基于RBF神经网络的建筑物沉降预测

采用RBF神经网络的建模方法对建筑物的沉降进行了预测,并利用桂林市某在建农贸市场附近建筑物上的一个监测点连续3个多月的监测数据进行计算分析。实践表明,该模型预测精度相对较高,有很好的实际应用价值。     

BP神经网络在GPS高程拟合中的应用探讨

神经网络算法一直是国内外研究的热点问题,BP神经网络算法具有更小的模型误差,因此,被广泛应用于GPS高程拟合。本文通过对同一区域GPS高程拟合的应用探究,运用迭代运算对比BP神经网络算法与多项式拟合数据,从而证明BP神经网络在一定条件下具有更高的精度,更加突出了BP神经网络算法的实用性。     

利用单相机和神经网络估计的室内定位导航

由于三维场景与二维图像之间存在着非线性和高度复杂的关系,使用相机对用户的位置进行估计需要建立复杂的数学模型。针对该问题,本文提出了使用神经网络估计的单相机进行室内定位的方法。室内定位系统的主要优点是LED能够使用可见光通信发送其位置信息。首先,该方法充分利用LED光线的投影不变性,借助图像传感器通信（ISC）完成虚拟直线的构建;然后,运用神经网络估计从该虚拟直线中提取出相机的方向信息;最后,使用一个简单数学方程估计用户位置。仿真试验考虑了4种情形,结果表明,本文提出的方法性能优于同类方法,对于一个房间内的大部分地方,定位误差在35 mm以内。     

基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

基于自适应Kalman滤波的BP神经网络及其在高程拟合中的应用

针对传统BP神经网络容易发散、泛化能力差等问题，采用自适应Kalman滤波方法训练神经网络的连接权。与Kalman滤波训练连接权和传统的BP算法相比，该方法提高了BP神经网络计算精度，增强了泛化能力。实测数据的计算结果证明了该方法的可行性与有效性。     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

基于模糊神经网络的模糊空间对象生成方法研究

随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。     

北京交通变迁：与公交车一起驶过的日子

变迁,是北京交通永恒的主题。 百年来,近现代交通事业从无到有,交通形式从单一到多元; 道路布局从方正的棋盘状结构发展为棋盘式与环形、放射式相结合的路网;交通工具完成了轿子、马车、骡车——自行车、人力车——有轨电车——公共汽车——无轨电车——地铁——私家车这一进化过程……     

结合SOM神经网络和混合像元分解的高光谱影像分类方法研究

本文对SOM神经网络算法进行改进,在标类的过程中采用3个策略加以控制,对初始产生的自组织映射图进行调整。通过改进,那些映射到可靠神经元的像素得到了很好的分类,而那些映射到不可靠神经元的像素都被作为不可分像元而提取出来。继而,从混合像元分解的角度来对这些不可分像元进行处理,按类型分解的思想确定混合像元的类别,实现对不可分像元的分类。将SOM神经网络和混合像元分解相结合的分类方法应用于高光谱图像的分类中,通过实验表明了该方法能较好地改善分类效果,提高分类精度。