CN110097636A - 一种基于可视域分析的选址规划方法 - Google Patents
一种基于可视域分析的选址规划方法 Download PDFInfo
- Publication number
- CN110097636A CN110097636A CN201910098662.XA CN201910098662A CN110097636A CN 110097636 A CN110097636 A CN 110097636A CN 201910098662 A CN201910098662 A CN 201910098662A CN 110097636 A CN110097636 A CN 110097636A
- Authority
- CN
- China
- Prior art keywords
- features
- cluster
- point
- ken
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013441 quality evaluation Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于可视域分析的选址规划方法,属于地理信息系统和组合优化技术的交叉技术领域。本发明提出首先提取地形特征点作为候选视点,并计算每个地形点的可视域,然后对这些地形特征点进行聚类并将每个簇内的地形特征点根据其视域质量进行排序,最后利用快速过滤算法循环过滤掉最低视域质量的地形特征点。在过滤过程中,因为一个簇内的视点只与其相邻的簇影响较大,因此每个视点只需与其相邻的簇内的视点进行视域质量比较,减少了计算量。本发明提出的视点的视域质量评估的计算方法和候选视点快速过滤方法可以有效地提高总视域,且大幅减少计算时间。
Description
技术领域
本发明涉及一种基于地形可视域分析的选址规划方法,属于地理信息系统和组合优化技术的交叉技术领域。
背景技术
地形可视域分析是运用几何原理和计算机图形学技术解决地形上一个或多个观察点所看到的地形的范围。基于可视域分析的应用包括基于可视域的地形路径规划和选址规划,以及景观分析等,它们属于观察点集合和目标点集合之间的可视性问题,是地理空间分析的一个重要组成部分。地形可视性分析中的观察点设置问题是指对于一个地形区域,在给定观察点性质(人、雷达等)和可视范围的条件下,寻找尽可能少的观察点,使它们的联合视域覆盖该地形区域中最大或一定比率的面积。基于DEM的可视域选址规划问题就是在地形上选择一组视点,使得这些视点的联合视域最大。地形上的格网点都可以看作是候选观察点,在这些候选点上选择一组联合视域最大的点,其是一个组合优化问题。如果候选点很多的话,选址规划将非常耗时。
然而,随着计算机技术和遥感技术的飞速发展,DEM数据的数量不断增多、精度不断提高,从而导致候选观察点数目急剧增多,因此解决观察点设置问题的计算时间就越来越长。基于 DEM的地形表示模型有规则格网、不规则三角网、等高线三种,其中规则格网方式因其简单直观、存储方便的优点而被广泛使用。
目前,观察点设置问题主要是在地形上寻找尽可能少的观察点,使它们的联合视域覆盖该地形中一定比率的面积,挑选观察点的方法一般可以分为三类:逐个加点的方法、过滤候选点的方法和利用启发式搜索算法。
逐个加点方法是首先初始化一个空的视点集合,然后从地形上挑选一个符合规则(比如视域最大重叠率最小等)的最佳点加入到视点集合中,一直到满足给定的视点数量要求为止。每次添加的视点依赖于已经加入到解集中的视点的位置,因此可能导致一些视域较大的视点会被排除掉,从而总视域降低。
过滤候选点方法是首先获得地形上的一些特征点作为候选视点,然后按照某种规则评估这些候选点的质量,最后逐个筛选掉一些效果差的视点。
启发式搜索算法采用交换算法、模拟退火算法或者蚁群算法来求解,并且近几年也有很多研究提出了针对这些启发式算法的改进算法。这类方法可能会出现陷入局部最优的问题。
发明内容
本发明所要解决的技术问题是:
为了解决现有算法得到的总视域降低或陷入局部最优的问题,本发明提出一种基于地形可视域分析的选址规划方法,用于对一个地形区域,在给定观察点性质和可视域范围的条件下,寻找尽可能少的观察点,使它们的联合视域尽可能最大覆盖该地形区域或给定一定比率的区域面积。
本发明为解决上述技术问题采用以下技术方案:
本发明提出一种基于可视域分析的选址规划方法,其特征在于,步骤包括:
步骤101:读入DEM规则格网数据,提取地形特征点;
步骤102:计算每个地形特征点的可视域;
步骤103:对地形特征点采用K-means的聚类方法进行聚类分析,形成一组簇和簇的中心;
