道路网层次骨架控制的道路选取方法

提出了基于路网层次骨架控制的道路自动选取方法。首先,该方法以stroke为单位,利用中介中心性值对stroke进行层次结构划分;其次,采用结构特征识别完善道路层次骨架;第三,基于层次骨架间的连通关系建立逐层传递的stroke重要性计算模型;最后,通过该计算模型自上而下的逐层计算,得到stroke重要性,并据此完成道路网选取。采用3种典型道路网数据,对本方法与其他主要常规stroke选取方法进行对比,试验结果表明本方法不但对语义的依赖性极低,同时消除了中介中心性在评价道路重要性时对边缘道路的不利影响,在保持道路网整体结构和层次性上有较为明显的优势,可适用于各种形态的道路网选取。     

地图数据缩编更新中的道路自动选取研究

总结道路选取的研究现状,分析在道路的缩编更新过程中,道路要素选取需要考虑的要素指标。介绍一种道路选取方法,综合考虑道路的等级、长度、网眼面积、区域道路密度、是否是悬挂链等几何、语义和拓扑信息,模拟人类在缩编更新时的思维过程,实现道路的自动选取,并进行试验,验证方法的有效性。     

基于网眼密度的道路选取方法

道路数据中的网眼密度能反映局部区域的道路密集程度,通过确定目标尺度要求的密度阈值,比例尺缩小后能够标识出数据中需要取舍路段的网眼;循环剥离密度最大的网眼,利用反映路段重要性的参数及其优先级,渐进筛选出舍弃的路段,并完成与邻接网眼的合并;得到的选取结果保持了道路网在密度、拓扑、几何及语义方面的重要特征,从而提出一种新的道路选取方法。最后进行实验,验证该方法的有效性。     

POI辅助下的道路选取

针对已有的道路选取方法主要考虑道路的几何和拓扑信息,而未考虑道路邻接的设施点对道路的重要性影响,该文利用POI数据,提出一种顾及道路的几何、拓扑和邻接设施点信息的道路选取方法.该方法借助德尔菲法为不同类型POI打分构建道路上下文特征指标,将其与描述道路结构特征的指标整合求得道路重要性值,进而按照方根模型选取排名在前的道路组成选取后的路网.实验结果表明本文方法选取的路网在保持了原始路网的整体结构、密度分布及连通性的同时,较好地顾及了道路上下文设施对道路重要性的影响.     

基于路划网络功能的道路选取方法

提出以路划为选取单元以路划网络功能为选取指标的道路选取方法,路划网络功能的衡量指标综合考虑了中心度、连接度、长度等因素,由网络分析获得;选取的道路通过基于图论的逐步搜索保持连通性和规模最小;采用多种结构形态的实际城市局部路网、整体路网进行试验,结果表明该方法能较好地保持路网的整体结构、局部典型结构和道路连贯性,适用于各种形态的路网,具有良好的通用性,较常规的基于路划长度的选取方法具有明显优势。     

基于蚁群算法的地图矢量化算法研究

蚁群算法是一种模拟进化的在图中寻找优化路径的几率型算法,能有效地解决一系列组合优化问题。将蚁群算法应用于森林资源地图矢量化过程中,提出一种基于蚁群算法的新的地图矢量化算法。详细讨论该算法,并与传统算法作比较。该算法在实际应用中取得了良好效果。     

阶差等比数列选取模型算法研究

论述了原选取模型控制表生成的数学基础,确立了该数学模型的“阶差等比”实质,生成了更为简洁的算法,并揭示了其内在的构造规律。     

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。     

基于蚁群算法的边缘检测

蚁群算法是近些年发展起来的一种群体智能优化算法,它利用生物信息激素作为蚂蚁选择后续行为的依据,并通过蚂蚁间的协同与交互来完成全局寻优搜索过程。本文将该算法用于边缘检测,建立图像边缘与信息场之间的联系。提出了基于像素邻域的8个启发信息检测算子,指导蚂蚁选择最优边缘路径,并能自动确定分割阈值。对灰度图像进行模拟实验与经典分割算子进行对比,结果表明,该算法可以精确提取边缘特征,细节特征更为清晰。     

道路网匹配的蚁群算法求解模型

目的 利用蚁群算法的群体优势,寻找全局最优的道路网同名实体匹配方案。首先从几何矢量误差和结构特征两方面建立了匹配问题的数学约束模型;然后阐述了蚁群算法求解匹配问题的基本原理,设计了问题求解模型,并引入自适应和局部搜索策略提高了算法效率;最后给出了求解的关键步骤。实验证明,利用蚁群算法进行道路网匹配是有效、可行的,为求解匹配问题提供了新思路。     

