基于CIRCLE特征变换的点群选取改进算法

本文在介绍了已有的“基于Circle特征变换的点群选取算法”(测绘科学2005年第3期)基础上,提出了一种改进算法。详细分析了已有算法在线化简过程中对聚类的过度依赖性和线化简过程中的逻辑不一致性等两个主要不足,对特征空间中的线化简等关键步骤进行了改进。最后就改进算法的结果与原先算法的结果进行了对比分析与评价。     

线要素多尺度表达的一种新方法

本文依据多比例尺条件下矢量数据的绘制原理,提出了多尺度线化简与线选取方法。多尺度线化简算法依比例尺将空间坐标转换为像素坐标,根据像素坐标删除曲线中重合点与共线点,综合后的曲线与原始曲线在各比例尺下绘制结果相同;多尺度线选取算法利用仿射变换结果快速计算线要素之间的连通关系,然后渐进删除长度小于阈值的悬线与孤立弧段,保持了线要素的连通性。对不同类型数据的实验验证了本文算法的有效性和可行性。     

地图数据缩编更新中的道路自动选取研究

总结道路选取的研究现状,分析在道路的缩编更新过程中,道路要素选取需要考虑的要素指标。介绍一种道路选取方法,综合考虑道路的等级、长度、网眼面积、区域道路密度、是否是悬挂链等几何、语义和拓扑信息,模拟人类在缩编更新时的思维过程,实现道路的自动选取,并进行试验,验证方法的有效性。     

地表下沉系数选取的LWPSO-BP方法研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,本文以线性下降惯性权重粒子群优化算法(LLWPSO)为前处理器,优化BP网络的权值和阈值,利用实测资料数据,建立LWPSO-BP的地表下沉系数预计模型,并同普通BP模型预计结果对比结果表明:LWPSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地...     

多面函数参数自适应选取方法在GPS高程拟合中的应用

提出一种综合的多面函数参数自适应选取方法。该方法利用核函数阶数和平滑因子存在最优值以及核函数结点分布应符合高程异常变化趋势的特点,综合利用正交化算法选取核函数结点以及二维粒子群算法确定最佳阶数和平滑因子,实现多面函数参数的完全自适应选取。将该方法应用于地形起伏差异不同的2个测区,结果表明,相比传统经验性方法和部分参数自适应方法,该方法用于GPS高程拟合的精度和可靠性更高。     

基于位置融合的WiFi室内定位新策略

基于接收信号强度（RSS）的WiFi室内定位技术由于其成本低、易部署的特点成为近年来的一个研究热点。基于RSS的WiFi室内定位由于受到室内环境复杂、动态变化性强的特性,位置估计精度和可靠度较低,因此本文提出了一种新的位置融合定位策略进一步改善基于RSS的WiFi室内定位的精度。新的位置估计策略融合三种AP选取策略的位置估计结果,试验结果表明,新提出的位置融合定位策略能够提高位置估计的精度,同时保证定位结果的可靠性,其整体定位性能更优。      

WiFi指纹定位的一种新组合算法

探讨AP选取策略和贝叶斯位置估计算法对基于RSS的WiFi室内定位技术位置估计精度的影响。国内外学者分别对AP选取算法和贝叶斯位置估计算法进行了大量的研究。为了进一步深入研究不同算法的优劣性,利用组合优化的思想对不同算法进行组合,通过找出最优算法组合从而提升WiFi室内定位系统的性能。基于互信息最小化的AP选取策略和考虑AP相关性的贝叶斯位置估计算法,提出一种新的WiFi指纹定位组合算法。实验分析表明:新算法具有良好的实用性和定位性能。     

基于蚁群算法的道路选取模型研究

在制图综合中,道路选取是非常重要的内容之一,研究道路选取的智能化方法是非常必要的。文中在研究道路语义、几何特征、拓扑关系和结构特征的基础上,充分考虑居民点对道路选取过程的影响,建立道路选取的蚁群算法模型。通过实验证明该模型算法的可行性和有效性。     

大洋沉积物稀土元素地球化学研究中样品的选取和前期处理

稀土元素地球化学可以广泛地应用于大洋沉积物的研究中,根据研究目标,选择不同的沉积组分进行分析。全岩样品可以应用于不同类型沉积物间的比较和分类,生物组分如磷质骨屑、有孔虫和钙质超微化石应用于研究古海水的演化特征,而粘土级组分则是研究大洋粘土来源的最佳样品,在研究火山活动历史时,应选择沸石粘土作为样品。上述这些样品多是采用适当的步骤从全岩中分离而出。     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。