基于组件对象的地图数据管理方法

为合理有效地组织和管理地图数据,提出了基于组件对象的地图数据管理方法:利用Object组件对象开发平台设计出自动生成地图;按库名查询、分类查询、综合查询3种查询方式的地图查询;并包括添加、删除、移动地国要素的修改方法。该方法通过Excel表自动生成地图,有3种地图数据库查询功能:同时具有扩充性、实时性和安全性,是一种为管理者提供的方便快捷的地图数据管理方法。     

不同制图软件线状要素编绘和线状符号库建立对比分析

该文以Corel DRAW和Adobe Illustrator为研究对象,分析了二者在线状要素编绘、数据处理和符号库建立等方面差异,研究认为,AI相对于CD的突出优势主要包括:便捷的线条拼接功能,更为精确、完善的线条平滑方式,支持对象多层描边,可建立线状符号样式库等方面。对比可知,AI所具有的突出优势与地图编制的关联性更密切,更有利于地图的线状要素编绘和数据处理。     

CorelDRAW与Adobe Illustrator在线状要素编绘和符号库建立中的对比研究

该文以Corel DRAW和Adobe Illustrator为研究对象,分析了二者在线状要素编绘、数据处理和符号库建立等方面的差异,研究认为,AI相对于CDR的突出优势主要包括:便捷的线条拼接功能,更为精确、完善的线条平滑方式,支持对象多层描边,可建立线状符号样式库等方面。对比可知,AI所具有的突出优势与地图编制的关联性更密切,更有利于地图的线状要素编绘和数据处理。     

基于类别层次结构的多层文本分类样本扩展策略

针对大规模多层文本分类训练样本获取代价高、类别分布不均衡等问题, 提出并比较几种基于类别层次结构的大规模多层文本分类样本扩展策略, 即利用类别层次体系中蕴含的类别名称、描述以及类别间的层次结构关系, 从内涵和外延两方面入手构造或扩展类别训练样本。在首次大规模中文新闻信息多层分类评测数据集上, 基于外延的局部样本扩展策略取得较好的性能。参测系统在第一级类别和第二级类别上宏平均F1分别为0.8413和0.7139, 在10个参赛系统中位列第二。     

基于复杂样本的安全态势要素分类架构

针对网络安全态势要素获取中大规模复杂攻击样本分类困难的问题,提出一种基于条件变分自编码网络的安全态势要素分类架构。该架构分为编码网络和生成网络两部分,均采用深度神经网络作为其基础框架。编码网络用于对高维数据进行降维,提取其隐含特征;生成网络用于对降维后的样本进行重构,生成新的样本。在生成网络中引入混合密度模型优化其特征提取能力,提高重构数据的准确性。采用训练数据对该架构进行训练,训练后的编码网络作为分类器,识别样本类型;生成网络生成指定类别的样本数据,以平衡复杂样本中各类攻击样本的数量,提高分类精度。仿真结果表明,与其他对比模型相比,所提分类架构具有较好的降维效果和较高的态势要素分类精度。     

基于粗集的空间对象分类学习算法

针对二维空间对象分类问题,提出将粗集方法应用于分类规则的学习.首先建立空间分类信息表,然后采用粗集方法约简条件属性、提取分类规则,并采用多种指标对规则进行评价.通过实验结果分析,证明粗集方法能够有效用于学习空间对象分类规则.     

地学专题图形的对象模型研究

介绍了地学专题图形的面向对象的分析方法,构造了适合计算机分析处理的地学图形数据的对象模型,该模型以地学图形数据库与属形数据文件关联共存在的方式,解决了地图要素的计算机压缩贮与分析处理问题,对地图要素的空间数据,系统采用了拓扑数学模型进行了处理;对于属性数据,则采用关系数学模型和处理。通过两种数据结构之间的联系,实现了地学图形数据和属性数据之间的互访和操作。用面向对象的软件编程方法,系统在ＭＳ－Ｗｉ     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于类别相关性和交叉熵的特征选择方法

文本分类首先要解决的一个问题就是特征选择.简单分析了几种经典的特征选择方法,总结了它们的不足,提出了一个类别相关性方法,把交叉熵引入粗糙集并提出了一个基于交叉熵的属性约简算法,把该属性约简算法同类别相关性方法结合起来,提出了一个综合的特征选择方法.该方法首先利用类别相关性方法进行特征初选以过滤掉一些词条来降低特征空间的稀疏性,然后利用属性约简算法消除冗余,从而获得较具代表性的特征子集.实验结果表明,此特征选择方法效果良好.     

