發(fā)布時間：2022-12-17 11:26

　　建筑物作為地理空間矢量數(shù)據(jù)庫中重要的組成部分,是表達空間現(xiàn)象、支撐空間分析和提供空間服務(wù)的基礎(chǔ)之一,其無論在個體形態(tài)還是群組結(jié)構(gòu),都存在顯著的模式特征。然而,建筑物作為二維平面矢量數(shù)據(jù),其形式化和定量化表達方法仍難以統(tǒng)一;同時,模式作為高層次概念,具有很強的模糊性和不確定性。盡管現(xiàn)有研究已從多角度、多層次、多領(lǐng)域展開,并取得了一定成果,但仍亟需探索更有效的技術(shù)來提取隱含在數(shù)據(jù)背后的特征。近年來,深度學(xué)習(xí)在諸多領(lǐng)域都取得了巨大成功,其優(yōu)勢之一在于局部特征保持,這與建筑物等地理空間數(shù)據(jù)的局部相關(guān)性和多尺度特征思想上一致。然而,深度學(xué)習(xí)并沒有在建筑物模式分析問題中同振共鳴,制約其發(fā)展的主要原因是矢量存儲表達的建筑物不能滿足深度學(xué)習(xí)對輸入數(shù)據(jù)的規(guī)范性要求。針對該問題,論文以圖傅里葉變換和卷積定理為理論基礎(chǔ),介紹了一種新的圖卷積運算,并基于此構(gòu)造出圖卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型（Graph convolutional neural network,GCNN）,應(yīng)用于解決矢量建筑物數(shù)據(jù)的模式分析問題。主要研究工作如下:（1）從空間尺寸和空間類型兩個維度討論了建筑物模式研究的科學(xué)問題,并總結(jié)了不同尺度下的模... 

【文章頁數(shù)】：148 頁

【學(xué)位級別】：博士

【部分圖文】：

深度學(xué)習(xí)（Deep learning）發(fā)展趨勢

深度學(xué)習(xí)發(fā)展歷程

利用不同的深度學(xué)習(xí)模型處理不同數(shù)據(jù)組織方式的空間數(shù)據(jù)，其中一維、

【參考文獻】：
期刊論文
[1]基礎(chǔ)地理知識服務(wù)的基本問題與研究方向[J]. 陳軍,劉萬增,武昊,李志林,趙勇,張藍.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2019(01)
[2]一種傅立葉描述子支持下的建筑群模式識別方法[J]. 劉鵬程,林文輝,許小峰.  華中師范大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[3]機器自監(jiān)督學(xué)習(xí)的建筑物面要素幾何形狀度量[J]. 馬磊,閆浩文,王中輝,劉波,呂文清.  測繪科學(xué). 2017(12)
[4]尺度驅(qū)動的空間聚類理論[J]. 李志林,劉啟亮,唐建波.  測繪學(xué)報. 2017(10)
[5]特征分類與鄰近圖相結(jié)合的建筑物群空間分布特征提取方法[J]. 郭慶勝,魏智威,王勇,王琳.  測繪學(xué)報. 2017(05)
[6]居民地要素化簡的形狀識別與模板匹配方法[J]. 晏雄鋒,艾廷華,楊敏.  測繪學(xué)報. 2016(07)
[7]國家基礎(chǔ)地理信息數(shù)據(jù)庫動態(tài)更新總體技術(shù)[J]. 王東華,劉建軍.  測繪學(xué)報. 2015(07)
[8]基于鄰近四點法的建筑物多邊形化簡[J]. 許文帥,龍毅,周侗,陳林.  測繪學(xué)報. 2013(06)
[9]一種建筑物群智能聚類法[J]. 程博艷,劉強,李小文.  測繪學(xué)報. 2013(02)
[10]利用約束D-TIN進行建筑物多邊形凹部結(jié)構(gòu)識別與漸進式化簡[J]. 陳文瀚,龍毅,沈婕,李雯靜.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2011(05)

博士論文
[1]廣府地區(qū)傳統(tǒng)村落空間模式研究[D]. 張莎瑋.華南理工大學(xué) 2018
[2]廣東傳統(tǒng)聚落及其民居類型文化地理研究[D]. 曾艷.華南理工大學(xué) 2016
[3]形狀識別在地圖綜合中的應(yīng)用研究[D]. 劉鵬程.武漢大學(xué) 2009

碩士論文
[1]基于SOM神經(jīng)網(wǎng)絡(luò)算法的地圖建筑物聚類[D]. 王真.電子科技大學(xué) 2016
[2]城市建筑群典型空間分布模式的識別方法研究[D]. 鞏現(xiàn)勇.解放軍信息工程大學(xué) 2014



本文編號：3719846