GIS中曲线综合模型的建立及拓展

针对地图中水系、道路、境界线等线状要素的制图综合中的图形简化问题,利用小波分析的多分辨率分析原理,建立多分辨率小波分析思想和空间数据多尺度表达之间关系,提出了线状要素空间多尺度表达数学模型。对线状要素进行综合和平滑,实现了线状要素的空间多尺度表达。结合实例探讨了数学模型的特点、拓扑一致性和模型拓展等问题。     

空间数据多尺度表达的不确定性可视化模型

以视觉与认知理论为基础,研究了空间数据多尺度表达中不确定性的可视化方法,主要包括:设计不确定性的分级表达模型,提出色彩与不确定性的映射关系,构建了空间数据多尺度表达的不确定性可视化视觉变量系统,提出了采用动态符号或动态视觉变量来表示空间数据多尺度表达过程中的不确定性的方法.结果表明,该方法能清晰、直观、有效地表达空间数据多尺度表达中的不确定性,有助于理解不确定性的变化与传播规律.     

基于多评价因素的线状要素合并变换方法

为解决多源数据合并过程中数据二义性问题,降低已有算法由于未考虑"调整图"上线状要素位置的影响而带来的误差,提出基于多评价因素的线状要素合并变换算法.分析确定影响合并变换的三大主要评价因素,通过熵法衡量各自的重要性,并将其进行综合来确定要素的可信度;根据离散Fréchet距离来识别同名线状要素上的同名点对,进而使用位置加权平均来获得合并变换后的位置.对海陆图的部分线状要素的检验结果表明,该算法提高了线状要素空间位置合并变换的质量.     

空间数据多尺度表达不确定性研究进展

阐述了多尺度空间数据不确定性的研究意义,分析了空间数据多尺度表达不确定性的来源、研究内容、关键技术,最后从空间数据多尺度表达不确定性的研究历程、相关问题、分类及其可视化4个方面综述了空间数据多尺度表达不确定性的研究动态.     

多尺度表达中属性数据不确定性及其可视化分析

<正>我校地理科学学院徐丰副教授2016年获批国家自然科学基项目:多尺度表达中属性数据不确定性及其可视化分析,项目编号:4167011795.不确定性是国内外地理信息科学领域重点关注的科学问题之一.GIS中的属性数据普遍存在不确定性,与空间位置数据的不确定性具有同等重要的地位.空间数据多尺度表达也会带来     

多尺度地理空间线状目标相似关系分析

对多尺度空间下线状目标的相似关系做了全面描述,从多尺度的概念和现实生活的相似定义出发,探讨了多尺度空间下线状目标相似的定义以及影响多尺度空间下线状目标相似的相似因子,通过对多尺度下线状目标相似因子的分析和探讨,为多尺度空间下线状目标的相似性的表达和度量提供参考．     

GIS中地理要素多尺度表达间层次连通性的研究

由于地理要素在不同尺度下的抽象表达往往表现出不同的空间形态、结构和细节，如何根据地理要素在不同尺度下的表现特征提取并维护多尺度表达间的层次连通关系，至今还没看到一个完整的解决方案．对此，构建了基于多尺度表达间聚集关系的层次语艾匹配规则。以同一要素多尺度表达间的层次语义关系为纽带，以数据匹配方法为手段，综合利用多重表达间的语义、几何、拓扑、属性等信息，来实现同一要素在不同尺度的抽象表达之间的层次连通关系；并以多尺度道路网数据库中道路交叉口要素多尺度表达为例。详细剖析了该策略的实现过程．试验结果验证了该方案的可靠性，为GIS中要素多尺度表达的层次连通关系维护研究提供了有力的理论支撑和可行性技术策略．图2，表7，参8．     

一种基于弯曲结构的线状要素Morphing方法

提出一种基于弯曲结构的线状要素Morphing方法。对于2个不同比例尺地图上表达的同一线状要素,首先根据其各自形态特征分别利用约束Delaunay三角网提取线状要素的独立弯曲及其层次结构信息,并用弯曲森林和弯曲树来表达线状要素的弯曲结构。然后,通过识别对应独立弯曲,从高层次到低层次对它们的层次弯曲结构进行识别与匹配,从而将两线状要素分割成多对对应线段。在此基础上,借助常用的插值算法进行Morphing。实验证明,提出的基于弯曲结构的Morphing方法要比已有的方法精度高,并有效保持Morphing过程中内插线状要素弯曲特征的一致性。     

考虑多公差耦合的几何要素误差建模及产品装配精度预测

为了准确有效地实现零件几何要素误差建模,提出了一种基于多公差耦合作用下的几何要素误差建模方法.该方法采用小位移旋量(SDT,small displacement torsor)描述公差,针对平动公差与固定公差耦合建立几何要素误差模型,通过利用约束方程的不合格率p,推导各个误差分量参数的实际的分布规律,建立几何要素误差模型.采用雅可比旋量模型将该方法扩展应用于复杂装配体的装配误差建模中,实现了装配精度的预测.以顶尖尾座装配精度预测为例,验证了该方法的合理性及可行性.     