步骤104:按照地形特征点的视域质量评估的计算方法,计算每个簇内的地形特征点的视域质量,并按照视域质量对所述地形特征点由高到底进行排序;
步骤105:调用地形特征点快速过滤方法,循环过滤每个簇内的视域质量最低的地形特征点;
步骤106:确定最终保留的地形特征点作为选址规划的观察点。
如前所述的一种基于可视域分析的选址规划方法,进一步地:步骤103所述K-means的聚类方法中聚类子集的个数k是事先给定的。
如前所述的一种基于可视域分析的选址规划方法,进一步地:步骤104所述地形特征点的视域质量的计算方法包括:
其中,Vα表示地形特征点α的单点可视域,用于计算地形特征点α与簇k 中其他所有地形特征点的视域重复数,Skα表示地形特征点α在第k个簇中的质量,n为第k 个簇中地形特征点的数目。
如前所述的一种基于可视域分析的选址规划方法,进一步地:步骤105所述地形特征点快速过滤方法的步骤包括:
步骤501:利用Delaunay三角剖分方法,对由簇的中心所组成的集合进行三角网构建,确定各簇的相邻簇;
步骤502:将各个簇内的视域质量最小的地形特征点分别与其相邻簇内的地形特征点进行视域质量比较;
步骤503:过滤掉最低视域质量的地形特征点;
步骤504:当各个簇内地形特征点的数量满足预先设置的阈值时结束过滤。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明提出的视点质量评估的计算方法,综合考虑了单个视点的视域和联合视域重复率,可以有效地提高总覆盖率,并且降低视域重复率。
2、本发明提出的候选视点快速过滤的方法,在将地形特征点聚类并排序后循环迭代逐个过滤掉低质量的视点,该过滤过程中,考虑到一个簇内的视点只与其相邻的簇影响较大,因此用到Delaunay三角剖分来确定相邻的簇,从而每个视点只需与其相邻的簇内的视点进行比较,可减少比较的工作量。
附图说明
图1是本发明的基于可视域分析的选址规划方法的框架流程图;
图2是本发明地形特征点聚类和排序方法的流程图;
图3是本发明地形特征点快速过滤算法的流程图;
图4是本发明Delaunay三角剖分图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明所述的基于可视域分析的选址规划方法,其选址规划问题可以描述为以下的优化模型:
S.T
xj∈{0,1}j=1,…,n (a.3)
其中,(a.1)中i是需求节点的索引,j是设施的索引,xj为一个二元变量表示设施是否放在了位置j,cj表示在位置j放置设施的固定代价;
(a.2)中aij是一个二元变量,如果候选位置j到已经存在的设施i的距离小于S,那么 aij的值为1,S为设施服务的最大距离。
上述的模型的求解是比较复杂的,尤其是地形区域比较大的情况下,要得到精确解是非常好困难的。本发明提出一种基于地形特征点作为候选观察点,然后根据规则逐步过滤掉一些低质量的点,直到满足给定数量要求的候选点为止。图1是本发明的基于可视域分析的选址规划方法的框架流程图。如图1所示,本方法的具体思想是:
(1)根据地形特征挑选一些地形特征点,如山峰点、山脊点、鞍点等作为候选观察点。
(2)对这些候选点进行聚类,形成多个类。
(3)对每一类中的候选点按照其视域质量(视域贡献率)进行从大到小排序。
(4)对每个类中排在最后的候选点与其它类中视域质量对比。若在其它类其质量都是最小的,则可以从这个类中删除,否则放入其它类中。
(5)重复(3)-(4),直到每个类中的候选点符合要求的数目,则结束。
1、地形特征点提取
地形特征点主要包括山顶点(peak)、凹陷点(pit)、脊点(ridge)、谷点(channel)、鞍点(pass),平地点(plane)等。利用DEM提取地形特征点,可通过一个3×3或更大的栅格窗口,通过中心格网点与8个邻域格网点的高程关系来进行判断后获取。
山顶点是指在局部区域内海拔高程的极大值点,表现为在各方向上都为凸起。凹陷点是指在局部区域内海拔高程的极小值点,表现为在各方向上都为凹陷。脊点是指在两个相互正交的方向上,一个方向凸起,而另一个方向没有凹凸性变化的点。谷点是指在两个相互正交的方向上,一个方向凹陷,而另一个方向没有凹凸性变化的点。鞍点是指在两个相互正交的方向上,一个方向凸起,而另一个方向凹陷的点。平地点是在局部区域内各方向上都没有凹凸性变化的点。
以地形特征点作为候选的视点,可降低后续的计算工作量。
2、基于K-means的聚类方法
图2是本发明地形特征点聚类和排序方法的流程图。聚类分析是将物理的或者抽象的数据集合划分为多个类别的过程。通常,聚类分析采用数据之间的距离的相似度来划分。如图 2所示,本发明通过提取地形特征点作为数据集合,然后将地形特征点根据欧氏距离进行聚类,聚类(簇)数目与最终需要保留的设施的数目一致。