线要素光滑算法的时间复杂度分析

线要素光滑算法是地图综合及地理信息可视化中的一类重要的算法,它可以实现线状地物的连续化表达,增强地图的表达效果.随着高性能GIS乃至云GIS的飞速发展,如何在并行计算环境和云计算环境中提高线要素光滑算法的效率,满足人们对地图综合的效率和地理信息表达的实时性需求成为该领域发展的关键问题.本文调研了常见的线要素光滑算法,按照拟合方式将算法分类,每一类中选取了一种代表性的算法,对其时间复杂度进行分析,并对这些算法的并行化进行了初步探讨.     

一种基于结构化环境的线性距离特征提取算法

为解决室内环境中移动机器人的自主导航问题,提出了一种基于结构化环境的线性距离特征提取算法。首先通过建立机器人运动模型,对激光雷达获得的点云数据进行预处理。然后采用聚类算法对预处理后的数据进行分割和合并。采用正交拟合算法,估算特征线段的最大角度公差,并提取竖直和水平特征线进行误差纠正。仿真实验结果表明:算法可有效提取室内环境特征线段并建立特征地图。同时调用数据集与ICP(iterative closest point)算法进行对比测试,结果表明使用该算法构建环境地图,可见使用此算法可降低建图时间复杂度,同时提高地图匹配精度。     

一种基于特性的WEB GIS共享方案

在基于特性(Feature)的WEB GIS体系结构下,提出一个共享空间信息的解决方案。分布式技术减轻了服务器的负载,对象关系数据库技术解决了传统GIS系统中空间数据难以共享的问题,两级高速缓存技术提高了系统在网络环境下分布处理空间数据的性能。最后对解决方案进行了模拟实验,证明系统不仅能有效地共享多个GIS系统的空间信息,而且在性能上相对于传统GIS有很大的提高。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

一种基于特性的WEB GIS共享方案

在基于特性(Feature)的WEB GIS体系结构下,提出一个共享空间信息的解决方案。分布式技术减轻了服务器的负载,对象关系数据库技术解决了传统GIS系统中空间数据难以共享的问题,两级高速缓存技术提高了系统在网络环境下分布处理空间数据的性能。最后对解决方案进行了模拟实验,证明系统不仅能有效地共享多个GIS系统的空间信息,而且在性能上相对于传统GIS有很大的提高。     

基于特征线子空间嵌入的非线性特征提取方法

针对最近特征线子空间特征提取方法中所存在的问题,结合最大间距判别分析,提出一种具有一定局部学习能力的、有监督的非线性特征提取方法：基于特征线子空间嵌入的非线性特征提取方法,即该特征提取方法不但能克服特征线方法所存在的小样本问题,同时能一定程度上提高其处理非线性数据的能力.通过在数据库上进行实验,结果表明该方法具有优势.     

采用特征预处理ICP算法的机器人运动环境建图

针对机器人运动环境建图中迭代最近点(ICP)算法的扫描配准过程存在关联点对对应困难、迭代初值要求高的问题,首先,提出一种特征预处理的粗配准方法,以保证配准过程的迭代初值较小;然后,基于扫描点过滤思想对粗配准后存在较大误差的数据进行过滤,剔除测量噪声,提高点对关联准确率.结果表明:经过特征预处理的粗配准及噪声剔除后的改进ICP算法能够有效地进行扫描配准,解决机器人运动环境建图存在的问题.     

特征GIS空间数据模型的语义和应用

通过对特征概念的描述,探讨了特征ＧＩＳ空间数据型的特征语义和应用,并初步研究了利用面向对象方法对特征ＧＩＳ数据模型的实现,认为特征ＧＩＳ模型相对于传统的基于图层的地理关系模型,具有更好的完备性和适应性。     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

电力日负荷数据特征模式智能提取方法

电力负荷数据中可能包含各种坏数据,严重影响负荷预测精度,因此需要从这些合有噪声的日负荷数据中提取出负荷的特征模式,以便对负荷数据进行清洗．以软聚类思想为指导,通过模糊C均值聚类算法及Kohonen自组织特征映射神经网络的互补结合,提出了日负荷特征模式的智能提取方法,该方法不但具有辨识精度高、收敛速度快的优点,而且具有对数据的动态处理能力,为精确的负荷预测和准确的系统分析做好了数据上的准备,对重庆城区供电局负荷数据的实例分析说明了方法的高效性．