基于知识推理的土地退化程度评价模型

引入知识推理技术构建了一种新的土地退化程度评价模型(KR_LDAM)。模型集成了可变精度粗集和模糊神经网络两种智能化推理方法进行土地退化程度评价因子提取和退化程度分级,系统地消除了土地退化程度评价过程中专家经验知识主观不一致性以及客观数据不确定性的影响,解决了退化程度划分的模糊性和渐进性问题。选取黄土高原风沙侵蚀区域陕西省横山县为研究区域进行实例研究和模型验证。     

土地适宜性评价的模糊神经网络模型

基于神经网络来构造模糊系统，建立了土地适宜性评价的模糊神经网络模型；根据神经网络误差反向修正的原理，设计和推导了该模型的学习算法。实验结果表明，该模型应用于土地适宜性评价具有高效、客观、准确等优点。     

基于模糊神经网络的土地合理储备量预测研究

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对建设用地量进行预测,并应用于重庆市2005～2010年的建设用地量预测.计算分析结果表明,该模型具有良好的可行性和合理性,可以为确定土地合理储备量提供依据.     

基于T-S模糊神经网络的变形预报研究

T-S模糊神经网络模型是根据模糊系统和人工神经网络优缺点具有明显的互补性结合而成。文中基于T-S模糊神经网络,将其应用于变形预测。通过实测数据和仿真数据分析比较了其与BP神经网络、小波神经网络在预测精度、算法稳定性和有效区间3个评价标准上的优劣。结果表明,在变形预测,特别是利用长周期监测数据进行预报时,T-S模糊神经网络具有一定的优势。     

基于计算智能的土地适宜性评价模型

将计算智能理论引入土地评价领域，构建了一个全新的土地适宜性评价模型。首先基于模糊逻辑和人工神经网络构造了一个模糊神经网络模型，然后采用改进的遗传算法进行训练，能够快速收敛到最优解，对初始的规则库进行修正，形成了一个自学习、自适应的评价系统。     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

一种Vague软集的模糊综合评判模型

针对基于模糊矩阵的模糊综合评判多级运算比较繁琐的问题,该文提出和构建了基于Vague软集的模糊综合评判模型。将评语集和因素集统一至Vague软集的论域和参数集中,采用Vague软集相似度量代替模糊综合评判矩阵,使得计算过程由多级计算变换为一级计算,避免了矩阵运算和矩阵维数发生变化带来的问题。计算实例对比表明:该模型能够得到正确的综合评价结果,提出的依据Vague软集相似度量构建的模糊综合评判模型,实现了在避免矩阵运算的同时,保证了综合评价结果的正确性。     

LiDAR室内检校模型粗差探测可靠性研究

基于机载LiDAR技术的测绘系统必需对其进行标定和校正,优化导航定位、定姿系统的测绘精度。冗余的观测数据不仅可以评估系统监测粗差的能力,还可以分析未检测粗差对导航结果的影响,评价结果的可靠程度。本文基于内、外可靠度理论,进行抗差检校模型的质量控制,实例分析表明该理论能有效衡量抗差模型对粗差的识别效果。     

基于云模型的影像地图质量综合评估

利用云模型定性和定量之间的转换关系,提出了基于云模型理论的影像地图质量综合评估模型,建立了二级指标的综合云模型、评语集的梯形云模型、最终评价模型等,将影像地图的质量评价结果以概率分布的形式给出。经实例证实,该模型的评价结果直观、可靠,更加符合实际。     

西部基础空间数据质量检查与评价技术研究

针对西部测图工程,采用基于地理实体的质量检查方法,并利用云模型和粗集理论进行地图质量评价。首先分析西部测区特征,在此基础上建立数字线划图质量模型,进而总结质量元素及其相应的质量子元素。其次,归纳总结基本空间算子,形成具体检查规则。然后,根据粗集的属性依赖度计算各个质量元素和质量子元素的权重,接着对评语进行云模型化,根据X-条件云发生器和最大隶属原则判断地图等级。最后研制开发了质量检查、评价软件。实验证明,检查、评价方法可行,软件自动化程度高,并具有良好的交互性。     

Model of Land Suitability Evaluation Based on Computational Intelligence

A novel model of land suitability evaluation is built based on computational intelligence (CI). A fuzzy neural network (FNN) is constructed by the integration of fuzzy logic and artificial neural network (ANN). The structure and process of this network is clear. Fuzzy rules (knowledge) are expressed in the model explicitly, and can be self-adjusted by learning from samples. Genetic algorithm (GA) is employed as the learning algorithm to train the network, and makes the training of the model efficient. This model is a self-learning and self-adaptive system with a rule set revised by training.     

FANN-Based Surface Water Quality Evaluation Model and Its Application in the Shaoguan Area

A fuzzy neural network model is proposed to evaluate water quality. The model contains two parts: first, fuzzy mathematics theory is used to standardize the samples; second, the RBF neural network and ...     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义     

基于栅格尺度的土地利用适宜性评价研究

土地利用适宜性对于土地利用规划和管理具有重要的现实意义。本文基于栅格数据,以黑龙江省嫩江县为研究区,利用在高程、坡度、坡向方面的分布特征,采用层次分析法确定指标权重,通过模糊综合评价法对已确定权值的指标进行综合评价。研究结果表明,研究区土地利用主要分为宜农区和宜林区,宜农区中中度宜农区所占比例最大,宜林区中中度宜林区所占比例最大,研究区土地利用适宜性分布具有明显的空间特征。     

应用神经网络模型分解AVHRR混合像元

在大面积农作物遥感估产中,应用气象卫星数据估算种植面积一直是一个难点。已有的混合像元分解法要么实际操作困难,要么不适用于ＡＶＨＲＲ数据。该文在前人研究的基础上提出了一种新的方法──应用ＡＶＨＲＲ混合像元神经网络分解模型估算种植面积。这种方法综合利用了ＴＭ数据与ＮＯＡＡ数据各自的优势,具有较好的科学性和经济可行性。     

基于极限综合评价法的土地复垦适宜性评价研究与实践

土地复垦适宜性评价是开展土地复垦的基础性工作,而不同评价方法的选取将影响土地复垦适宜性评价结果的准确性和客观性,进而影响土地复垦的决策工作。作者对现有的极限条件法、指数和法、可拓法、模糊综合评价法和人工神经网络评价法等适宜性评价方法进行了对比分析,并在此基础上,提出了一种新的极限综合评价法,并将该方法应用于鹤壁市第八煤矿的土地复垦工作中,取得了良好的效果。该方法比传统的评价方法有更好的适用性,且操作简单,得出的评价结果更加科学。     

结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

针对PRO-4SAIL辐射传输模型耦合BP神经网络反演叶绿素时存在过拟合、预测精度低的问题,本文以研究区内实测的高光谱数据和模拟光谱数据为数据源,在模拟样本数据构成的训练集中添加部分实测样本数据,构建BP神经网络叶绿素反演模型,然后利用剩余的实测数据进行模型验证与精度评定。结果表明：向训练集中加入少量实测数据,可以解决叶绿素反演模型过拟合的问题,叶绿素含量的预测精度得到提升,实现准确的反演路域植被信息,为路域环境植被环境遥感监测评价提供一定的技术支持。