基于支持向量机的线化简方法.docx资源-CSDN文库

版权申诉

144 浏览量 2022-11-30 09:29:24 上传评论收藏 172KB DOCX 举报

资源推荐

资源详情

资源评论

线要素是地图上存在最多、最基本的地图要素，它对地图表达的详细程度影响很大，

因此线化简是地图自动综合的重要研究内容，受到学者们的极大关注

[1]

。线化简实际上就

是通过分析线划的几何特征，选取特征点，删除非特征点，从而裁弯取直，概括线划的碎

部并揭露其整体特点

[2]

。近年来，随着对线要素综合问题认知的不断深入，将弯曲作为曲

线的基本结构单元，被认为更符合制图综合的一般规律。同样，若以弯曲作为化简单元，

线化简也是选取特征弯曲、删除非特征弯曲的过程。

目前，已有不少学者对线要素化简进行了大量研究，研发了许多模型和算法。按智能

化程度大致可以划分成两类：（1）基于普通算法的线化简方法，其中，以节点为化简单

元的有 DP（Doug‐ las-Peucker）算法

[3]

、Li-Openshaw 算法

[4]

、弧比弦法

[5]

、垂比弦法

[6]

及它们的改进算法

[7-10]

等。以弯曲为化简单元的，如张青年等

[11]

提出的基于复合弯曲分析的

曲线概括方法，钱海忠等

[12]

提出的采用斜拉式弯曲划分的曲线化简方法，黄博华等

[13]

提出

的保持曲线弯曲特征的线要素化简算法，钱海忠等

[14]

提出的基于三元弯曲组的化简方法

等。以上研究成果有力提升了线要素化简的能力；同时，以上大多数算法的化简效果还依

赖于算法参数和阈值的确定，难以做到对化简力度的自动控制。（2）智能化线化简方

法，如遗传算法

[15]

、SOM（self-organizing maps）

[16]

等智能算法。这些线化简方法有力地

推动了线化简智能化的进程，但也缺乏自适应学习的能力，其自动化、知识化和智能化程

度尚需加强。进一步分析发现，各种化简算法大多是依据节点或弯曲的单个或少量的特征

指标的组合进行取舍判断。然而，在实际的制图综合环境中，制图专家所要考虑的影响因

素并不是单一的，且多指标间存在模糊的关系，难以用单一的数学模型或算法进行描述。

这些模糊关系隐藏在制图专家已有的化简成果中，若将某一制图综合环境下的制图专家的

化简结果作为案例，通过训练机器学习模型，即可得到适用于同一制图综合环境且与制图

专家思维相近的综合决策模型。

针对以上不足，本文将线要素的化简视为线要素化简单元的取舍二分类问题，从案例

学习的角度出发，利用支持向量机（support vector ma‐ chine，SVM）的机器学习方法

对已有化简成果进行学习训练得到 SVM 分类器，再利用训练得到的 SVM 分类器对线要素

中的特征化简单元进行选取，对非特征化简单元进行删除，从而实现不同制图环境下线要

素的自适应化简。

1. SVM 的原理及应用策略

1.1 SVM 的原理

SVM 是具有很多优秀性能的机器学习方法，其主要思想是：给定训练样本，建立一

个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。如果样本是线性不可

分的，SVM 则使用所谓的核技巧，通过非线性映射将样本映射到高维特征空间中，从而有

效地进行非线性分类。SVM 的原理如图 1 所示。

剩余16页未读，继续阅读

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3663
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip