空間數(shù)據(jù)分析的神經(jīng)計算方法.pdf

1、空間數(shù)據(jù)也被稱作地理信息或地理空間數(shù)據(jù)，用來標識空間實體在地球上的地理位置、邊界、大小等信息的數(shù)據(jù)，它可以用來描述來自現(xiàn)實世界的對象，諸如海洋、城市、道路等?？臻g數(shù)據(jù)一般采用對象的坐標和拓撲結(jié)構(gòu)等形式存儲，并可用地圖進行展現(xiàn)。空間數(shù)據(jù)一般通過地理信息系統(tǒng)(G IS)進行分析和使用。空間數(shù)據(jù)分析已經(jīng)廣泛應(yīng)用在植物種群分布、動物遷徙分析、城市犯罪地理分析、交通路網(wǎng)分析、地震災(zāi)害監(jiān)測等領(lǐng)域。隨著社會進步和科技的發(fā)展，空間數(shù)據(jù)搜集的手段越來越豐

2、富，各行業(yè)搜集和存儲的空間數(shù)據(jù)呈爆炸性增長趨勢?？臻g數(shù)據(jù)的急劇增長給傳統(tǒng)的空間數(shù)據(jù)處理方法帶來嚴峻的挑戰(zhàn)。
　　 針對大規(guī)?？臻g數(shù)據(jù)處理的需求，本文主要研究如何提高空間大數(shù)據(jù)集的分析效率，重點研究了基于神經(jīng)計算的空間數(shù)據(jù)處理方法。神經(jīng)計算是一類重要的仿生計算方法，它模擬生物神經(jīng)網(wǎng)絡(luò)的運行機制來處理現(xiàn)實中的各種問題。本文主要研究了脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks，PCNN)在空間數(shù)據(jù)處理

3、中的應(yīng)用方法。主要研究內(nèi)容為：
　　 1．研究了空間數(shù)據(jù)的簡化，提出了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的空間點數(shù)據(jù)簡化方法。設(shè)計了一種改進的PCNN模型，通過該模型可以快速搜索空間點數(shù)據(jù)集的邊界，同時能夠有效識別數(shù)據(jù)噪聲。該方法是一種通用的數(shù)據(jù)簡化算法，獲得的簡化集可以用于多種不同的數(shù)據(jù)分析算法，并具有較高的泛化精度。
　　 2．研究了LS-SVM(Least Squares Support Vector Machine)的稀疏

4、化方法。LS-SVM與傳統(tǒng)SVM相比，只需求解一套線性方程組而避免了凸二次優(yōu)化問題，但其缺點是丟失了SVM的稀疏性。為了增強LS-SVM的稀疏性，本文提出了一種基于支持向量預選的LS-SVM稀疏化方法。與已有的一些LS-SVM稀疏化方法相比，本方法避免了迭代的裁減過程且對LS-SVM稀疏性的增強效果明顯。
　　 3．研究了路網(wǎng)的最短路徑優(yōu)化方法。針對大規(guī)模路網(wǎng)分析的實時性需求，提出了兩種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的快速路徑搜索方法。第

5、一種模型被稱為競爭脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(CPCNN)，該模型具有一種On-forward/Off-backward的局部競爭機制。在其自動波傳播過程中，重要的神經(jīng)元點火被加強激勵，無意義的點火事件被明顯抑制。因此，這種模型能明顯降低搜索空間，提高搜索效率。第二種模型被稱為雙源脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(DSPCNN)，它具有兩個點火源和兩列并行傳播的自動波，其搜索空間也比現(xiàn)有的一些模型小，搜索效率較高。
　　 4．研究了基于序列圖像的

6、運動分割方法。提出了一種基于非均勻采樣密度聚類的運動分割方法。針對幀差法的運動檢測結(jié)果，將其轉(zhuǎn)化為空間數(shù)據(jù)集，然后對其進行非均勻采樣，最后利用基于密度的空間聚類進行運動分割。該方法能有效平滑幀差圖中不同運動區(qū)域運動像素間的密度差異，并能顯著減少原始運動像素的數(shù)量，因而能獲得高質(zhì)量的運動分割結(jié)果，并且分割效率較高。
　　 上述研究主要致力于提高空間數(shù)據(jù)分析的效率和質(zhì)量，使得一些基于大規(guī)模空間數(shù)據(jù)的處理任務(wù)能夠有效的實現(xiàn)。研究成果表