基于像元的遥感影像分类不确定性评价

传统的遥感数据专题分类不确定性评价方法都是将分类不确定性表达在类别尺度上，受到采样方法和样本大小的限制，评价的可靠性较低，不利于可视化表达。基于像元尺度上的分类不确定性评价方法可以避免这些问题，对专题分类图进行精确的评价，并有利于实现可视化。     

基于多特征融合的图像区域几何标记

提出一种基于多特征融合的图像区域几何标记方法.首先,提出了一种新型卷积网络结构——多尺度核卷积网络用于提取像素点的多尺度特征信息,推断像素点的几何类别,并结合图像超像素分割获得图像超像素区域的几何标记;其次,将提取的多尺度特征与超像素区域传统特征相结合,建立超像素区域的特征表达.最后,建立超像素图像的条件随机场(conditional random field,CRF)模型,对超像素区域的几何类别进行推断.在公开数据集Geometric Context(GC)上的实验结果表明,同已有算法相比,所提方法提高了图像区域几何标记的准确率.     

线性弹性问题的多尺度间断有限元方法

在间断有限元方法的基础上,采用局部正交分解方法构造多尺度基函数,进而得到求解线性弹性问题的多尺度间断有限元方法,并且对非周期及无尺度分离情形给出了最佳误差估计。     

基于联合注意力-可分离卷积的立体匹配算法

为解决立体匹配网络模型轻量化与高精度不能共存的问题，本文提出新的立体匹配算法CSA-Net。算法具体是在特征提取阶段，利用类ResNet进行特征提取，训练空洞金字塔池化（ASPP）模块扩大感受野，提取多尺度上下文信息，加入联合注意力机制（CSM），在空间和通道维度提高表征能力，关注重要特征并抑制不必要的特征。在特征融合阶段，将2D深度可分离卷积提升到3D来代替原网络中标准3D卷积在空间维度和通道维度分别进行卷积运算，以降低特征融合网络的参数量与模型运行时间。最终实验表明，本文所提出的立体匹配网络模型在KITTI 2012和2015数据集进行验证，在三像素匹配误差率为1.44%和2.24%，模型运行时间减少近1/3。因此，相比于其他实现了更高的匹配精度和更快的运行速度。     

参数不确定非线性系统的分步变结构控制

针对一类存在参数不确定性的反馈线性的非线性动态系统,通过构造两个滑模流形,给出了输出跟踪控制律.第一个滑模流形为误差跟踪的线性函数,用于构造一个"中间控制变量";第二个滑模流形为中间控制变量与其实际值之间的误差,通过设计一个变结构控制律使闭环系统的轨迹渐近趋于滑模区,对于所有滑模区上的轨迹,跟踪误差趋于零.参10.     

基于3D注意力的MobileNet图像分类算法改进

针对MobileNetV2网络在图像分类任务中特征表达不足的问题，提出一种结合注意力机制对MobileNet网络的改进策略。利用一种新颖的高效且无参的注意力模块，同时结合I-block模块来替换MobileNet网络中的倒残差模块，采用RReLU激活函数替代原ReLU激活函数保留更多特征，结合inception结构进行多尺度特征提取与融合，使其可以提供更强的多尺度特征表达并服务于图像分类任务，使用数据扩增技术，生成更多样本。与6种方法进行对比，实验结果表明，采用3D注意力机制的网络在数据集CIFAR-10、CIFAR-100上以最少的网络参数分别取得94.09%和75.35%的最高精度，表明该改进方法可以有效地进行快速图像分类。     

基于多方向Gabor特征图稀疏表示的鲁棒人脸识别方法

为提高对光照、表情、姿态等可变因素的鲁棒性,提出一种基于多方向Gabor特征图稀疏表示的人脸识别方法.对人脸图像进行多方向多尺度Gabor变换,然后将同一方向不同尺度的Gabor特征进行融合得到多方向特征图,再对每个方向的融合特征图提取Gist特征并赋予自适应权重,接着将所有方向特征图的自适应加权Gist特征串联构成人脸图像特征向量,最后利用稀疏表示分类方法实现人脸识别.实验结果表明,本文算法在Yale、ORL和Extended Yale B人脸数据库上的平均识别率分别达到99.8%、99.7%和100.0%.      

基于单演特征和协同表示的人脸识别方法

基于协同表示的分类方法解决了稀疏表示分类方法太过强调l1模的问题被广泛应用于人脸识别中。为了进一步提高鲁棒性和识别率,提出了基于单演特征的协同表示分类方法,即MCRC。单演特征所提取的图像相位信息对光照的鲁棒性强并且其方向信息和幅值信息对姿态的鲁棒性也很高,相对于Gabor特征的多尺度和多方向,单演特征在特征变换的速度上也具有一定优势。在AR、LFW人脸数据库上的实验结果表明,该方法具有可行性和有效性。     

双向多尺度LSTM的短时温度预测

针对长短期记忆网络(long short-term memory,LSTM)无法有效提取温度数据的多尺度特征和反向特征的问题,该文提出了一种双向多尺度跳跃LSTM(bidirectional multi-scale skip long short-term memory,BMS-LSTM)的短时温度预测模型.该模型以LSTM为核心单元,采用双向深层网络结构提取反向特征; 根据温度数据日的周期性设置跳跃连接数提取多尺度特征,解决了指数增长的跳跃连接数后期跳跃尺度过大的问题; 最后使用全连接层进行特征融合预测.实验结果表明:BMS-LSTM成功提取了温度数据的多尺度特征和反向特征,预测均值误差仅为3.890,优于对比模型,是一种有效的短时温度预测模型.     

二维辐射热传导方程的渐近展开方法

二维辐射热传导方程是具有多尺度、强间断等性质的方程,渐近展开方法是求解这类方程的一种有效的方法,其基本思想是将具有多尺度性质的椭圆型向量问题解耦为若干光滑系数（或单尺度性质）的椭圆型向量问题进行求解.针对二维辐射热传导方程的简化线性模型,设计并分析了基于渐近展开方法的线性有限元方法,并给出了相应的误差估计式.