基于深度学习的城市道路网自动生成
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 过程式建模 | 第12-13页 |
| 1.2.2 基于图论建模 | 第13-14页 |
| 1.2.3 基于空间信息技术建模 | 第14页 |
| 1.3 本文的研究内容及创新点 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2. 深度生成式模型的算法基础 | 第16-31页 |
| 2.1 深度学习 | 第16-19页 |
| 2.2 深度算法模型 | 第19-25页 |
| 2.2.1 自动编码机 | 第19-21页 |
| 2.2.2 卷积神经网络 | 第21-22页 |
| 2.2.3 限制玻尔兹曼机 | 第22-24页 |
| 2.2.4 深度置信网络 | 第24-25页 |
| 2.3 判别式模型和生成式模型 | 第25-30页 |
| 2.3.1 生成式对抗模型 | 第26-28页 |
| 2.3.2 深度卷积对抗生成网络 | 第28页 |
| 2.3.3 对抗式自编码机 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3. 海量道路网样本的自动化采集、处理及标注 | 第31-49页 |
| 3.1 海量道路网样本的自动化采集 | 第31-38页 |
| 3.1.1 道路网样本的数据源 | 第31-32页 |
| 3.1.2 采样城市及采样范围 | 第32-34页 |
| 3.1.3 道路网样本自动化采集方案的设计 | 第34-38页 |
| 3.2 海量道路网样本的预处理 | 第38-42页 |
| 3.2.1 模式转换、分割及缩放 | 第38-40页 |
| 3.2.2 矩阵化 | 第40页 |
| 3.2.3 归一化 | 第40-41页 |
| 3.2.4 PCA白化 | 第41-42页 |
| 3.3 海量道路网样本的自动标注 | 第42-45页 |
| 3.3.1 经济指标的自动标注 | 第42-43页 |
| 3.3.2 道路面积密度的自动标注 | 第43-45页 |
| 3.4 样本辅助信息的计算方式 | 第45-47页 |
| 3.4.1 样本的中心点坐标 | 第45-46页 |
| 3.4.2 样本的地理范围 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 4. 基于深度非线性网络的道路网自动生成 | 第49-61页 |
| 4.1 城市道路网规划的基础理论 | 第49-53页 |
| 4.1.1 城市道路规划的影响因素分析 | 第49-50页 |
| 4.1.2 城市道路等级结构研究 | 第50-51页 |
| 4.1.3 道路网形态布局研究 | 第51-52页 |
| 4.1.4 融合规划原理的道路自动生成 | 第52-53页 |
| 4.2 城市道路网的自动生成模型 | 第53-58页 |
| 4.2.1 模型的构建 | 第54-56页 |
| 4.2.2 模型生成城市道路网的原理 | 第56-58页 |
| 4.3 有监督的模型训练 | 第58-59页 |
| 4.3.1 重构训练 | 第58页 |
| 4.3.2 调整训练 | 第58-59页 |
| 4.4 基于模型生成的特定类型的道路网 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5. 模型训练及结果分析 | 第61-72页 |
| 5.1 实验数据 | 第61-62页 |
| 5.2 实验硬件平台 | 第62-67页 |
| 5.2.1 本地环境的搭建 | 第63-65页 |
| 5.2.2 云服务器环境的搭建 | 第65-67页 |
| 5.3 模型的训练及效果分析 | 第67-71页 |
| 5.3.1 模型的训练 | 第67-68页 |
| 5.3.2 道路网的分类准确率 | 第68-69页 |
| 5.3.3 特定类型道路网的生成 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 6. 总结和展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录Ⅰ 攻读硕士学位期间发表的学术论文 | 第78-79页 |
| 致谢 | 第79页 |