K-means是聚类方法中最常用、最流行的经典的聚类方法,其思想是通过迭代过程把数据集划分成不同的类别,使得评价聚类性能的准则函数达到最优,从而使生成的每个聚类类内紧凑,类间独立。K-means的聚类方法中聚类子集的个数k是事先给定的。本文用选址规划的个数来确定聚类子集个数。
聚类分析完成后,这些地形特征点自然会分配到这些聚类的簇中,形成候选视点。
3、对每个类中的候选视点按视点质量排序
每个类中的候选视点根据其视域质量(视域贡献率)进行排序,其中视点的视域质量评估公式如下:
公式(b.1)中,Vα表示视点α的单点视域,计算了视点与簇k中其他所有视点的视域重复数,Skα表示视点α在第k个簇中的质量,n为第k个簇中视点的数目。
考虑到单点视域越大,就可能导致视域重叠率越高的问题,因此,采用视域重叠值除以该视点的视域大小作为该视点的可视域质量可以有效避免这一问题。一个视点在某一个簇内的评价指数由视域重叠大小和单点可视域大小共同决定,从公式中可以看出,视点的视域质量越好,Skα的值就越小,因此每个簇在进行排序时,视点按照Skα的值降序排序。
4、候选视点的快速过滤
图3是本发明地形特征点快速过滤算法的流程图。如图3所示,在将挑选出的地形特征点进行聚类排序后并且按照视点的视域质量排序过后,就可以使用过滤算法将低视域质量的候选点逐个过滤掉。
在该过滤算法中,根据两个标准来评估每个候选点的质量:
(1)在整个分析的地形区域中单个视点的视域大小;
(2)单个视点在邻近的聚类簇内与其他视点的视域重复率。其计算方法由公式(b.1)确定。过滤过程是一个多次迭代过程,每次迭代可以过滤低质量的视点,直到每个聚类簇内留下给定数量的视点。如果当前所操作的簇(Ck)内视点的个数不大于设定的阈值大小(tk),则该算法把操作集更新到另外一个簇继续遍历。否则,该算法就对当前操作集的叶子节点 (point i)进行操作,比较叶子结点(point i)在另一个簇(cluster k’)内的评价指数与这个簇 (Ck’)内的视点的评价指数比较(簇k’可以是除了簇k并且与簇k想邻接的任何簇)。
5、Delaunay三角网剖分
图4是本发明Delaunay三角剖分图。如图4所示,考虑到一个簇内的视点只与它相邻的簇影响较大,可根据聚类中心进行Delaunay三角网剖分,构建Delaunay三角网。点集的三角剖分,对数值分析(比如有限元分析)以及图形学来说,都是极为重要的一项预处理技术。 Delaunay三角剖分具有最大化最小角,即“最接近于规则化”的三角网和唯一性(任意四点不能共圆)的特性。本文使用Delaunay三角网剖分可以确定一个簇的相邻的簇。Delaunay三角网的作用是在迭代更新每个簇中视点时不用与其他所有簇内的视点进行比较,而只需与当前操作的簇相邻的簇内的视点做比较即可,这可以大大减少计算量。
实施例一
本发明所述方法按照以下步骤实施:
步骤101:读入DEM规则格网数据,提取地形特征点;
步骤102:计算每个地形特征点的可视域,即可视的地形点集合;
步骤103:对地形特征点采用K-means的聚类方法进行聚类分析,形成一组簇和簇的中心;
步骤104:对每个簇内的地形特征点,按照地形特征点的视域质量评估的计算方法计算它们的视域质量,并按照视域质量对它们由高到底进行排序;
步骤105:调用地形特征点快速过滤方法,循环过滤每个簇内的视域质量最低的地形特征点;
步骤106:确定最终保留的地形特征点作为选址规划的观察点。
以下进一步详细地说明本发明实施例中的各个细节问题。
本发明以规则格网DEM数据为输入,进行特征点选择和过滤,具体过程如下:
1、地形特征点的聚类分析和排序,如图2所示:
步骤1:采用k-means算法将地形特征点进行聚类;
步骤2:根据视点的视域质量评估公式计算聚类后的各个簇内的地形特征点的视域质量,视点的视域质量评估公式为:
步骤3:根据簇内的所有视点的视域质量,按照降序进行排序。
2、地形特征点的快速过滤算法,如图3所示:
步骤1:利用Delaunay三角剖分方法,对由簇的中心所组成的集合进行三角网构建,确定各簇的相邻簇;
步骤2:将各个簇内的视域质量最小的地形特征点分别与其相邻簇内的地形特征点进行视域质量比较;
步骤3:过滤掉最低视域质量的地形特征点;
步骤4:当各个簇内地形特征点的数量满足预先设置的阈值时结束过滤。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于可视域分析的选址规划方法,其特征在于,步骤包括:
步骤101:读入DEM规则格网数据,提取地形特征点;
