空間目標(biāo)的形狀化簡(jiǎn)是地圖綜合領(lǐng)域的一項(xiàng)重要研究課題,涉及空間認(rèn)知、空間相似性度量等地理信息科學(xué)的核心問題。作為地圖中廣泛存在的地理要素——建筑物,對(duì)其進(jìn)行形狀化簡(jiǎn)一直是大比例尺地圖綜合的重要環(huán)節(jié)。形狀化簡(jiǎn)主要有兩個(gè)連續(xù)的步驟:描述和化簡(jiǎn)。其中,建筑物的幾何形狀復(fù)雜多變且難以描述,不同的描述方法又對(duì)應(yīng)不同的化簡(jiǎn)策略,因此,建筑物的形狀化簡(jiǎn)也是較為困難的環(huán)節(jié)。傳統(tǒng)方法在度量建筑物要素的幾何形狀時(shí),采用若干形狀描述子分別度量形狀的某一特征,或構(gòu)建某種嚴(yán)格的數(shù)學(xué)函數(shù)和統(tǒng)計(jì)方法來逼近形狀輪廓,這些方法未能很好地考慮人類在空間認(rèn)知過程中的視覺因素,且這些視覺因素的識(shí)別方法需要人工進(jìn)行設(shè)定和干預(yù)。另外,針對(duì)這些傳統(tǒng)的形狀描述方法,其化簡(jiǎn)策略同樣未考慮視覺因素,具有一定的局限性。鑒于此,本文基于機(jī)器學(xué)習(xí)的相關(guān)算法,構(gòu)建一種能夠識(shí)別建筑物形狀中視覺因素的幾何描述模型,同時(shí)提出對(duì)應(yīng)于這種模型的形狀化簡(jiǎn)方法。論文取得的研究成果及創(chuàng)新點(diǎn)包括以下3個(gè)方面:（1）基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像特征自學(xué)習(xí)特性,結(jié)合自動(dòng)編碼機(jī)的非監(jiān)督學(xué)習(xí)能力,構(gòu)建基于機(jī)器自監(jiān)督學(xué)習(xí)的建筑物幾何形狀描述模型。其基本思路是,在自動(dòng)編碼機(jī)的結(jié)... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文的技術(shù)路線

即不存在從下 級(jí)向上 級(jí)的傳遞，這個(gè)架構(gòu)可用 個(gè)前向無環(huán)路圖表示（圖2.1），結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)；反饋網(wǎng)絡(luò)是指神經(jīng)元之間有反饋機(jī)制，即存在從下 級(jí)神經(jīng)元向上 級(jí)神經(jīng)元反向傳遞信息的情況，同樣可用 個(gè)無向圖表示（圖 2.2），這種神經(jīng)網(wǎng)絡(luò)與聯(lián)想記憶能力有密切的關(guān)系，對(duì)于長(zhǎng)時(shí)間序列數(shù)據(jù)的模擬和識(shí)別特別有效，主要有 Hopfield 網(wǎng)絡(luò)、玻爾茲曼機(jī)、LSTM（Long short-term memory）和 RNN（Recurrent neural networks）等。圖 2.1 無反饋神經(jīng)網(wǎng)絡(luò) 圖 2.2 有反饋神經(jīng)網(wǎng)絡(luò)Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神經(jīng)網(wǎng)絡(luò)模擬的是動(dòng)物腦系統(tǒng)，使得計(jì)算機(jī)能夠像人腦 樣進(jìn)行識(shí)別信息和學(xué)習(xí)知識(shí)。神經(jīng)網(wǎng)絡(luò)模型由大量的神經(jīng)元緊密連接在 起，形成多層神經(jīng)元網(wǎng)絡(luò)，并通過對(duì)輸入和輸出進(jìn)行差異計(jì)算從而調(diào)整整個(gè)網(wǎng)絡(luò)的權(quán)值，達(dá)到學(xué)習(xí)的目的。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方式主要有兩種：監(jiān)督學(xué)習(xí)（Supervised Learning）和非監(jiān)督學(xué)習(xí)（Un-supervised Learning）。前者的輸入和輸出為兩個(gè)獨(dú)立的數(shù)據(jù)集，關(guān)注的是數(shù)據(jù)的分類；后者的輸入和輸出為同 數(shù)據(jù)集，關(guān)注的是訓(xùn)練集本身。本文以監(jiān)督學(xué)習(xí)方式為例，說明神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成和工作原理。（1）神經(jīng)元假設(shè)我們有訓(xùn)練樣本集( ( ) -( ))

圖 2.1 無反饋神經(jīng)網(wǎng)絡(luò) 圖 2.2 有反饋神經(jīng)網(wǎng)絡(luò)Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神經(jīng)網(wǎng)絡(luò)模擬的是動(dòng)物腦系統(tǒng)，使得計(jì)算機(jī)能夠像人腦 樣進(jìn)行識(shí)息和學(xué)習(xí)知識(shí)。神經(jīng)網(wǎng)絡(luò)模型由大量的神經(jīng)元緊密連接在 起，形成多層神經(jīng)元

【參考文獻(xiàn)】：
期刊論文
[1]論ICT時(shí)代的地圖學(xué)復(fù)興[J]. 郭仁忠,應(yīng)申.  測(cè)繪學(xué)報(bào). 2017(10)
[2]地圖制圖綜合回顧與前望[J]. 武芳,鞏現(xiàn)勇,杜佳威.  測(cè)繪學(xué)報(bào). 2017(10)
[3]深度學(xué)習(xí)相關(guān)研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[4]自媒體時(shí)代的地圖:微地圖[J]. 閆浩文,張黎明,杜萍,劉濤,王中輝,楊維芳.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2016(05)
[5]一種基于形狀特征的地理實(shí)體相似性查詢方法[J]. 夏宇,朱欣焰.  地理與地理信息科學(xué). 2015(01)
[6]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[7]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[8]基于鏈碼和快速傅里葉變換的輪廓描繪方法[J]. 牛慶肖,張樺,徐光平,薛彥兵.  光電子.激光. 2011(12)
[9]基于絕對(duì)值差的歸一化波形匹配混合算法[J]. 葉海民,戎蒙恬,鄧曉東,劉濤.  信息技術(shù). 2011(08)
[10]基于模板匹配的人體日常行為識(shí)別[J]. 趙海勇,劉志鏡,張浩.  湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(02)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的地圖建筑物要素智能綜合研究[D]. 程博艷.電子科技大學(xué) 2014
[2]面向模型檢索的矩特征方法研究[D]. 馬自萍.西北大學(xué) 2013
[3]形狀識(shí)別在地圖綜合中的應(yīng)用研究[D]. 劉鵬程.武漢大學(xué) 2009

碩士論文
[1]基于支持向量機(jī)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的算法及應(yīng)用研究[D]. 雷劍.江西理工大學(xué) 2009
[2]居民地自動(dòng)綜合的智能方法研究[D]. 王輝連.中國(guó)人民解放軍信息工程大學(xué) 2005



本文編號(hào)：2960116