基于机器学习的建筑物形状化简模型
发布时间：2021-01-06 06:45
空间目标的形状化简是地图综合领域的一项重要研究课题,涉及空间认知、空间相似性度量等地理信息科学的核心问题。作为地图中广泛存在的地理要素——建筑物,对其进行形状化简一直是大比例尺地图综合的重要环节。形状化简主要有两个连续的步骤:描述和化简。其中,建筑物的几何形状复杂多变且难以描述,不同的描述方法又对应不同的化简策略,因此,建筑物的形状化简也是较为困难的环节。传统方法在度量建筑物要素的几何形状时,采用若干形状描述子分别度量形状的某一特征,或构建某种严格的数学函数和统计方法来逼近形状轮廓,这些方法未能很好地考虑人类在空间认知过程中的视觉因素,且这些视觉因素的识别方法需要人工进行设定和干预。另外,针对这些传统的形状描述方法,其化简策略同样未考虑视觉因素,具有一定的局限性。鉴于此,本文基于机器学习的相关算法,构建一种能够识别建筑物形状中视觉因素的几何描述模型,同时提出对应于这种模型的形状化简方法。论文取得的研究成果及创新点包括以下3个方面:（1）基于深度卷积神经网络的图像特征自学习特性,结合自动编码机的非监督学习能力,构建基于机器自监督学习的建筑物几何形状描述模型。其基本思路是,在自动编码机的结...
【文章来源】：兰州交通大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
本文的技术路线
即不存在从下 级向上 级的传递，这个架构可用 个前向无环路图表示（图2.1），结构简单，易于实现；反馈网络是指神经元之间有反馈机制，即存在从下 级神经元向上 级神经元反向传递信息的情况，同样可用 个无向图表示（图 2.2），这种神经网络与联想记忆能力有密切的关系，对于长时间序列数据的模拟和识别特别有效，主要有 Hopfield 网络、玻尔兹曼机、LSTM（Long short-term memory）和 RNN（Recurrent neural networks）等。图 2.1 无反馈神经网络 图 2.2 有反馈神经网络Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神经网络模拟的是动物脑系统，使得计算机能够像人脑 样进行识别信息和学习知识。神经网络模型由大量的神经元紧密连接在 起，形成多层神经元网络，并通过对输入和输出进行差异计算从而调整整个网络的权值，达到学习的目的。神经网络模型训练方式主要有两种：监督学习（Supervised Learning）和非监督学习（Un-supervised Learning）。前者的输入和输出为两个独立的数据集，关注的是数据的分类；后者的输入和输出为同 数据集，关注的是训练集本身。本文以监督学习方式为例，说明神经网络的基本构成和工作原理。（1）神经元假设我们有训练样本集( ( ) -( ))
图 2.1 无反馈神经网络 图 2.2 有反馈神经网络Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神经网络模拟的是动物脑系统，使得计算机能够像人脑 样进行识息和学习知识。神经网络模型由大量的神经元紧密连接在 起，形成多层神经元
【参考文献】：
期刊论文
[1]论ICT时代的地图学复兴[J]. 郭仁忠,应申. 测绘学报. 2017(10)
[2]地图制图综合回顾与前望[J]. 武芳,巩现勇,杜佳威. 测绘学报. 2017(10)
[3]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[4]自媒体时代的地图:微地图[J]. 闫浩文,张黎明,杜萍,刘涛,王中辉,杨维芳. 测绘科学技术学报. 2016(05)
[5]一种基于形状特征的地理实体相似性查询方法[J]. 夏宇,朱欣焰. 地理与地理信息科学. 2015(01)
[6]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]基于链码和快速傅里叶变换的轮廓描绘方法[J]. 牛庆肖,张桦,徐光平,薛彦兵. 光电子.激光. 2011(12)
[9]基于绝对值差的归一化波形匹配混合算法[J]. 叶海民,戎蒙恬,邓晓东,刘涛. 信息技术. 2011(08)
[10]基于模板匹配的人体日常行为识别[J]. 赵海勇,刘志镜,张浩. 湖南大学学报(自然科学版). 2011(02)
博士论文
