一种基于场论的空间异常探测方法

从空间数据场的角度,借鉴高斯势函数发展了一种新的空间异常度度量指标。进而,提出了一种基于场论的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的空间簇,并构建合理、稳定的空间邻近域。在此基础上,采用专题属性变化梯度修复策略减弱空间邻近域中潜在异常的影响,并利用空间异常度度量指标计算实体的异常度,从而探测空间异常。实验结果及实例证明了此方法的正确性。     

基于BP神经网络的GPS高程异常拟合研究

分析了GPS高程异常求解的常用方法,结合GPS测量和水准测量资料,用神经网络方法和二次多项式曲面拟合方法拟合高程异常,对拟合精度进行了分析比较,得出了有实用价值的结论。     

地理空间异常模式自适应探测方法研究

地理空间异常模式探测旨在发现地理空间中"与众不同"的实体或现象,为深入剖析地理现象或地理过程的特殊分布状况、变化或发展规律提供重要的理论依据和实践指导.随着异常探测应用需求的越来越广泛、深入,对异常探测的算法精度、智能化以及探测结果的可靠性要求越来越高.因而,一方面需要充分考虑地理空间数据自相关、异质性、多尺度等特性;...     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

一种空间交叉异常显著性判别的非参数检验方法

空间异常探测旨在从海量空间数据中挖掘不符合普适性规律、表现出“与众不同”特性的空间实体集合,对于揭示地理现象的特殊发展规律具有重要价值。现有研究在空间异常度量方面取得了重要进展,但多缺乏对空间异常模式显著性的统计判别,且是针对单一类别数据,没有顾及多类别数据间的相互影响。为此,本文基于空间随机过程的思想,针对两种类别空间点数据,提出了一种空间交叉异常显著性判别的非参数检验方法。首先,针对基本数据集实体,采用约束Delaunay三角网,构建合理、稳定的空间邻近域;然后,统计落在基本数据集实体空间参考邻域半径范围内的参考数据集实体的数目,度量初始异常度;进而,采用α-Shape法构建支撑域,以空间随机过程为基础构建零模型,采用蒙特卡洛模拟检验空间异常的显著性;最后,采用生存距离对异常模式的稳定性进行评价分析。通过试验分析与比较发现,该方法能够有效识别具有统计显著性的空间交叉异常。     

BP神经网络在GPS高程异常拟合中的应用

以提高GPS高程异常拟合的精度为目标,针对实际工程数据,对BP网络模型进行详细的设计,应用BP神经网络方法进行粗差的剔除和高程异常拟合实验及模型精度的评定,得到较满意的结果。通过与多面函数法得到的结果进行比较,证实该模型可使拟合精度有较大提高。     

BP神经网络和二次曲面模型对求高程异常精度分析

许多测量施工单位在进行GPS静态测量时,都会遇到求解高程异常的问题。这样才能将大地高转化成正常高。论文用两种方法来求高程异常,其一,二次曲面模型的方法来求高程异常,其二,采用BP神经网络的方法来求高程异常,并对两者所求的高程异常的精度进行分析,从论文中看到BP神经网络对求解高程异常的精度高,从而为BP神经网络在测量中的应用提供借鉴。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

平坦地区GPS高程异常拟合方法研究

结合GPS测量和水准测量资料,用BP人工神经网络和RBF人工神经网络方法和二次多项式曲面拟合方法拟合高程异常,对平坦地区GPS高程异常拟合精度进行比较分析,得出有实用价值的结论。     

基于最小二乘配置法的BP神经网络GPS高呈异常拟合方法研究

传统的BP神经网络在GPS高程异常拟合应用有其一定的局限性,特别是在对于外推高程异常值方面,传统的BP神经网络的不足表现得尤为明显.针对高程异常的特性,既有趋势性也有随机性,结合BP神经网络的优点,提出一种改进型的BP神经网络高程异常拟合方法,利用最小二乘配置法综合考虑高程异常的趋势性和随机性的特点,采用BP神经网络方...     

基于BP神经网络的Shepard曲面拟合方法在区域似大地水准面中的应用

在几何模型拟合区域水准面过程中,每种模型拟合高程都存在一些缺陷。在分析BP神经网络和Shepard曲面拟合方法各自优势的基础上,提出一种基于BP神经网络的Shepard曲面拟合方法的混合模型,并通过实例论证得出其拟合精度可达到厘米级,能满足一般工程的需要,解决了区域高程拟合单一模型的缺陷问题。     

基于模糊神经网络的模糊空间对象生成方法研究

随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。     

基于模糊神经网络的模糊空间对象生成方法研究

随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。     

利用BP神经网络剔除多波束测深数据粗差

针对多波束单ping水深数据多呈现较为复杂的曲线形式的现象,提出了基于逆传播（back propagation,BP）神经网络的多波束测深数据粗差剔除方法,即依据BP神经网络具有从输入到输出的映射功能,构建适应多波束单ping水深数据复杂曲线的训练学习算法进行曲线拟合。考虑地形之间的延续性进行相邻ping水深数据间的相关性分析,纵向检查定位并剔除粗差。通过实测多波束测深数据验证该方法的有效性,并与不确定性与测深学联合估值滤波以及交互式滤波方法进行比对分析,结果表明该方法可以有效剔除多波束测深数据中的粗差。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

基于自组织神经网络的空间点群聚类及其应用分析

探讨了采用自组织神经网络进行离散空间点群聚类的原理、方法及应用分析,提出了一种兼顾几何距离和属性特征的广义Euclid距离,并将其作为聚类统计量。并以实例验证了采用自组织空间聚类进行空间点群的数据分类、异常数据检验、均质区域划分等是有效的。     

可剔除多个粗差的F-T法

本文首先导出了严密的F和T统计量,F统计量可用于粗差的整体检验,而T统计量可用于F检验后的各单个粗差的检验。然后给出一个算例,且与[1,7]中的方法进行比较。可以看到,文中提出的F-T法在理论上是严密的,在实用上是可行的,因此,它优于现有的几种方法。     

基于空间自相关BP神经网络的遥感影像亚像元定位

亚像元定位技术是一种获取地物在混合像元中分布信息的有效方法.提出一种基于空间自相关函数的遥感影像BP神经网络亚像元定位方法,与传统的BP神经网路亚像元定位方法相比,该方法利用空间自相关函数Moran's I 在亚像素级上对定位结果进行约束,其结果更符合空间相关性假设理论.试验结果表明,该方法优于传统BP神经网络亚像元定...     

Artificial Neural Networks as a Method of Spatial Interpolation for Digital Elevation Models

This paper examines the performance of artificial neural networks (ANNs) as a method of spatial interpolation, when presented with irregular and regular samples of elevation data. The results of the ANN interpolation are compared with results obtained by kriging. Tests of spatial bias in the systematic errors contained in each of the neural network-derived DEMs were conducted using four attributes: slope, aspect, average direction and average distance from the nearest sampled value. Based on RMS and other evaluation measures, the accuracy of estimated DEMs from regular and irregular sample distributions using neural networks is lower than the accuracy level derived from kriging. The accuracy level of the ANN interpolators also decreases as the range of elevation values in DEMs increases. As reported in the literature, ANNs are approximate interpolators, and the pattern of under-prediction and over-prediction of elevation values in this study revealed that all estimated values fell within the range of sample elevations. Neural networks cannot predict values outside the range of elevation values contained in the sample, a property shared by other interpolators such as inverse weighted distance.