基于层次随机图的道路选取方法

 道路选取是道路网自动综合的关键问题之一,这方面已有多年研究,虽已取得很大进展,但尚不能自动完成一定比例尺下道路网的选取。本文提出一种基于层次随机图的道路选取方法,通过构建道路网的层次聚类结构以辅助道路选取。层次随机图是一种复杂网络模型,表现为一个二叉树,它不仅可以将复杂的道路网进行层次聚类,而且在可视化的同时提供了不同粒度的聚类信息。在构建道路网的层次随机图的基础上,本文采用累计权重数来衡量每条道路在整体层次结构中的重要性,并据此进行道路选择。我们将该方法应用到不同模式的实际道路网中进行道路选取试验,包括方格形、方格放射状、环形放射状、自由式路网等,以对应的谷歌地图作为参考进行道路选取符合数量、符合长度的定量评价和观察对比定性评价。试验表明本方法的选取结果与谷歌地图符合度很高。此外,与典型的基于路划长度和基于度中心度(degree centrality)的选取方法相比,本文方法更优。最后给出了本文方法优缺点的讨论和进一步研究的展望。     

面向地图综合的VGI道路网重要度层次分解选取方法研究

自发地理信息数据具有现势性好、覆盖范围广、信息丰富、获取方便等特点,可作为全球范围内地理信息数据生产与更新的良好数据资料。但是由于数据的无尺度特性,导致自发地理信息道路数据细节过于繁杂,难以直接应用于生产。现有道路网自动选取算法在计算道路重要度时,对所有待选取道路的重要性进行排序,并依据重要性从大到小依次选取。这种方法忽略了选取过程中,道路网结构变化对道路重要性的影响。为此,本文提出了一种基于重要度层次分解的道路网自动选取算法,该方法针对自发地理信息道路网细节繁杂的特点,根据地图数据制图综合时逐级缩编的思路,采用基于层次分解的选取策略进行道路网选取：首先计算所有节点的重要度,然后剔除重要度最小的一些道路节点,并重新计算新的所有节点的重要度,重复上述步骤,直至所有道路节点排序完毕,从而可获得所有道路的重要性排序并完成道路网选取。利用开放街道地图道路网数据进行实验,实验结果表明本文算法选取结果优于网络中心性方法。     

基于径向基函数神经网络的地震液化侧移预测

在已有的地震液化侧移数据库中增加累积绝对速度（CAV₅）这一地震参数,以考虑震源机制对液化侧移的影响。然后采用径向基函数神经网络（RBFNN）方法建立地震液化侧移预测模型,并与其他模型进行对比分析。结果表明,本文模型预测精确度最高;CAV₅在液化侧移预测方面可以代替震级、震中距2项参数;所有参数中,震级、震中距、可液化土层厚度敏感性较高,对液化侧移影响程度较大。     

结合POI数据的道路自动选取方法

人们对道路重要性的认知与道路周边设施有重要关系,针对现有地图综合道路选取方法中对语义特征考虑不足的问题,将POI数据引入到道路的语义特征分析中,提出一种综合考虑道路空间特征和语义特征的道路综合自动选取方法。首先,结合POI位置数据构造了道路语义特征度量的3个新参量：设施点密度、重要设施比率和专题设施比率;然后,与道路长度、连接值、总深度值、平均线密度等反映道路几何、拓扑和分布特征的度量参量一起,通过归一化和熵值法赋权进行整合计算,得到道路重要性值;最后,综合考虑道路重要性值、道路stroke构成和stroke连通度的约束条件进行道路的分步选取。实验结果表明,该方法在保留主要道路、保持道路分布疏密特征和道路连通性的同时,较好地顾及了道路的语义特征信息。     

基于拓扑结构分形维的道路选取方法

计算了复杂网络中单个节点的信息维数、体积维数和度体积维数,提出一种基于结构分形维的道路选取方法,考虑了道路网连通方式的多样性与差异性特征。实验结果表明,相比基于路划长度、中介中心性、邻近中心性、度中心性4种单指标道路选取模型,该方法能更好地保持路网整体结构、局部关键特征和拓扑连通性;并且与相应标准比例尺地图保持更高的一致性。     

基于案例推理的统计地图表示方法智能选取中的应用

地图符号的选择在空间信息可视化中至关重要。本文基于案例推理的研究范式和专题制图过程,提出了一种智能化专题制图的CBR框架,它依赖的知识主要是系统所存储的专题地图设计过程中解决问题的具体记录。本文从案例库内容设计、案例表达和数据库模式、案例相似性计算和案例检索等方面重点研究了CBR在统计地图表示方法智能选取中的应用,并以《中国人口地图集》为蓝本,以myCBR为工具,展现了CBR在专题地图设计知识获取、表达和推理中的应用潜力。     

基于E-WID线/线细分拓扑关系的OSM数据冲突检测

OSM数据是我国境外地理信息生产的重要数据来源之一,但OSM要素间存在拓扑冲突问题。针对这一问题,在E-WID面/面、线/面拓扑关系层次模型基础上,采用点度和Touching、Crossing谓词发展了线/线单元交细分方法,得到了11种有效的线/线单元交细分类型。并设计实现了基于E-WID层次模型的线/线拓扑细分算法。以交通和水系为例,设计了顾及要素类型属性的线/线拓扑冲突检测规则,并用OSM数据验证其有效性。     