步骤102:计算每个地形特征点的可视域;
步骤103:对地形特征点采用K-means的聚类方法进行聚类分析,形成一组簇和簇的中心;
步骤104:按照地形特征点的视域质量评估的计算方法,计算每个簇内的地形特征点的视域质量,并按照视域质量对所述地形特征点由高到底进行排序;
步骤105:调用地形特征点快速过滤方法,循环过滤每个簇内的视域质量最低的地形特征点;
步骤106:确定最终保留的地形特征点作为选址规划的观察点。
2.根据权利要求1所述的一种基于可视域分析的选址规划方法,其特征在于:步骤103所述K-means的聚类方法中聚类子集的个数k是事先给定的。
3.根据权利要求1所述的一种基于可视域分析的选址规划方法,其特征在于:步骤104所述地形特征点的视域质量的计算方法包括:
其中,Vα表示地形特征点α的单点可视域,用于计算地形特征点α与簇k中其他所有地形特征点的视域重复数,Skα表示地形特征点α在第k个簇中的质量,n为第k个簇中地形特征点的数目。
4.根据权利要求1所述的一种基于可视域分析的选址规划方法,其特征在于:步骤105所述地形特征点快速过滤方法的步骤包括:
步骤501:利用Delaunay三角剖分方法,对由簇的中心所组成的集合进行三角网构建,确定各簇的相邻簇;
步骤502:将各个簇内的视域质量最小的地形特征点分别与其相邻簇内的地形特征点进行视域质量比较;
步骤503:过滤掉最低视域质量的地形特征点;
步骤504:当各个簇内地形特征点的数量满足预先设置的阈值时结束过滤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098662.XA CN110097636B (zh) | 2019-01-31 | 2019-01-31 | 一种基于可视域分析的选址规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098662.XA CN110097636B (zh) | 2019-01-31 | 2019-01-31 | 一种基于可视域分析的选址规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097636A true CN110097636A (zh) | 2019-08-06 |
CN110097636B CN110097636B (zh) | 2023-05-16 |
Family
ID=67442966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910098662.XA Active CN110097636B (zh) | 2019-01-31 | 2019-01-31 | 一种基于可视域分析的选址规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097636B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111542071A (zh) * | 2020-05-11 | 2020-08-14 | 四川拓绘科技有限公司 | 一种顾及坡度和高差的大范围通信基站快速选址方法 |
CN113076621A (zh) * | 2020-09-04 | 2021-07-06 | 中移(上海)信息通信科技有限公司 | 参考站网的选址方法、装置、电子设备及计算机存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1545070A (zh) * | 2003-11-24 | 2004-11-10 | 浙江大学 | 一种与视点相关的基于四队列优化的地形网格生成方法 |
CN102682479A (zh) * | 2012-04-13 | 2012-09-19 | 国家基础地理信息中心 | 一种在不规则三角网上进行三维地形特征点生成的方法 |
CN106530398A (zh) * | 2016-12-01 | 2017-03-22 | 南京师范大学 | 一种面向地形可视性分析的可视性图网络构建方法 |
-
2019
- 2019-01-31 CN CN201910098662.XA patent/CN110097636B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1545070A (zh) * | 2003-11-24 | 2004-11-10 | 浙江大学 | 一种与视点相关的基于四队列优化的地形网格生成方法 |
