典型地理要素的智能化制圖綜合方法

目錄序前言第1章　引言　11.1　制圖綜合概述　11.1.1　制圖綜合概念　11.1.2　制圖綜合算子　21.1.3　制圖綜合對象　41.2　智能化制圖綜合概述　51.2.1　智能化制圖綜合概念　51.2.2　智能化制圖綜合背景　61.2.3　智能化制圖綜合意義　71.3　智能化制圖綜合發(fā)展　81.3.1　研究進展　81.3.2　存在問題　121.3.3　未來方向　13參考文獻　14第2章　制圖綜合模型與制圖綜合知識　172.1　制圖綜合模型　172.1.1　道路網(wǎng)骨架層次模型　172.1.2　道路彎曲化簡模型　212.1.3　居民地重要性影響因子模型　262.2　制圖綜合知識　312.2.1　制圖綜合知識的概念與形式化　312.2.2　基于案例的制圖綜合知識獲取　382.2.3　基于案例學(xué)習(xí)的制圖綜合　45參考文獻　47第3章　道路自動化綜合　503.1　基于道路網(wǎng)層次骨架控制的道路選取方法　503.1.1　道路層次骨架提取　503.1.2　各層次Stroke重要性評價和選取流程　543.1.3　基于層次骨架的道路選取流程及對比　583.1.4　實驗與分析　603.1.5　小結(jié)　603.2　基于三元彎曲組劃分的道路形態(tài)化簡方法　613.2.1　道路化簡前的預(yù)處理　623.2.2　道路彎曲識別　633.2.3　三元彎曲組構(gòu)建和化簡　663.2.4　基于三元彎曲組的循環(huán)化簡策略　693.2.5　小結(jié)　723.3　基于彎曲的道路化簡沖突避免方法　733.3.1　道路化簡導(dǎo)致空間沖突的原因與類型分析　733.3.2　基于彎曲的道路化簡沖突判別方法　753.3.3　避免產(chǎn)生化簡沖突的解決方法　773.3.4　小結(jié)　79參考文獻　81第4章　道路智能化綜合　824.1　基于案例類比推理的道路網(wǎng)智能選取方法　824.1.1　CBR模型　824.1.2　基于案例類比推理的道路網(wǎng)智能選取原理　834.1.3　案例庫簡化和案例泛化　844.1.4　基于案例類比推理的道路網(wǎng)智能選取流程　874.1.5　實驗驗證及結(jié)果分析　894.1.6　小結(jié)　954.2　基于案例歸納推理的道路網(wǎng)智能選取方法　954.2.1　基于案例歸納推理的道路網(wǎng)智能選取原理　954.2.2　歸納學(xué)習(xí)機制研究　964.2.3　歸納推理結(jié)果　1044.2.4　基于案例歸納推理的道路網(wǎng)智能選取流程　1074.2.5　實驗驗證及結(jié)果分析　1084.2.6　小結(jié)　1134.3　基于卷積神經(jīng)網(wǎng)絡(luò)的立交橋識別方法　1144.3.1　理論依據(jù)　1144.3.2　基于視覺型案例的柵矢結(jié)合立交橋識別策略　1154.3.3　立交橋初步定位以及案例獲取　1184.3.4　采用AlexNet模型對立交橋樣本進行分類模型訓(xùn)練　1224.3.5　實驗與分析　1254.3.6　小結(jié)　1294.4　線要素（道路）化簡算法及參數(shù)自動設(shè)置的案例類比推理方法　1294.4.1　理論依據(jù)　1294.4.2　案例推理的化簡算法及參數(shù)自動設(shè)置原理　1304.4.3　面向案例類比推理的化簡效果評估　1334.4.4　基于案例類比推理的算法及參數(shù)迭代尋優(yōu)　1354.4.5　實驗與分析　1384.4.6　小結(jié)　141參考文獻　141第5章　居民地自動化綜合　1435.1　采用主成分分析法的面狀居民地自動選取方法　1435.1.1　采用主成分分析法的居民地重要性評價原理　1435.1.2　主成分分析法的原理與步驟　1445.1.3　采用主成分分析法的居民地自動選取流程　1465.1.4　實驗驗證與分析　1495.1.5　