性程度;最终利用开方根模型完成居民地的选取。该方法将定性分析和定量分析相结合,综合考虑不同因素对居民地重要性影响程度的差别,使权值分配更科学。试验证明,该方法选取的结果符合选取原则,较好地解决了居民地选取问题。     

基于Rough集的居民地属性知识约简与结构化选取

基于Rough集理论提出了居民地属性知识约简及其结构化选取的方法。该方法充分利用Rough集理论具有较强知识挖掘能力的特点，定量分析居民地选取中条件属性的重要性，简化属性知识，并以此为基础计算每个居民地的重要性，实现居民地的结构化选取。实例证明，该方法能够从数据库中挖掘出相关知识，具有较强的自适应能力。     

基于SPOT5影像自动提取水体的新方法

针对基于SPOT5影像提取水体时易受地形阴影、居民地等因素影响提取精度的问题,本文构建了一种新的水体提取方法。该方法以水体的遥感图像本底值研究为基础,通过构建能够同向增强的水体指数及多指数集成计算模型,实现水体灰度值的极化,在此基础上利用改进的阈值自动选取算法、数学形态学滤波及细化等算法,实现了水体的高精度自动提取。经过试验比较表明,该方法能够有效地提取较细水体,且能够有效去除地形阴影、居民地及河流边滩等的影响。     

采用主成分分析法的面状居民地自动选取

居民地选取是一个多种因素相互约束、相互关联的过程,而这些影响居民地重要性因素的关系往往难以定量地描述出来,提出了基于主成分分析法的居民地自动选取方法。首先,采用主成分分析法对这些相互约束、相互影响的因子转换成一组无关变量;其次,对这转换后的无关变量提取主要成分;第三,计算出主成分的权重用以评价居民地的重要性程度;最后,利用开方根模型完成居民地要素的定额选取。该方法将相互关联、相互约束的影响居民地重要性的因子转换成新的无关变量,提炼出其主要成分并计算权值用以综合评价居民地的重要性。实验对比分析表明,该方法综合考虑了居民地要素的行政等级、位置特征和面积大小等因素对居民地重要性的影响,选取结果,较好地保持了居民地选取前后的整体形态,符合选取原则。     

高斯函数定权的改进KNN室内定位方法

室内某些区域无线访问接入点（AP）布设稀疏,以及信号指纹的时变特性等因素,均使得无线信号接收信号强度（RSSI）序列与射电地图（radio map）相应RSSI序列完全相同成为可能,计算得到信号空间的欧氏距离为0或非常小。利用欧氏距离定权的加权质心算法解算会出现错误,无法得到定位结果;取K个参考点坐标均值的KNN算法以1/K为权值,定位精度相对较低。本文提出了高斯函数定权的KNN定位算法,对K个最近邻欧氏距离进行了标准化处理,利用高斯函数分配权值,得到加权坐标值。与KNN和WKNN算法的定位结果相比,该方法提高了鲁棒性和定位精度。     

特征筛选方法在高分辨率遥感影像建筑物提取中的应用

城市建筑物信息的自动提取是城市遥感的关键技术之一,由于阴影、下垫面等多因素干扰,建筑物信息提取精度往往不稳定。本文以Pleiades卫星影像为数据源,通过改进Relief F特征筛选方法,探讨建筑物信息提取精度提高的可行性。首先构建高分辨率遥感影像建筑物基础特征空间,然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征,最后用监督分类、无特征筛选分类和基于改进型Relief F特征筛选等3种方法分别提取研究区建筑物信息,并结合实地调查数据进行精度验证。结果表明,基于改进型Relief F特征筛选的分类方法提取精度能够达到91.34%,较其他两种方法提取精度分别提高了34.31%和5.62%,且运算速度快,自动识别效率高。     

一种基于DEM的高程最优路径选取算法及其实现

针对当前GIS道路选线缺乏定制化的问题,本文设计并实现了基于DEM的高程最优路径选取算法,该算法将高程作为道路选线因素,以匀坡作为选线标准,采用上下行算法和内分插值算法进行道路选线。基于ArcGIS Engine平台,对设计的算法进行了编程,最终实现了卓呼线的自动选取。实验证明,该算法可以利用DEM格网点高程自动绘制匀坡线,从而生成高程成本最优路径。同时,该算法时间复杂度较低,计算速度快,健壮性良好,运算成果正确,不失为一种快速的道路选线新方法。     

基于多特征U-Net网络的工程活动图斑快速识别

为有效监测具有填挖、采剥等行为的工程活动情况,本文提出了一种用于像素级露天工程活动图斑提取的遥感多特征语义分割模型。该模型以高分二号(GF-2)光学遥感影像为数据源,采用U-Net深度神经网络架构,通过人工标注构建了反映露天工程活动的影像样本集,并提取样本的多维特征投入模型进行训练,从而实现了工程活动图斑的快速识别。试验结果显示,本文方法对露天工程活动图斑的总体识别精度可达87.36%,平均精度达86.78%,优于KNN、SVM两种传统分割方法,为工程活动自动化监管提供了技术参考。