街道渐进式选取的信息传输模型

提出了街道渐进式选取的信息传输模型,该模型包含两个关键部分,代表街道网信息的信源和代表如何选取的信道。定义了街道网几何信息与拓扑信息的新的度量方法,根据匹配思想建立了信道,并对信道的地图综合意义进行了解释。     

基于信息损失的街道渐进式选取方法

对街道网的量测信息、拓扑信息和专题信息进行了计算,在此基础上提出了一种基于信息损失的街道选取方法。按照该方法对GB 12343-90中的一幅街区式居民地地图进行了实验。结果表明,该方法能够动态和渐进地进行街道选取。     

街道网矢量数据的渐进式表达与综合

基于平面欧几里得图和抽象胞腔复形理论,提出了街道网矢量数据的渐进式表达模型。引用抽象算子和还原算子定义了街道删除算子和街道还原算子,基于这些算子建立的街道网矢量数据的渐进式表达模型具有隐式的拓扑关系一致性。该模型表明,不同表达间的变化量的累积是有顺序的,生成这些变化量的变化算子的执行也是有顺序的。在渐进式表达模型的框架下,提出了基于有序综合树结构的街道网渐进式综合算法,将地图综合知识融入特定的数据结构,实现了街道网智能化综合。     

基于约束Delaunay结构的街道中轴线提取及网络模型建立

从街区多边形提街道中轴线并在此基础上建立街道网络模型是城市空间分析及街区地图综合的基础问题,本文基于约束Ｄｅｌａｕｎａｙ三角网结构提出了在邻近街区边界之间的三角形元上提取中轴线从而建立街道网络图模型的方法,区分三种不同三角形元进行中轴线的连接,通过网络图的顶点、边完备地表达出街道、街区、街道交叉口之间的空间关系,并建立了街道中轴线与左右两侧街区多边形边界弧段间的匹配,从而使本文提出的混合数据模型将街道网络结构与街区多边形结构统一起来。     

卷积神经网络支持下的建筑物选取方法EI北大核心CSCD

建筑物选取是地图综合的关键步骤,需要考虑目标大小、方向、形状、密度等多种上下文因子进行重要性评价与选取决策。现有方法大多考虑单一或少数几个因子,通过人工设置选取规则与参数,导致选取模型适应性不强。本文构建一种数据驱动的图卷积神经网络选取方法,该方法利用Delaunay三角网将建筑物目标组织为图结构,节点表示建筑物中心点,连接边体现建筑物之间的邻近关系,并计算建筑物的大小、方向、形状、密度特征作为对应节点的描述特征;然后叠加多个图傅里叶卷积运算构建图学习模型,并采用半监督学习方式训练模型,使之具备决策单个建筑物保留与否的能力。试验表明,本文方法能从少量的标注样本中有效地学习建筑物选取知识,在保留重要个体目标的同时也能较好地保持原有空间分布密度关系,克服传统方法在规则定义与参数设置方面的难题且不依赖于大量人工标注,为建筑物综合选取的智能化实施提供潜在的技术途径。     

基于约束的城市街道网自动综合方法

近年来,基于约束的地图自动综合成为研究的热点。本研究在基于约束的地图自动综合理论的基础上,提出了一种城市街道网自动综合方法。该方法依赖于街道网综合中的约束和改进的动态决策树结构,它很好地将约束融入了特定的数据结构,实现了街道网的渐进式综合。实验证明了方法具备可行性。     

运用基于熵的多属性决策方法进行街道选取

街道选取是城市大比例尺地图综合的重要研究内容。提出了基于熵的多属性决策方法进行街道选取。首先,对离散街道弧段通过Stroke构建方法进行连接处理,将弧段连接成的Stroke作为选取单元;其次,根据街区概括的一般原则,选定若干评价指标,定量评价Stroke重要性资格;最后,利用方根模型计算街道选取数量,完成街道定额选取,最终实现街区形状概括。该方法把属性和几何方法的结合,将几何因素的考量内化于属性,可避免赋权的主观性,提高其客观性和准确性。实验验证了本方法的科学性。     

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。     

建筑物的渐进式图形简化方法

以建筑物轮廓图形的直线段为基本图形单元,研究了建筑物图形渐进式综合的算法以及综合过程中的控制策略和数据预处理方法,并实现了该算法.     

道路网示意性地图的渐进式综合研究

研究并总结了示意性道路网地图的制图规则,量化了约束条件,提出了一种道路网渐进式图形简化方法和移位方法,并研究了拓扑关系检查方法。在具体实验中,通过对道路网上点的分类,依据约束条件,快速生成有效的道路网示意性地图,同时保证了原始道路图与示意性道路图之间的拓扑关系一致性。     

基于三角网渐进式简化的等高线多尺度综合

提出了一种基于三角网渐进式简化的等高线多尺度综合方法,实验结果表明,其不仅可以较好地保留地形特征,而且可以完全避免等高线相交现象的产生.     

基于RBF神经网络的遥感影像分类器设计

设计了一种运用径向基函数神经网络进行遥感影像分类的监督分类器,以实际的遥感光谱影像分类为例,将分类效果同传统的最小欧氏距离法分类进行比较,探讨了RBF分类的优越性,结果表明RBF神经网络是一种更为有效的图像分类器。     

变形监测数据的RBF神经网络预测方法

研究了RBF神经网络的变形预测模型及其训练准则和算法,分析了基于RBF神经网络和BP网络的盾构施工变形预测结果,得出了很好的预测效果。     

基于神经网络模型的遥感影像几何校正研究

在遥感影像几何校正方法中,通常认为精度最高的是共线方程模型.针对共线方程模型定向参数解算过程中误差方程的病态问题,提出了利用基于控制点的神经网络方法进行高分辨率遥感影像几何校正方法,并从理论上进行了可行性分析.实验证明,在具有一定数量控制点作为训练样本的条件下,应用BP和RBF神经网络进行遥感影像几何校正,可以达到比共线方程模型更高的精度;神经网络模型能够自动抑制含较大误差控制点对模型纠正精度的影响,在实际应用中可以提高几何校正效率.     

基于PDA的测量机器人自动化网观测软件研究

分析了自动化网观测软件的具体开发过程,介绍了软件系统所实现的主要功能,获得了可靠的观测数据.     

概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

一种基于人工神经网络的彩色地形图分层方法

本文针对当前全要素地形图计算机扫描处理存在的困难，提出了一种基于Ｋｏｈｏｎｅｎ网络的彩色地形图的分层方法，并设计了一种结构聚类方法进行后处理以消除产生的错分类。文中详细列出试验的方法与结果。     

GPS高程转换中BP神经网络的优化探讨

分析了传统BP算法的不足,设计了基于BP神经网络的GPS高程转换模型,在调整网络的激励函数、网络的输入层和隐含层的神经元的基础上,实现了GPS高程转换的BP模型优化.