利用一种新的神经网络模型识别点状地图符号

着重讨论了用一种新的神经网络模型识别点状地图符号的过程，主要包括网络的结构特点和学习算法以及学习训练过程，并验证了用该网络进行点状地图符号识别的有效性。     

用改进后的BP网络识别地图符号

讨论基于ＢＰ神经网络的点状地图符号识别，在分析介绍ＢＰ网络模型及其学习算法之后，根据ＢＰ模型本身所存在的一些不足之处，提出了相应的改进措施。改进后的ＢＰ网络学习速度明显提高，性能得到增强，因而可以更有效地识别点状地图符号。另外，还对网络的输入模式加以讨论，给出了在ＢＰ网络学习训练过程中的一些体会，并提出了三种减小网络规模的具体方法。     

点状地图符号的神经网络识别

基于神经网络的点状地图符号自动识别研究,设计了点状符号识别流程。采用四层BP网络模型,通过参数设置及输入输出设计优化网络,通过数据格式分析及内存调整优化程序,在程序实现过程中反复试验,总结出了参数的变化规律,实现了点状符号的简单、快速识别。     

基于Hopfield网络的点状地图符号识别

点状地图符号的自动识别是地图要素自动识别中的重要研究内容。本文着重讨论基于Ｈｏｐｆｉｅｌｄ网络的点状地图符号识别问题，针对Ｈｏｐｆｉｅｌｄ网络所存在的局限性，提出了一种改进方法，增强了Ｈｏｐｆｉｅｌｄ网络的联想记忆功能，可有效地提高点状地图符号的自动识别效果。     

基于形状分析的点状地图符号识别

着重讨论了基于形状分析的点状地图符号识别。其主要内容包括点状地图符号的计算机描述，点状地图符号识别系统的结构，点状地图符号识别实验与分析等。文中利用带搜索控制准则的新边界跟踪算法，改进了传统的边界跟踪算法，提出了用傅立叶系数描述点状地图符号的形状特征，并对计算公式作了进一步改进，介绍如何由傅立叶系数提取形状特征不变量，实现了对点状地图符合的自动识别。     

基于BP神经网络的点状地图符号识别

点状地图符号的识别是实现扫描方式地图自动数字化的重要研究内容之一，本文首先分析介绍ＢＰ网络模型及其学习算法，然后根据ＢＰ模型本身所存在的一些不足之处，提出相应的改进措施，还以实际扫描地图图像进行相应的实验验证，最后，对网络的输入模式加以讨论，提出了三种减小网络规模的具体方法。     

基于神经网络的点状地图符号识别

地图符号识别是地图成图自动化的一个重要研究方向,但是传统的地图符号识别方法已经不能满足数字地图发展的需要,迫切需要一种用自动化技术代替人工数字化的作业方式[1].因此地图符号的识别是整个技术的关键,而点状地图符号的识别更是地图符号识别的基础.本文探讨和研究了基于神经网络的点状地图符号识别.     

基于距离变换的提取和识别点状符号的方法

提出了一种基于距离变换提取和识别点状符号的新方法。首先对分版图的提取结果进行优化处理，然后根据弯曲密度和线划密度等特征，进一步过滤掉不满足点状符号特征的线划。为了更准确地度量图像间的相似性，提出了加权距离函数，并用该函数值为度量标准进行模板匹配以识别符号。该算法较好地解决了字线粘连、背景复杂等情况下的点状符号提取和识别问题，识别准确率较高。     

基于矩特征的点状地图符号识别

首先阐述了点状地图符号识别中特征选择的一般原则，然后概括了点状地图符号的图形特点和几何度量方法，并在此基础上导出了矩特征的计算公式，最后进行了相应的符号识别实验，并对实验的结果加以分析讨论。     

基于矩特征的点状地图符号识别

首先阐述了点状地图符号识别中特征选择的一般原则，然后概括了点状地图符号的图形特点和几何度量方法，并在此基础上导出了矩特征的计算公式，最后进行了相应的符号识别实验，并对实验的结果加以分析讨论。     

点状符号识别的旋转、缩放不变性研究

针对点状符号神经网络识别中的旋转、缩放不变性问题,利用不变性特征输入和构建旋转、缩放不变性网络两种方法加以实现。前者的关键是提取符号的不变性特征作为网络的输入,后者的重点是构造复合神经网络实现不变性识别分类。     

利用BP网络识别点状地图符号的研究

在利用BP网络识别点状地图符号的过程中,提出了三项改进措施,简化了数据获取,提高了网络收敛速度。通过对训练样本图像的格式分析,实现了输入神经元的简单获取;对神经元、权值数组采取堆内存动态分配的方式,减少了内存占用,极大地提高了权收敛速度;通过对网络拓扑的分析,调整了节点的输出方式,加快了权值改正。     