改进蚁群算法支持下的交通流量分配

灾后城市交通运输能力下降,原有的流量分配方案不再适用。为保障正常的经济社会活动,本文提出了一种基于改进蚁群算法的交通流量分配方法。首先评估路网通行能力影响因素并建立道路质量评价体系,利用路段质量改进蚁群算法中的启发式因子;然后为扩大蚁群搜索范围加入随机节点并改进信息素的更新机制;最后应用改进算法对城市交通总量进行分批分配并得到流量分配图。结果表明,改进算法综合考虑了出行距离和道路质量,较改进前更符合交通流量分配要求,具有较好的路径寻优性,可为灾后救援工作和灾后路网交通分配决策提供建议和支持。     

利用蚁群遗传算法改进高程异常拟合模型

针对多面函数在拟合高程异常中难以选取中心节点及光滑因子的问题,该文提出了蚁群-遗传算法改进高程异常拟合模型的方法。为拟合模型构建提供可靠的参数,使选择的中心节点更加合理,加入蚁群算法能够快速获取地形复杂区域的特征点。光滑因子是多面函数拟合法的重要参数,参数值影响了拟合模型精度的高低。采用了遗传算法优化光滑因子,将光滑因子作为种群的染色体进行遗传运算,求得了拟合模型的光滑因子最优值为0.452。利用蚁群-遗传算法改进后的多面函数构建的拟合模型精度为8.6mm,比传统多面函数法拟合结果精度提高了48%。实验研究表明,蚁群-遗传算法改进的多面函数在很大程度上提高了拟合模型的精度,充分验证了改进方法有效可行,为特殊地形的高程拟合提供了重要的参考依据。     

A block-based selection method for road network generalization

Abstract

When road symbols are shown in a size proportionate to the reduced scale, several problems of legibility may arise concerning the urban blocks. By the method proposed in this paper, in order to overcome these problems, urban block areas are enlarged through amalgamation and the intervening roads in the amalgams are eliminated. This method includes two new approaches for computation of threshold used in determination of important roads based on the connectivity measure, and for definition of minimum block space and area requirements based on graphic limits. A block life cycle was designed for amalgamation of blocks. For the amalgamation process, a new algorithm was developed. The experimental testing indicates that important roads and the roads surrounding the urban area have been preserved. A simpler and more legible road network has been acquired. This method can be described as a more holistic approach as the buildings are taken into account. The problems arising in the experimental testing indicate that the cartographic selection/elimination process is not sufficient by itself for road network generalization, which can be assumed as one of the integral parts of Digital Earth. As well as the selection/elimination, processes such as displacement and caricaturizing are also needed.     

图卷积网络在道路网选取中的应用

针对现有制图综合中的道路网自动选取方法不能有效地利用道路网的空间特征问题,该文把道路网抽象为图结构,提出了使用图卷积网络来进行道路网的自动选取,并比较分析了不同的图卷积网络在道路网选取中的适用性。结果表明,图卷积网络可以通过多层卷积来自动提取不同局部范围的空间特征,从而减少空间特征的人工构建,相比传统的多层感知机(MLP)等人工智能选取方法,具有更高的选取精度。对于不同的图卷积网络模型,使用最大池化聚合的GraphSAGE获得了最优的性能。     

基于路段重要度评价的道路网自动制图综合研究

道路网自动综合是GIS研究的重要基础理论问题。顾及道路重要性对路网制图综合的影响,采用基于对偶拓扑的复杂网络理论构建城市路网对偶拓扑模型,并基于该路网模型建立路段重要度评价方法,进而提出一种基于路段重要度评价的路网自动制图综合方法。实验表明,该方法能够有效地完成不同比例尺下路网的自动综合。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

基于蚁群算法的点状注记智能化配置

地图注记是为待定位注记求取注记位置的过程,它是自动地图制图中的一个重要的难题,其中点状注记问题可以看作是一个组合优化问题。目前,模拟退火法,遗传算法和神经网络优化算法已经被用来优化点状注记的配置问题。本文将引入蚁群算法在点状注记配置中的应用,经实验证明该方法有更高的搜索效率,得到的注记结果基本上解决了冲突问题。     

蚁群算法在 InSAR 相位解缠中的应用

相位解缠是InSAR信号处理的关键过程,针对传统的枝切法存在枝切线整体长度过长和容易产生解缠"孤岛"现象等问题,基于蚁群算法提出一种改进的枝切法,通过对传统的枝切线进行优化,有效地减少枝切线长度。采用伊朗Bam地区的InSAR图像数据对算法进行实验计算与分析,表明本文算法所需设置的枝切线整体长度较短,能获得更好的相位解缠效果。     

The Integration of Cooperation Model and Genetic Algorithm

In the photogrammetry,some researchers have applied genetic algorithms in aerial image texture classification and reducing hyper-spectrum remote sensing data.Genetic algorithm can rapidly find the solutions which are close to the optimal solution.But it is not easy to find the optimal solution.In order to solve the problem,a cooperative evolution idea integrating genetic algorithm and ant colony algorithm is presented in this paper.On the basis of the advantages of ant colony algorithm,this paper proposes the method integrating genetic algorithms and ant colony algorithm to overcome the drawback of genetic algorithms.Moreover,the paper takes designing texture classification masks of aerial images as an example to illustrate the integration theory and procedures.