[1]基于神经网络的地图建筑物要素智能综合研究[D]. 程博艳.电子科技大学 2014
[2]面向模型检索的矩特征方法研究[D]. 马自萍.西北大学 2013
[3]形状识别在地图综合中的应用研究[D]. 刘鹏程.武汉大学 2009
硕士论文
[1]基于支持向量机优化RBF神经网络的算法及应用研究[D]. 雷剑.江西理工大学 2009
[2]居民地自动综合的智能方法研究[D]. 王辉连.中国人民解放军信息工程大学 2005
本文编号：2960116
【文章来源】：兰州交通大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
本文的技术路线
即不存在从下 级向上 级的传递，这个架构可用 个前向无环路图表示（图2.1），结构简单，易于实现；反馈网络是指神经元之间有反馈机制，即存在从下 级神经元向上 级神经元反向传递信息的情况，同样可用 个无向图表示（图 2.2），这种神经网络与联想记忆能力有密切的关系，对于长时间序列数据的模拟和识别特别有效，主要有 Hopfield 网络、玻尔兹曼机、LSTM（Long short-term memory）和 RNN（Recurrent neural networks）等。图 2.1 无反馈神经网络 图 2.2 有反馈神经网络Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神经网络模拟的是动物脑系统，使得计算机能够像人脑 样进行识别信息和学习知识。神经网络模型由大量的神经元紧密连接在 起，形成多层神经元网络，并通过对输入和输出进行差异计算从而调整整个网络的权值，达到学习的目的。神经网络模型训练方式主要有两种：监督学习（Supervised Learning）和非监督学习（Un-supervised Learning）。前者的输入和输出为两个独立的数据集，关注的是数据的分类；后者的输入和输出为同 数据集，关注的是训练集本身。本文以监督学习方式为例，说明神经网络的基本构成和工作原理。（1）神经元假设我们有训练样本集( ( ) -( ))
图 2.1 无反馈神经网络 图 2.2 有反馈神经网络Fig. 2.1 None-feedback neural networks Fig 2.2 Feedback neural networks如上文所述，神经网络模拟的是动物脑系统，使得计算机能够像人脑 样进行识息和学习知识。神经网络模型由大量的神经元紧密连接在 起，形成多层神经元
【参考文献】：
期刊论文
[1]论ICT时代的地图学复兴[J]. 郭仁忠,应申. 测绘学报. 2017(10)
[2]地图制图综合回顾与前望[J]. 武芳,巩现勇,杜佳威. 测绘学报. 2017(10)
[3]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[4]自媒体时代的地图:微地图[J]. 闫浩文,张黎明,杜萍,刘涛,王中辉,杨维芳. 测绘科学技术学报. 2016(05)
[5]一种基于形状特征的地理实体相似性查询方法[J]. 夏宇,朱欣焰. 地理与地理信息科学. 2015(01)
[6]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]基于链码和快速傅里叶变换的轮廓描绘方法[J]. 牛庆肖,张桦,徐光平,薛彦兵. 光电子.激光. 2011(12)
[9]基于绝对值差的归一化波形匹配混合算法[J]. 叶海民,戎蒙恬,邓晓东,刘涛. 信息技术. 2011(08)
[10]基于模板匹配的人体日常行为识别[J]. 赵海勇,刘志镜,张浩. 湖南大学学报(自然科学版). 2011(02)
博士论文
[1]基于神经网络的地图建筑物要素智能综合研究[D]. 程博艳.电子科技大学 2014
[2]面向模型检索的矩特征方法研究[D]. 马自萍.西北大学 2013
[3]形状识别在地图综合中的应用研究[D]. 刘鹏程.武汉大学 2009
硕士论文
[1]基于支持向量机优化RBF神经网络的算法及应用研究[D]. 雷剑.江西理工大学 2009
[2]居民地自动综合的智能方法研究[D]. 王辉连.中国人民解放军信息工程大学 2005
本文编号：2960116
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/2960116.html