基于认知实验的旅游网络地图点状符号设计

新的显示环境和地理事物的出现,要求旅游网络地图符号的设计不能继续完全沿用传统纸质地图符号的设计原则。借鉴认知心理学相关研究方法,以旅游网络地图点状符号设计为例,通过3个认知实验,选用比率分析和区间估计数理统计模型分析实验结果,得到旅游网络地图点状符号的设计改进方法,并对所设计的符号进行修改,形成的旅游网络地图点状符号达到了较好的认知效果。所设计的认知实验,一定程度上解决了地图符号凭制图者主观经验设计的问题,是今后地图符号设计过程中重要的实验方法。     

顾及眼动数据的网络地图点状符号用户兴趣分析方法

为解决网络地图个性化推荐过程中点状符号用户兴趣分析结果准确性低的问题,提出了一种基于眼动数据的网络地图点状符号用户兴趣分析方法。利用空间认知测试法筛选39名认知能力一致的被试者参与实验,使用眼动仪采集被试者在浏览4类点状符号素材过程中的眼动数据,同时记录被试者的鼠标数据;分别计算时间、次数与尺寸类型眼动数据用户兴趣度,利用熵权法将3类数据进行整合,设计了一种基于多项眼动数据的用户兴趣度计算方法。研究结果表明,用户兴趣度分析结果正确率为85.9%,优于鼠标数据,证明所提方法能够有效分析用户兴趣,点状符号用户兴趣度计算公式稳定可靠,有助于提升个性化推荐结果的准确度。     

以眼动实验为主的点状地图符号边框设计

地图符号设计是地图设计的重要组成部分,其中,用于表示不依比例尺小面积地物或点状地物的点状符号设计被广泛关注和探讨。综观目前常见的网络地图,特别是旅游网络地图,其点状地图符号设计方案大多尺寸相近,以象形符号为主,但边框设计有3种不同方案:对符号添加统一边框,对不同符号添加不同边框,以及不加边框。通过眼动实验,探究点状地图符号边框设计对用户认知地图的影响,比较上述3种方案所获取的不同认知效果,进一步研究网络旅游地图的点状地图符号边框设计方案。     

不同风格旅游网络地图点状符号有效性眼动实验研究

地图新显示载体的出现,要求制图者不能继续沿用纸质地图符号的设计原则进行符号设计.以旅游网络地图点状符号设计为例,在对单个点状符号进行认知实验的基础上,将符号成图可视化显示,应用眼动跟踪技术,采用统计学的样本标准偏差方法分析被试者阅读地图的眼动数据分布状态,从易学性、地图信息易获取性、易记性等三个指标评估点状符号的有效性,从而得到点状符号设计改进原则,为旅游网络地图设计提供了参考依据.     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题,特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来,使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性,其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状,最后对未来深度学习应用于遥感识别与分类趋势进行了展望。     

点状要素群的结构化及其在综合中的应用

点状要素群是地图综合过程中必须处理的信息,文中分析了已有的点状要素群的分类方法,结合地图综合的特点,提出了一种改进的考虑点状要素群同其它要素关系的分类方法,通过建立点状要素群外轮廓线的方法结构化点状要素群,并用于点状要素的选取。     

利用C-F模型识别僵尸网络迁移

基于C-F模型识别僵尸网络的迁移,以僵尸网络迁移过程中表现出的多个特征为基础,提出了一种识别僵尸网络迁移的方法,能够协同多个特征判断给定的两批僵尸主机是否具有迁移关系。通过几个典型僵尸样本的评测,有效地识别了僵尸网络的迁移行为。与单纯采用IP地址重合度的方法进行了对比,在僵尸网络成员数量动态变化的情况下,仍然保持了理想的识别结果。     

自然灾害风险地图中的制图综合研究——以点状承灾体为例

为提高多尺度灾害风险地图表达中高风险区承灾体的准确、有效、快速识别,基于灾害风险理论,运用地理学规律,在GIS等技术支持下,结合数据挖掘和空间分析技术,探讨了在尺度转换过程中点状承灾体的制图综合问题,并结合承灾体自身及在灾害系统中的属性特征,抽象概括了点状承灾体在灾害地图中的制图综合类型,即重要性综合、特殊性综合、邻近性综合、条件性综合、完整性综合、随机性综合。针对每一种综合类型,给出了可能的灾害情景假设及制图综合方法,并进行了技术实现及可视化表达。结果表明,基于上述6种类型的点状承灾体制图综合,不仅有效解决了尺度转换过程中的数据冗余问题,而且还能准确反映出特定孕灾环境下高风险区承灾体的空间分布,同时也为灾害风险地图的制图综合提供一种新的思路。本研究为区域灾害风险识别、风险防范与管理提供理论与技术支持,进而为区域的防灾减灾提供科学依据。