立交桥识别的CNN卷积神经网络法

OSM数据中立交桥结构的识别和分类,能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征,无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前算法抗差性上存在的不足,提出了一种新的基于卷积神经网络的立交桥识别方法。该方法将矢量数据与栅格图像相结合,利用神经网络学习区分立交桥类型的高层次模糊性特征,从而对OSM中的复杂立交桥结构进行分类。试验表明,该方法有较强的抗干扰性,在复杂的立交桥形态分类中取得了良好的效果,并随着案例库的扩充和神经网络模型的优化存在进一步提升的空间。     

利用层次分析法匹配面状居民地

针对目前居民地要素匹配中相似性度量权值设置较为随意的问题,提出一种利用层次分析法匹配面状居民地的方法。首先,根据相似性指标确定相似性权值;其次,通过层次分析法使权重的计算变得合理,进而生成综合指标评价模型;最后实现居民地要素匹配。实验证明了该方法的有效性和科学性。     

利用城市骨架线网的道路和居民地联动匹配方法

同名道路或者居民地数据间由于数据一致性程度不高,往往存在较大的几何位置偏差,当对道路或者居民地单独进行匹配时,不利于提高匹配正确率和效率。针对这一问题,本文提出了一种利用城市骨架线网的道路和居民地联动匹配方法。联动匹配即模仿人在读图时通过特征地物和空间关联寻找目标地物的思维过程,将匹配看作是一种特征目标寻找、信息关联传递的推理过程。首先,利用约束Delaunay三角网对地图构建城市骨架线网。然后,通过道路、骨架线、骨架线网眼和居民地之间的拓扑关系建立道路和居民地之间的匹配传递模型。最后,根据该传递模型实现通过道路匹配带动居民地匹配或者通过居民地匹配带动道路匹配的联动匹配。该方法优势在于只要有一种要素的数据一致性比较好,就能带动另一种要素取得很好的匹配效果,同时符合人类进行匹配时的认知过程。     

顾及上下级空间关系相似性的道路网联动匹配方法

现有道路网匹配方法中,大多利用道路自身结点和弧段特征进行匹配,而较少注意道路邻域要素在道路网匹配中的重要定位参考作用,从而影响匹配效率和正确率的进一步提高。针对上述问题,本文提出了一种顾及上下级空间关系相似性的道路网联动匹配方法,即模仿人在读图时通过特征地物和空间关联寻找目标地物的思维过程,将匹配看作是一种特征目标寻找、信息关联传递的推理过程。首先,运用Stroke技术将复杂道路网进行等级划分。其次,通过道路骨架关联关系树构建道路网联动匹配模型。最后,选取高等级骨干道路作为起始特征对象,计算道路间的上下级空间关系相似性,逐级迭代使匹配信息在道路网联动匹配模型中传递,从而得到匹配结果。试验表明,本文算法缩小了待匹配数据的搜索范围,能够有效提高匹配正确率和效率,尤其在数据位移较大、存在非系统性几何位置偏差的情况下优势明显。     

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。     

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。     

道路网智能选取的案例类比推理法

从人类学习和认知角度,借鉴人工智能领域基于案例推理学习的成果,提出一种基于案例类比推理的道路网智能选取新方法。该方法将制图专家对某区域道路网的交互选取结果作为参考标准,对其进行结构化描述并构建和转化为案例库;计算机采用一定的简化算法和泛化算法对该案例库进行分析和学习,获取检索效率更高和适应样本能力更强的案例模型库;计算机在对相似道路网自动选取时,根据获取的案例模型库,采用基于案例类比推理的方法,分析获取相应的解决方案,进而完成道路网智能选取。与已有研究成果相比,本方法以案例及其泛化模型来模拟专家思维,以计算机对案例模型的类比学习来进行相似道路网自动选取,增强了道路网选取中的智能性。最后对本方法的科学性和适用性进行验证,并对试验结果作分析和评价,同时指出了存在的问题和进一步的研究方向。     

采用迭代注水原理的居民地属性约简方法

基于案例推理的居民地自动选取方法研究中,居民地属性权重的赋值对推理结果的影响显著。为使案例推理中居民地属性权重分配更合理,引入迭代注水原理对居民地属性进行赋权值和约简。首先,对专家交互操作的面状居民地案例进行信息挖掘;然后采用注水原理对居民地属性权重优化分配,结合递归特征消除法对属性迭代计算;最后采用十折交叉验证法,训练出适应居民地案例推理的最佳赋有权重的属性子集。通过与专家打分法、主成分分析法、权重平均分配法、传统注水原理法4种属性约简方法作对比实验,结果表明本文方法能对居民地属性进行有效简约,并提高基于案例推理的居民地选取模型的正确率。     

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取"孤立"湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。     

利用空白区域骨架线网眼匹配多源面状居民地

多源大比例尺城市地图中,同名居民地数据间往往存在较大几何位置偏差,从而增加了居民地匹配的难度和不确定性。针对这一问题,本文提出了一种利用空白区域骨架线网眼进行居民地匹配的新方法。首先,提取空白区域骨架线,并建立空白区域骨架线网眼和居民地之间的一一映射关系,将居民地匹配转换为骨架线网眼匹配;然后,根据骨架线网眼之间的相接拓扑关系构建对偶图,计算对偶图中每个节点的各项中心性指标,并利用极化变换和层次分析法建立骨架线网眼匹配模型,获取骨架线网眼匹配结果;最后,将骨架线网眼匹配结果按照映射关系进行传递,从而得到居民地匹配结果。将居民地匹配转换为空白区域骨架线网眼匹配,并对骨架线网眼进行对偶图构建和极化变换,为匹配增加拓扑约束和相对位置约束,从而弥补几何位置的较大偏差对匹配造成的影响。对比试验及分析表明本方法能够有效解决大比例尺城市地图中几何位置偏差较大的面状居民地的匹配问题。