CN102682479A (zh) * | 2012-04-13 | 2012-09-19 | 国家基础地理信息中心 | 一种在不规则三角网上进行三维地形特征点生成的方法 |
CN106530398A (zh) * | 2016-12-01 | 2017-03-22 | 南京师范大学 | 一种面向地形可视性分析的可视性图网络构建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111542071A (zh) * | 2020-05-11 | 2020-08-14 | 四川拓绘科技有限公司 | 一种顾及坡度和高差的大范围通信基站快速选址方法 |
CN111542071B (zh) * | 2020-05-11 | 2021-01-05 | 四川拓绘科技有限公司 | 一种顾及坡度和高差的大范围通信基站快速选址方法 |
CN113076621A (zh) * | 2020-09-04 | 2021-07-06 | 中移(上海)信息通信科技有限公司 | 参考站网的选址方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110097636B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A progressive morphological filter for removing nonground measurements from airborne LIDAR data | |
CN103092853B (zh) | 一种空间索引的建立方法、使用方法及装置 | |
Aljumaily et al. | Urban point cloud mining based on density clustering and MapReduce | |
CN105354578B (zh) | 一种多目标物体图像匹配方法 | |
CN103916820A (zh) | 基于接入点稳定度的无线室内定位方法 | |
CN103888541A (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN110097636A (zh) | 一种基于可视域分析的选址规划方法 | |
CN105871879A (zh) | 网元异常行为自动检测方法及装置 | |
Kalkhan et al. | Technical note Assessing the accuracy of Landsat Thematic Mapper classification using double sampling | |
CN104715127A (zh) | 一种投诉热点区域识别方法及系统 | |
CN110097529A (zh) | 一种基于语义规则的农田定级单元划分方法及系统 | |
CN110097078A (zh) | 一种最优尺度选择方法、装置及计算机可读存储介质 | |
CN109000656B (zh) | 基于空间聚类的水下地形匹配导航适配区选择方法 | |
CN106599924A (zh) | 一种基于三支决策的分类器构建方法 | |
CN105992146A (zh) | 定位数据生成方法及装置 | |
CN106412835A (zh) | 一种用户出行模式识别的方法及装置 | |
CN108764307A (zh) | 自然最近邻优化的密度峰值聚类方法 | |
White et al. | Completeness in photometric and spectroscopic searches for clusters | |
CN110211109A (zh) | 基于深度神经网络结构寻优的图像变化检测方法 | |
CN110097585A (zh) | 一种基于sift算法的sar影像匹配方法及系统 | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
CN115205699B (zh) | 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法 | |
CN107045732A (zh) | 数字地面模型化简方法及装置 | |
CN109063749A (zh) | 一种基于角点辐射域的鲁棒卷积核数量适配方法 | |
CN107944015A (zh) | 基于模拟退火的三维模型典型结构挖掘与相似性评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |