基于案例学习的道路网智能选取方法研究

发布时间：2019-09-29 12:51

【摘要】：制图综合受人类复杂思维的影响，存在大量不确定性，采用传统数学模型来解决制图综合问题遇到了越来越大的挑战。制图综合必须要智能化，这是制图学者的普遍共识。当前已有的综合方法因缺乏自主学习和推理等能力，还不能称之为真正意义上的“智能”。智能的基础是知识，智能的核心是推理机制。在智能化制图综合中，只注重制图综合知识而忽视推理机制研究，是造成当前自动综合智能化水平低下的重要原因。因此，攻克制图综合推理机制这一瓶颈，是提高制图综合智能化水平的关键。论文以道路网选取为研究对象，引入机器学习中基于案例推理研究成果，探索采用更接近人类学习和认知习惯的方法作为解决智能化综合的途径，提出了基于案例学习的道路网智能选取方法，并着重对推理机制这一核心问题进行了研究。该方法将制图专家对道路网选取结果作为案例，计算机通过学习和推理，自动从案例中获取知识（规则或者案例模型）并用于解决相同或相似道路网选取任务。该方法拥有高效推理机制，具备识别现有知识、获取新知识、不断改善性能和自我完善能力，为自动制图综合智能化发展找到了一条可行途径，也为自动制图综合或其它相关智能化研究提供理论与技术借鉴。论文重点对道路网案例描述、案例和案例库设计与管理、类比学习推理机制、归纳学习推理机制、案例库噪声控制等关键问题进行了研究，主要研究内容包括： 1.设计与构建了道路网案例模型。针对当前道路网信息表达不能为制图综合提供足够信息支撑问题，在认真分析道路网选取制约因素的基础上，提出了新的道路网信息描述模型。以此为基础，研究了道路网选取案例描述与表达结构。从制图综合角度提出了道路网选取案例库设计与管理原则。为基于案例学习的道路网智能选取研究奠定了基础。 2.提出了基于案例类比学习的道路网智能选取方法。详细设计了选取流程框架，并就类比推理机制这一关键问题进行了较为深入研究。结合道路网自身特征和道路网选取的基本原则，提出了道路网选取案例库简化和案例泛化的基本原理和方法，从专家案例库中自动生成具备概括能力的案例模型，用于解决相同或相似道路网选取任务。 3.提出了基于案例归纳学习的道路网智能选取方法。通过对归纳推理机制展开研究，采用决策树构建算法，，从案例库中自主归纳、推理形成案例规则，从而将制图专家难以形式化表达的“隐形经验”规则化，进而实现计算机自动从专家案例库中获取专家经验并解决相同或相似道路网选取任务。 4.研究了预降噪和后降噪相结合的案例库噪声降低策略。针对案例库中错误案例对推理结果产生的消极影响，首先以制图综合知识为监控，对案例进行初步过滤，剔除违背制图综合基本常识的错误案例；然后对剩余案例库中的案例进行对比和统计分析，对小概率案例和异常案例予以剔除，从而到达提高案例库案例质量和改善计算机学习效果的目的。
【图文】：

组织结构图,组织结构图,论文,道路网

图 1.2 技术路线流程图究道路网综合编绘规则及现有道路网选取方法，结合道路信于属性扩展的道路网信息表达成果，建立适合机器学习的道符机器学习规律和道路网选取规律的案例存储结构。智能领域泛化学习、决策树学习算法重新设计，建立适合本统进行验证。结构的研究内容和目标，本文主要探讨了道路网案例以及案例库了道路网选取案例类比和归纳推理机制问题，建立了行之有题进行了研究，提出了相应的噪声数据降低策略，最后开发织结构如图 1.3：

流程图,机器学习,专家知识,流程

图 2.3 基于机器学习的制图专家知识获取流程年，钱海忠首次将基于案例推理模型（CBR Case Based Reasoning）与自动合，并结合BDI模型，提出了制图综合链新理论和新技术[5]。制图综合链（SE库的机制，把每个成功的制图综合链作为一个CASE对待，建立了制图指导解决综合问题。并且，该制图综合CASE库将随着系统不断运行而得到CASE库进行进一步学习、挖掘以获取知识和规则，还没有深入研究。数据准备综合前数据几何质量评估系统初始化综合前设置与调整制图综合数据检查CASE存储结束1.缺省设置运行2.修改算法参数3.调整算法4.调整综合算子满意不满意
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：P283

【参考文献】