基于改进RBF神经网络的GNSS高程拟合

针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。     

基于RBF的指标规范化的水安全评价模型

为了建立科学合理、计算简便和普适通用的水安全评价模型,在适当设定指标参照值cj0和指标值的规范变换式基础上,提出了基于径向基函数网络的指标规范化的水安全评价模型。采用具有全局优化的猴王遗传算法对模型中的参数进行优化,得出优化后对任意m(1≤m≤23)项水安全指标共同适用的水安全评价模型。应用模型对山东省水安全状况进行了评价分析,其评价结果与其它方法的评价结果基本一致,从而表明:指标规范值的径向基函数网络模型为水安全评价提供了一个简单实用、结果可靠的新方法。     

基于空间相似性的微地图道路网质量评价方法

微地图是一种面向大众的新型地图,是传统地图在自媒体时代下的发展和补充。针对微地图数据来源广泛,质量参差不齐的问题,本文提出了一种基于空间相似性的微地图道路网质量评价方法。首先,将上下文信息与形状、方向、距离、拓扑关系以及一维线特征5个空间特性结合,计算微地图数据与参考数据的空间相似性;然后,对样本数据组合,并利用熵值法计算客观权重,取平均值作为各评价指标的权重系数;最后,采用可拓云评价法完成对微地图数据定量计算与定性分析结合的综合评价。本文使用9组不同质量的微地图道路网数据进行实验,结果表明,本文方法符合微地图精度低、内容少的特点,质量评价结果与实际更为符合。相较于模糊综合评价法,本文将精度低,但内容与参考数据一致的微地图数据评价等级提升为优;相较于现有的线要素空间相似性评价法,本文将精度低,但根据用户需求制图,且有重要地标参与计算的微地图数据评价等级提升为良。本文方法对微地图数据有较强的适用性,为微地图道路网质量评价提供了可行方法。     

基于动态中介中心性的城市道路网实时分层方法

 城市道路网中各路段的出行效率直接决定了公众实时出行过程中对道路的选择差异。本文提出一种动态道路网分层方法,通过引入城市道路实时交通状态信息,结合图论中的中介中心性评价方法,得到与时间相关的城市路网动态中介中心性层级结构。该方法考虑了不同时间段城市交通状态的差异,实现了城市路网层次的动态合理划分,在一定程度上缓解了由于数据空间范围限制引起的路网层级静态划分方法的局限性。本文所提出的方法可作为城市路网动态分层的有效方法,为多用户并发环境下的实时出行路径搜索提供更合理的数据基础,同时也可应用于更多的城市路网研究中。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

混沌RBF神经网络的地磁变化场预测模型

提出一种融合混沌理论和RBF(radial basis function)神经网络的地磁变化单站预测模型。分析磁场数据的混沌特性,求取关键参数嵌入维数m和时间延迟τ,据此对初始数据进行相空间重构,并将经混沌理论优化的样本集作为神经网络的训练集和测试集进行仿真实验。结果表明,经混沌理论改进后的RBF神经网络模型可以较为准确地预测地球磁场的变化趋势,对我国地磁场的适用性较好,具有一定的泛化能力。     

基于BP神经网络的智能入侵检测系统

介绍了BP神经网络的基本知识，设计了基于BP神经网络的智能入侵检测系统。并提出了根据不同的网络协议使用不同神经网络的思想，指出了每个神经网络需要的网络数据，并阐述了训练和测试神经网络的方法。     

前期土地覆被数据辅助下的分类样本自动选取

 将地学知识与影像标定相结合,一直是目视解译或计算机自动分类制图的主要手段。传统的目视解译方法能够充分利用地学知识,但需要大量的人力、物力,效率较低;计算机分类中尚未出现比较成熟的高效运用地学知识的分类方法。已有研究表明,分类样本可以作为地学知识的载体,将地学知识融入分类过程中;此外,无监督聚类可以显著提高样本选取的效率,有助于提供足够的样本,为将地学知识高效地融入计算机分类提供了一定的基础。本文提出一种以前期土地利用数据辅助与影像聚类相结合的样本自动选取方法。利用自动选取的样本,通过最大似然分类器对TM影像进行分类,并与手动选取样本分类的方法进行了对比分析。研究结果表明,在分类效果上,本文提出的前期土地覆被辅助下的分类样本自动选取方法,优于手动选取样本的方法,提高了分类效率。在水体、林地、园地、城镇建设用地等7种类型上的分类整体精度达到84.18%,kappa系数为0.8066;手动选取样本进行分类的整体精度为77.04%,kappa系数为0.7196。     

基于ALR的Hopfield神经网络在高程拟合中的应用

运用具有正规化项的增广拉格朗日函数作为神经网络的能量函数,辅助二次曲面拟合,进一步探索Hopfield神经网络在高程拟合中的应用。实际算例表明,该方法可以大大提高神经网络的计算效率和可靠性。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

基于神经网络的话务量预测

话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP神经网络和基于Elman神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较,Elman神经网络训练速度比BP神经网络快很多,更适用于实际应用。     

基于认知实验选取地标的研究现状分析

认知实验作为研究人类认知世界的科学活动方式之一,地标是辅助人们进行日常寻路与导航的关键要素,从环境中提取合适的地标方法是空间认知研究领域的热点之一。本文从认知实验和面向导航的视角出发,在对国内外大量文献进行分析研究的基础上,系统综述了基于认知实验选取地标的研究进展。首先,介绍了目前主流的各种地图学认知实验方法在地标选取中的应用;其次对眼动实验作为定量探究导航中地标选取行为特点的新方法进行重点分析;最后,总结归纳了各种认知实验在地标选取中的优缺点及存在的问题,对指导今后的地标选取具有一定的借鉴价值打下基础。     

基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。