没有合适的资源?快使用搜索试试~ 我知道了~
基于支持向量机的线化简方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 144 浏览量
2022-11-30
09:29:24
上传
评论
收藏 172KB DOCX 举报
温馨提示
试读
17页
基于支持向量机的线化简方法.docx
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。
图 1 SVM 原理示意图
Figure 1. Schematic Diagram of SVM
下载: 全尺寸图片 幻灯片
SVM 是目前最常用、效果最好的分类器之一,在解决小样本、非线性及高维模式识
别中具有独特优势,且具有较好的泛化推广能力,故本文采用 SVM 算法学习训练得到分
类器,以解决线节点的取舍二分类问题。
1.2 基于 SVM 的线要素案例学习化简策略
如何对制图专家知识进行有效的获取和表达,一直是制约制图综合向知识化、智能化
发展的难题
[17]
。这是因为专家知识除了有显性的制图综合规则外,还隐性地包含了制图专
家自身的制图经验,难以形式化表达。对此,引入基于案例学习的智能化制图综合方法,
其提供了一种新的研究思路,是解决该问题的有效途径
[18]
。
基于案例学习的智能化制图综合方法是指利用机器学习的原理和方法对制图专家的综
合行为(即专家综合案例)进行模拟,在此基础上实现制图综合的自动化、智能化。具体
而言,拟将专家的交互式制图综合过程案例化,或者从同一地区的系列比例尺地图中自动
获取专家综合案例,采用机器学习的方法从案例中进一步训练和学习得到分类器、神经网
络等智能模型,计算机在这些智能模型的约束和指导下执行新的地图自动综合任务。
因此,本文提出了基于 SVM 的线要素案例学习化简方法,其将线要素的化简问题转
化为线要素中化简单元的取舍分类问题,从制图专家的线化简成果中自动获取线节点和线
弯曲化简案例,采用 SVM 方法对化简案例进行学习得到 SVM 分类器,以指导新的线要素
化简。该方法具体流程如图 2 所示,步骤如下:
图 2 基于 SVM 的线化简方法流程图
Figure 2. Flowchart of Line Simplification Method Based on SVM
下载: 全尺寸图片 幻灯片
1)化简案例的定义与获取。对化简单元提取的特征描述项作为化简案例的特征空
间,把专家综合成果中对化简单元取舍的分类结果作为化简案例的标记。
2)SVM 分类器的训练。采用基于 SVM 的机器学习方法对化简案例进行训练,得到
SVM 分类器。
3)利用 SVM 分类器对新的线要素的化简单元进行取舍分类,从而实现线化简。
2. 化简案例的定义及获取
2.1 化简案例的描述
本文采用三元表示法对制图专家的化简案例进行描述,每个案例由制图综合案例对象
(O)、特征(F)以及综合标记(L)3 部分组成,其形式化表示为:
Case:⟨O,F,L⟩Case:⟨O,F,L⟩
其中,案例对象(O)是指具体的化简单元对象,采用 Feature_ID 的形式化表示方
式,Feature 表示化简单元对象的类型,ID 表示化简单元对象的编码序号,如 Point_1 表
示 ID 为 1 的节点,Bend_1 表示 ID 为 1 的弯曲;特征(F)也称为描述性项或属性,包含
化简单元对自身信息描述的多个特征项;综合标记(L)是指化简单元所处的综合操作,1
表示选取(S),0 表示删除(D)。
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3663
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- c语言对对碰游戏源码.zip
- 新录音.m4a
- shufflenet模型-基于人工智能的卷积网络训练识别中药饮片-不含数据集图片-含逐行注释和说明文档.zip
- resnet模型-基于图像分类算法对7种水果识别-不含数据集图片-含逐行注释和说明文档.zip
- JMeter使用教程.md
- JMeter使用教程.md
- mobilenet模型-基于图像分类算法对农作物病害部位识别-不含数据集图片-含逐行注释和说明文档.zip
- 【资源免费分享】MP4文件自动分轨工具(内附使用录像介绍)
- densenet模型-基于人工智能的卷积网络训练识别人行为-不含数据集图片-含逐行注释和说明文档.zip
- JMeter使用教程.md
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功