排序方式： 共有6条查询结果，搜索用时 31 毫秒
1
1.
由于缺乏对凸部与建筑主体之间的层次关系描述,单个建筑物化简大多采用整体直角化方式进行,缺乏渐进式表达方法,难以实现对建筑物的多尺度、多层次逐步化简控制。针对该问题,提出了一种用于建筑物多层次表达的多层次骨架线构建方法。该方法首先通过构建Delaunay三角网提取建筑物内骨架线段,然后根据骨架线所关联的三角形面积识别得到主骨架线和次级骨架线之间的层级关系;最后对骨架线进行拉直处理。实验表明,该方法能够有效提取建筑物的多层次骨架线,较好地兼顾了建筑物的整体走向与局部形态特征,可为面状建筑物多尺度化简与表达提供支撑。 相似文献
2.
立交桥识别的CNN卷积神经网络法 总被引：2，自引：2，他引：0
OSM数据中立交桥结构的识别和分类,能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征,无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前算法抗差性上存在的不足,提出了一种新的基于卷积神经网络的立交桥识别方法。该方法将矢量数据与栅格图像相结合,利用神经网络学习区分立交桥类型的高层次模糊性特征,从而对OSM中的复杂立交桥结构进行分类。试验表明,该方法有较强的抗干扰性,在复杂的立交桥形态分类中取得了良好的效果,并随着案例库的扩充和神经网络模型的优化存在进一步提升的空间。 相似文献
3.
当前湖泊选取方法多采用整体选取的形式，且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程，提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊，然后通过缓冲区选取"孤立"湖泊，接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域，对不同区域按开方根规律确定选取数量指标并采用不同选取策略，其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取，直至达到选取数量指标。实验对比表明，该方法在综合考虑重要性的前提下，有效地保持了选取前后湖泊群的形态结构和密度对比。 相似文献
4.
基于案例推理的居民地自动选取方法研究中,居民地属性权重的赋值对推理结果的影响显著。为使案例推理中居民地属性权重分配更合理,引入迭代注水原理对居民地属性进行赋权值和约简。首先,对专家交互操作的面状居民地案例进行信息挖掘;然后采用注水原理对居民地属性权重优化分配,结合递归特征消除法对属性迭代计算;最后采用十折交叉验证法,训练出适应居民地案例推理的最佳赋有权重的属性子集。通过与专家打分法、主成分分析法、权重平均分配法、传统注水原理法4种属性约简方法作对比实验,结果表明本文方法能对居民地属性进行有效简约,并提高基于案例推理的居民地选取模型的正确率。 相似文献
5.
河流分级是树状水系综合的关键。现有方法大多根据河段的局部几何特征进行主支流识别，较少顾及河流和河系的整体结构特征，且使用多指标综合评价判别时对权重的设定缺乏科学的方法，对综合知识利用较少，应用的灵活性有待提高。对此，本文从案例学习的角度出发，针对河段主支流关系识别，提出一种基于朴素贝叶斯的树状河系自动分级方法。首先，从已有成果数据中提取出主支流分类的案例，利用朴素贝叶斯机器学习方法进行训练得到主支流分类模型；对于待分类树状河系，使用分类模型，从河口出发自下游向上游依次计算各上游河段分类为主流的概率，以概率最大的上游河段作为主流河段，将各主流河段依次连接得到主流河流；主流河流以外的支流部分，重复以上步骤进行层次结构化实现河系分级。试验证明，本文方法能很好地模仿专家意图，对树状河系的主支流进行很好地识别分类，并构建合理的层次结构，分级效果良好。 相似文献
6.
针对当前中小比例尺地图中居民地选取面临的专家制图经验难以形式化表达的问题,提出一种基于案例推理的居民地选取方法。首先,把制图专家对居民地交互选取结果作为案例对象,挖掘居民地案例的属性特征指标,对属性赋值和归一化处理;然后,采用逐步消元法对居民地最佳属性组合进行选择,并构建源案例库;最后,采用案例推理方法,结合KNN算法,训练案例库确定KNN算法的最佳K值,将新案例与源案例库检索匹配,得出最佳决策结果,进而指导待决策居民地的自动选取。经试验验证,该方法能够较好地还原专家的选取意向,具有较好的抗噪声能力,在面状居民地自动选取中取得了较好的效果。 相似文献
1