Rough集理论及其在GIS属性分析和知识发现中的应用

介绍了Rough集理论的概念与方法,并将其全面引入GIS领域,归纳整理出Rough集理论用于GIS中属性分析和知识发现的一整套方法,为GIS的属性分析和知识发现开辟了一条新途径。     

Rough集理论及其在GIS属性分析和知识发现中的应用

介绍了Rough集理论的概念与方法,并将其全面引入GIS领域,归纳整理出Rough集理论用于GIS中属性分析和知识发现的一整套方法,为GIS的属性分析和知识发现开辟了一条新途径。     

保持空间分布特征的散列式居民地综合选取方法

中小比例尺地形图上存在大量由不依比例尺"房屋群"构成的散列式居民地,综合选取时除考虑单个房屋专题重要性外,还要保持各房屋群的分布特征。将基于Vorinoi图模型的点群化简算法应用到散列式居民地选取中,在综合选取的两个主要过程(选取定额模型和结构化选取方法)中综合考虑分布密度、分布范围等分布结构信息和专题属性信息。实验分析表明,该方法保留重要居民地的同时,能够较好地保持原有的空间分布特征。     

一种基于Rough集的图像滤波算法

Rough集理论是一种新的处理含糊和不确定性问题的数学工具.它作为一种软计算方法,与模糊方法、遗传算法、神经网络等一样,是有发展潜力的智能信息处理方法.文中将Rough集理论应用到图像滤波中,提出了一种基于Rough集理论的图像中值滤波算法;给出了该算法与标准中值滤波算法的比较实验.结果表明,该算法去噪能力强于标准中值滤波算法,且能较好地保持图像的边缘细节信息.     

一种基于Rough集的图像滤波算法

Rough集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种软计算方法，与模糊方法、遗传算法、神经网络等一样，是有发展潜力的智能信息处理方法。文中将Rough集理论应用到图像滤波中，提出了一种基于Rough集理论的图像中值滤波算法；给出了该算法与标准中值滤波算法的比较实验。结果表明，该算法去噪能力强于标准中值滤波算法，且能较好地保持图像的边缘细节信息。     

粗集方法在地图综合中的应用

将粗集理论与方法应用于地图综合时,根据地图中空间信息的特性及其生成属性决策表的特殊性,提出先利用无监督的离散化方法对各连续型条件属性分别离散化后再根据属性决策表的应用目的对空间目标进行模糊分类添加决策属性的思路;然后利用粗集属性约简的方法计算各条件属性的重要性,并采取动态排序的方法对空间目标的重要性进行判断。该方法可以很好地解决将粗集应用于地图综合中无法预先确定决策属性的问题,对空间点目标的选取实验结果表明该方法是合理有效的。     

基于案例推理的居民地选取方法

针对当前中小比例尺地图中居民地选取面临的专家制图经验难以形式化表达的问题,提出一种基于案例推理的居民地选取方法。首先,把制图专家对居民地交互选取结果作为案例对象,挖掘居民地案例的属性特征指标,对属性赋值和归一化处理;然后,采用逐步消元法对居民地最佳属性组合进行选择,并构建源案例库;最后,采用案例推理方法,结合KNN算法,训练案例库确定KNN算法的最佳K值,将新案例与源案例库检索匹配,得出最佳决策结果,进而指导待决策居民地的自动选取。经试验验证,该方法能够较好地还原专家的选取意向,具有较好的抗噪声能力,在面状居民地自动选取中取得了较好的效果。     

复杂网络视角下的居民地选取方法EI北大核心CSCD

多要素协同综合是制图综合重要的发展方向。针对当前居民地选取方法对道路网与居民地间地理关联性利用不够深入的问题,将居民地与道路网融合为整体,本文提出了一种复杂网络视角下的居民地选取方法。首先,整合居民地与道路网的几何信息、属性信息与拓扑信息,构建以居民地为节点、以交通通达关系为边的含权居民地网络;然后,评价目标居民地在局部网络中的居民地吸引能力与交通流控制能力,并加权求和获得综合重要性;最后,利用距离约束Delaunay三角网进行迭代选取。试验表明,本文方法能够兼顾居民地的密度特征与网络特征,选取结果与道路网结构吻合良好,较好地保持了道路网与居民地的地理关联性。     

采用层次分析法的面状居民地自动选取

考虑到居民地的行政等级、位置特征、面积大小等因素对居民地选取的影响,提出了基于层析分析法的面状居民地自动选取方法。首先对影响居民地重要性的因素标准化;然后采用层次分析法对这些因素构建单个居民地层次结构模型,使这些因素加以关联;在此基础上,计算各因素的权值,并综合评价地图上单个居民地要素的重要性程度;最终利用开方根模型完成居民地的选取。该方法将定性分析和定量分析相结合,综合考虑不同因素对居民地重要性影响程度的差别,使权值分配更科学。试验证明,该方法选取的结果符合选取原则,较好地解决了居民地选取问题。     