小結(jié)　1525.2　基于層次分析法的面狀居民地自動選取方法　1525.2.1　采用層次分析法的居民地重要性評價原理　1525.2.2　層次分析法的原理與步驟　1535.2.3　基于層次分析法的居民地自動選取流程　1555.2.4　實驗驗證與分析　1575.2.5　小結(jié)　1625.3　顧及分布特征的面狀居民地自動選取方法　1625.3.1　基于約束Delaunay三角網(wǎng)的居民地分布特征提取　1625.3.2　顧及居民地分布特征的選取流程　1655.3.3　實驗與分析　1685.3.4　小結(jié)　170參考文獻　171第6章　居民地智能化綜合　1726.1　基于決策樹算法的面狀居民地智能選取方法　1726.1.1　理論依據(jù)　1726.1.2　居民地要素屬性參量設(shè)計與初步分析　1736.1.3　基于決策樹的居民地綜合規(guī)則生成　1766.1.4　實驗與分析　1806.1.5　小結(jié)　1826.2　基于KNN算法的面狀居民地智能選取方法　1826.2.1　KNN算法基本思想及優(yōu)勢分析　1836.2.2　基于KNN算法的居民地案例的設(shè)計與構(gòu)建　1846.2.3　基于KNN算法的居民地案例匹配機制設(shè)計　1876.2.4　實驗與分析　1896.2.5　小結(jié)　1946.3　顧及多特征的點群居民地SOM聚類選取算法　1946.3.1　點群居民地分類　1956.3.2　外部輪廓居民地選取方法　1956.3.3　內(nèi)部普通居民地選取方法　1966.3.4　實驗與分析　1996.3.5　小結(jié)　2056.4　顧及道路網(wǎng)約束的點群居民地SOM聚類選取算法　2056.4.1　道路在居民地選取中的約束作用　2056.4.2　顧及道路網(wǎng)約束的SOM聚類　2076.4.3　實驗與分析　2096.4.4　小結(jié)　220參考文獻　220第7章　河系智能化綜合　2227.1　基于樸素貝葉斯的樹狀河系分級方法　2227.1.1　基于樸素貝葉斯的樹狀河系分級方法原理　2227.1.2　主支流案例的設(shè)計和獲取　2247.1.3　主支流NBC分類模型的訓(xùn)練和測試　2277.1.4　實驗與分析　2287.1.5　小結(jié)　2317.2　規(guī)則約束下樸素貝葉斯輔助決策的樹狀河系選取方法　2327.2.1　規(guī)則約束下樸素貝葉斯輔助決策的樹狀河系選取方法原理　2327.2.2　河流選取案例的設(shè)計與獲取　2347.2.3　河流選取NBC分類模型的訓(xùn)練與測試　2367.2.4　實驗與分析　2377.2.5　小結(jié)　2407.3　基于支持向量機的河流化簡方法　2407.3.1　基于支持向量機的線化簡方法原理　2407.3.2　化簡案例的設(shè)計及獲取　2427.3.3　SVM分類模型的訓(xùn)練　2467.3.4　實驗與分析　2477.3.5　小結(jié)　250參考文獻　251第8章　基于CGC的制圖綜合知識服務(wù)架構(gòu)及系統(tǒng)實現(xiàn)　2538.1　基于CGC的制圖綜合知識模型　2538.1.1　基于CGC的知識模型組成　2538.1.2　三種案例及其衍生知識特點　2548.2　CGC的獲取及存儲　2558.2.1　案例來源　2558.2.2　存儲格式　2578.3　CGC知識庫組織管理和使用　2578.3.1　案例預(yù)處理　2588.3.2　案例庫元數(shù)據(jù)和索引　2598.3.3　案例知識轉(zhuǎn)化　2608.3.4　知識庫更新與共享　2618.4　CGC知識管理服務(wù)系統(tǒng)設(shè)計　2628.5　基于CGC的自動制圖綜合系統(tǒng)　2648.5.1　實驗系統(tǒng)概述　2648.5.2　系統(tǒng)核心功能實現(xiàn)　2678.6　小結(jié)　275參考文獻　276