基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

Approaches for delineating landslide hazard areas using different training sites in an advanced artificial neural network model

The current paper presents landslide hazard analysis around the Cameron area, Malaysia, using advanced artificial neural networks with the help of Geographic Information System (GIS) and remote sensing techniques. Landslide locations were determined in the study area by interpretation of aerial photographs and from field investigations. Topographical and geological data as well as satellite images were collected, processed, and constructed into a spatial database using GIS and image processing. Ten factors were selected for landslide hazard including: 1) factors related to topography as slope, aspect, and curvature; 2) factors related to geology as lithology and distance from lineament; 3) factors related to drainage as distance from drainage; and 4) factors extracted from TM satellite images as land cover and the vegetation index value. An advanced artificial neural network model has been used to analyze these factors in order to establish the landslide hazard map. The back-propagation training method has been used for the selection of the five different random training sites in order to calculate the factor’s weight and then the landslide hazard indices were computed for each of the five hazard maps. Finally, the landslide hazard maps (five cases) were prepared using GIS tools. Results of the landslides hazard maps have been verified using landslide test locations that were not used during the training phase of the neural network. Our findings of verification results show an accuracy of 69%, 75%, 70%, 83% and 86% for training sites 1, 2, 3, 4 and 5 respectively. GIS data was used to efficiently analyze the large volume of data, and the artificial neural network proved to be an effective tool for landslide hazard analysis. The verification results showed sufficient agreement between the presumptive hazard map and the existing data on landslide areas.     

模糊神经网络在变形分析与预报中的应用研究

研究了模糊神经网络的网络建模,提出了单点建模、分组建模和整体建模3种建模方法,为变形分析和预报提供了新思路。结合滑坡变形实例,指出了模糊神经网在工程变形分析和预报中的可行性。     

城市道路网络的中介中心性分析

将几个典型城市道路网络作为有向图来分析,这些城市道路网络弧段的BC(betweenness centrality)值的分布呈现一致的规律分布,具有层级性。从总体上来看城市道路网络中大部分等级高的道路具有较高的BC值,大部分等级低的道路具有较低的BC值。     

利用互信息改进遥感影像朴素贝叶斯网络分类器

针对朴素贝叶斯网络简单条件独立性假设的不足,将它的一种改进形式——选择型朴素贝叶斯网络和两种扩展形式(树增强型朴素贝叶斯网络、贝叶斯增强型朴素贝叶斯网络)用于多光谱遥感影像的分类中。在分析波段间互信息的基础上,分别构造了上述3种分类器,并和朴素贝叶斯网络分类器的性能进行了比较。     

车载自组网可信节点与可信路由分析及实现

将可信赖平台模块(TPM)芯片引入车载自组织网VANET,提出了一种有效保护地理位置信息路由协议GPSR(贪婪周边无状态路由协议)的可信安全机制,从而能够防止恶意篡改路由协议和邻居位置信息表的行为。在NS2.30下对网络真实场景进行了模拟,证实此可信安全路由协议模型是正确的、有效的和合理的。     

利用密钥策略进行数据分离的算法

在分析现有的数据处理策略的基础上,将经过改进的基于二进制Goppa编码的McEliece密码体制与数据份额的产生相结合,提出了一种基于纠错码密码体制的数据分离算法(KPDA)。与经典秘密共享算法相比,该算法具有同等或更高的效率;而与同类的数据分离技术相比,基于编码的密码体制可以提供更好的安全保障。     

面向对象的城市管网数据组织模型设计

针对现有城市管网数据组织方式存在的问题,提出了一种基于面向对象的城市管网数据组织模型,该模型从人们认知的角度,将客观世界中的管网作为集数据和方法于一体的对象综合体,进行一体化存储和管理。模型在引入"类"概念的基础上,对基类中几何类和实体类的结构进行了详细设计,并讨论了模型中类与类、类与对象之间的关系,最后以城市供水管网为例,设计了基于对象的城市供水管网数据组织模型。     

港珠澳大桥首级控制网复测

介绍了港珠澳大桥首级控制网的复测方案,包括复测精度及网形设计、对控制网复测方法、技术要求及成果精度进行了介绍。最后,通过控制网复测成果和建网成果的比较,对首级控制网建网成果质量及控制点的稳定性进行了分析评价。     

径向基神经网络GPS高程转换方法

针对GPS高程转换问题,给出了基于径向基神经网络转换GPS高程的模型。用实际观测数据对该模型进行了试验,结果表明,用径向基神经网络转换GPS高程精度高于二次拟合法和BP神经网络法。径向基神经网络能够有效克服BP神经网络局部极小值的缺点,并且具有较高的收敛速度,在GPS高程转换方面具有广阔应用前景。