采用主成分分析法的面状居民地自动选取

居民地选取是一个多种因素相互约束、相互关联的过程,而这些影响居民地重要性因素的关系往往难以定量地描述出来,提出了基于主成分分析法的居民地自动选取方法。首先,采用主成分分析法对这些相互约束、相互影响的因子转换成一组无关变量;其次,对这转换后的无关变量提取主要成分;第三,计算出主成分的权重用以评价居民地的重要性程度;最后,利用开方根模型完成居民地要素的定额选取。该方法将相互关联、相互约束的影响居民地重要性的因子转换成新的无关变量,提炼出其主要成分并计算权值用以综合评价居民地的重要性。实验对比分析表明,该方法综合考虑了居民地要素的行政等级、位置特征和面积大小等因素对居民地重要性的影响,选取结果,较好地保持了居民地选取前后的整体形态,符合选取原则。     

GIS信息综合中一种改进的粗集选取方法

在现有的基于粗集的GIS信息综合的基础上,针对GIS信息表的特殊性,提出了先离散化再添加决策属性的粗集计算思路,采取动态评价目标重要性并选取的方法对目标进行综合。实验表明,该离散化思路可以很好地解决GIS信息表的离散化效率问题,动态评价选取的方法不仅能综合考虑目标的空间及属性信息,而且可以保持目标综合前后空间特征的一致性。     

基于粗集理论的GIS属性数据挖掘

粗集理论作为一种新的处理含糊和不确定性问题的数学工具，可以有效地分析和处理不完备信息，已经在模式识别、机器学习、决策支持、过程控制、预测建模等众多科学与工程领域得到成功的应用，并具有相当的发展潜力。本文在深入研究粗集理论基础之上，讨论了基于粗集的知识表达系统，提出了属性约简的数据分析法，并利用此法对信息表中的海量信息进行简化，提取出有用特征，并相应评价各因素的重要性。本文最后以GIS属性挖掘为例进行实例分析，考察出它们的相互依赖性与相对重要性，取得了明显的效果。     

粗糙神经网络在森林火灾预警中的应用

利用神经网络和粗糙集处理不确定性问题的优势，提出一种粗糙集结合神经网络进行森林火灾预测模型。通过与传统预测模型相比较，证明了该方法的有效性。     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

粗集在知识发现中的应用

介绍了粗集的基本概念,包括粗集的定义、“属性－值”系统、属性依赖与归约及粗集概念的若干推广,最后指出粗集理论在知识发现（KDD）中的一个可能应用途径。     

高光谱遥感影像优化分类波段选择

利用粗糙集关于属性依赖性公式,本文给出一种定义遥感影像波段间相似度的方法。通过模糊聚类,得到对高光谱遥感影像原始波段集合的模糊等价划分。在每个模糊等价波段组中,选择一个代表性波段完成对原始波段集合的初步降维。基于遗传算法并结合粗糙集理论,在降维后的波段集合中进一步进行的分类波段组合的优化选择。实验结果表明,本文给出的高光谱遥感影像优化分类波段组合选择方法是非常有效的。     

基于粗糙集的局部同位模式挖掘算法北大核心CSCD

通过空间同位模式挖掘可发现频繁发生在邻近位置的事件集合,为揭示地理现象间的共生规律提供重要的决策支持。由于空间同位模式存在空间异质性问题,已有方法不能很好地探测出空间同位模式分布的相近性区域。为此,本文从地理属性的相近性方向探测同位模式的分布区域,提出了基于粗糙集的局部空间同位模式挖掘方法。首先,从全局视角提取不频繁的空间同位模式作为候选的局部空间同位模式;然后,对候选同位模式的实例位置进行处理,将其分布的热点区域属性作为粗糙数据集,借助粗糙集探测局部空间同位模式自然的分布区域;最后,度量在这些局部区域的频繁程度,生成所有频繁的局部空间同位模式。通过试验与应用发现,该方法不仅可以探测局部空间同位模式分布的相近性区域,还能反映同位模式分布区域的地理属性信息。     

多粒度的GIS数据不确定性粗集表达

粗集是一种处理地理信息不确定性和不精确性的新型数学工具,在揭示和表达多层次(或粒度)的空间知识方面具有较大优势。为此,从空间信息观测或表达的粒度角度来探讨空间数据所蕴含的不确定性。在此基础上,运用粗集理论中的一些基本概念和方法来系统地描述和表达空间目标位置数据、属性数据以及空间关系数据的不确定性,旨在建立一种多粒度的不确定性分析和表达方法。