| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 地图制图综合的研究背景和意义 | 第13-14页 |
| 1.2 自动制图综合的特点 | 第14-15页 |
| 1.3 自动制图综合的研究进展 | 第15-18页 |
| 1.4 自动制图综合的智能化综合方法 | 第18-19页 |
| 1.5 建筑物的自动制图综合研究现状 | 第19-23页 |
| 1.5.1 建筑物群的空间聚类研究 | 第20页 |
| 1.5.2 合并与化简等建筑物综合算子的研究 | 第20-23页 |
| 1.6 地图自动综合存在的主要问题 | 第23-24页 |
| 1.7 本文的主要贡献与创新 | 第24-26页 |
| 1.8 本论文的结构安排 | 第26-27页 |
| 第二章 地图制图综合理论 | 第27-39页 |
| 2.1 地图制图综合的定义 | 第27页 |
| 2.2 影响地图制图综合的因素 | 第27-28页 |
| 2.3 地图自动综合模型 | 第28-29页 |
| 2.4 制图综合的约束 | 第29-31页 |
| 2.5 制图综合算子 | 第31-34页 |
| 2.6 ARCGIS软件中的综合工具 | 第34-39页 |
| 第三章 神经网络理论 | 第39-54页 |
| 3.1 人工神经网络的发展史 | 第39-40页 |
| 3.2 生物神经网络 | 第40-41页 |
| 3.3 人工神经网络 | 第41-45页 |
| 3.3.1 神经元模型 | 第41页 |
| 3.3.2 传输函数 | 第41-42页 |
| 3.3.3 人工神经网络的结构 | 第42-44页 |
| 3.3.4 人工神经网络的学习方法 | 第44-45页 |
| 3.4 SOM神经网络 | 第45-49页 |
| 3.4.1 自组织特征映射网络原理 | 第45-46页 |
| 3.4.2 SOM神经网络的学习规则 | 第46-49页 |
| 3.4.3 SOM神经网络的预测 | 第49页 |
| 3.5 BP神经网络 | 第49-54页 |
| 3.5.1 BP神经网络概述 | 第49页 |
| 3.5.2 BP神经网络结构 | 第49-50页 |
| 3.5.3 BP算法 | 第50-54页 |
| 第四章 基于SOM神经网络的建筑物聚类 | 第54-69页 |
| 4.1 建筑物聚类综合的约束条件 | 第54-56页 |
| 4.1.1 基于城市形态学的建筑物群全局约束条件 | 第54-55页 |
| 4.1.2 基于格式塔理论的局部约束条件 | 第55-56页 |
| 4.2 基于SOM神经网络的建筑物聚类 | 第56-65页 |
| 4.2.1 数据预处理 | 第57-60页 |
| 4.2.2 建筑物初步聚类的SOM神经网络 | 第60-63页 |
| 4.2.3 基于行列扫描的建筑物群精细聚类 | 第63-65页 |
| 4.3 基于SOM的建筑物聚类试验 | 第65-66页 |
| 4.3.1 试验一 | 第65页 |
| 4.3.2 试验二 | 第65-66页 |
| 4.4 本章小结 | 第66-69页 |
| 第五章 基于BP神经网络的建筑物合并 | 第69-97页 |
| 5.1 地图视觉感知与矢量地图栅格化 | 第69-70页 |
| 5.1.1 地图视觉感知 | 第69页 |
| 5.1.2 矢量地图栅格化 | 第69-70页 |
| 5.2 建筑物合并过程与思路 | 第70-71页 |
| 5.2.1 建筑物合并的两个过程 | 第70-71页 |
| 5.2.2 建筑物合并过程的导航思路 | 第71页 |
| 5.3 建筑物群初始外轮廓构造模型设计 | 第71-83页 |
| 5.3.1 地图局部感知探测器 | 第71-72页 |
| 5.3.2 初始外轮廓构造的映射规则 | 第72-76页 |
| 5.3.3 初始外轮廓构造模型的架构 | 第76-83页 |
| 5.4 建筑物群初始外轮廓简化模型设计 | 第83-87页 |
| 5.4.1 数据处理—矢量数据栅格化 | 第83页 |
| 5.4.2 方形地图局部感知探测器的设计 | 第83页 |
| 5.4.3 初始外轮廓简化的映射规则 | 第83-86页 |
| 5.4.4 初始外轮廓简化模型的架构 | 第86-87页 |
| 5.5 试验及应用 | 第87-96页 |
| 5.5.1 试验数据 | 第87页 |
| 5.5.2 模型输出误差的均方根 | 第87-88页 |
| 5.5.3 模型的训练 | 第88-89页 |
| 5.5.4 模型的测试 | 第89-90页 |
| 5.5.5 初始外轮廓构造模型和外轮廓简化模型协同的建筑物群合并 | 第90-94页 |
| 5.5.6 试验结果分析 | 第94-95页 |
| 5.5.7 更小目标比例尺中的建筑物合并应用 | 第95-96页 |
| 5.6 本章小结 | 第96-97页 |
| 第六章 基于BP神经网络的建筑物化简 | 第97-118页 |
| 6.1 建筑物化简的原则 | 第97-98页 |
| 6.2 制图专家知识与建筑物化简模型的耦合 | 第98-106页 |
| 6.2.1 地图局部感知探测器的设计 | 第98-100页 |
| 6.2.2 地图上下文语境中的制图专家知识 | 第100-102页 |
| 6.2.3 输入与输出的映射关系 | 第102-105页 |
| 6.2.4 建筑物化简模型的应用过程 | 第105-106页 |
| 6.3 建筑物化简模型的设计 | 第106-107页 |
| 6.4 建筑物化简前后相似度的计算 | 第107-109页 |
| 6.5 建筑物化简模型的实现及应用 | 第109-114页 |
| 6.5.1 实时的局部矢量数据栅格化 | 第109-110页 |
| 6.5.2 训练样本的采集 | 第110-111页 |
| 6.5.3 建筑物化简模型的训练 | 第111页 |
| 6.5.4 建筑物化简试验 | 第111-114页 |
| 6.6 试验分析与讨论 | 第114-117页 |
| 6.6.1 矢量与栅格数据模式的选择 | 第114页 |
| 6.6.2 探测器大小的确定 | 第114-115页 |
| 6.6.3 建筑物化简模型与ArcGIS化简工具的比较 | 第115-116页 |
| 6.6.4 建筑物化简模型的通用性 | 第116-117页 |
| 6.7 本章小结 | 第117-118页 |
| 第七章 建筑物合并方法的改进以及合并与化简的耦合 | 第118-136页 |
| 7.1 建筑物合并综合的改进 | 第118-126页 |
| 7.1.1 改进的建筑物合并BP神经网络模型设计 | 第118-122页 |
| 7.1.2 试验与结果 | 第122-126页 |
| 7.2 建筑物合并与化简综合的耦合 | 第126-135页 |
| 7.2.1 建筑物合并与化简耦合模型设计 | 第126-132页 |
| 7.2.2 试验与结果 | 第132-135页 |
| 7.3 本章小结 | 第135-136页 |
| 第八章 全文总结与展望 | 第136-138页 |
| 8.1 全文总结 | 第136-137页 |
| 8.2 后续工作展望 | 第137-138页 |
| 致谢 | 第138-139页 |
| 参考文献 | 第139-148页 |
| 攻读博士学位期间取得的成果 | 第148-149页 |