| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第15-27页 |
| 1.1 研究背景 | 第15-17页 |
| 1.1.1 地图综合与道路网选取 | 第15-17页 |
| 1.1.2 课题支撑 | 第17页 |
| 1.2 国内外研究进展及存在问题 | 第17-23页 |
| 1.2.1 地图制图综合研究进展 | 第17-19页 |
| 1.2.2 道路网自动综合研究进展 | 第19-21页 |
| 1.2.3 机器学习应用于道路网选取的研究进展 | 第21-22页 |
| 1.2.4 当前道路网选取研究存在的主要问题 | 第22-23页 |
| 1.3 研究内容与技术路线 | 第23-27页 |
| 1.3.1 研究内容 | 第23-25页 |
| 1.3.2 技术路线 | 第25-27页 |
| 第2章 构建道路网选取的知识系统 | 第27-36页 |
| 2.1 道路网选取原理 | 第27-29页 |
| 2.1.1 道路网选取的一般原则和指标 | 第27-28页 |
| 2.1.2 利用核机器学习算法进行道路网选取的原理 | 第28-29页 |
| 2.2 知识系统的建立 | 第29-36页 |
| 第3章 选取参数值的自动获取 | 第36-45页 |
| 3.1 stroke构建 | 第36-37页 |
| 3.2 拓扑结构数字化 | 第37-41页 |
| 3.3 参数值的计算 | 第41-45页 |
| 第4章 建立道路网选取的核机器模型 | 第45-61页 |
| 4.1 核机器学习理论 | 第45-48页 |
| 4.1.1 核方法 | 第45-47页 |
| 4.1.2 核函数 | 第47-48页 |
| 4.2 支持向量机 | 第48-52页 |
| 4.2.1 支持向量机原理 | 第48-51页 |
| 4.2.2 支持向量机的核函数 | 第51页 |
| 4.2.3 支持向量机特点 | 第51-52页 |
| 4.3 核机器学习模型的建立 | 第52-61页 |
| 4.3.1 实验数据准备 | 第53-54页 |
| 4.3.2 选择核函数及核参数 | 第54-58页 |
| 4.3.3 惩罚因子C选择实验 | 第58-60页 |
| 4.3.4 小结 | 第60-61页 |
| 第5章 基于核机器模型的道路网选取实验 | 第61-79页 |
| 5.1 实验数据选择 | 第61-63页 |
| 5.2 训练样本的选择 | 第63-64页 |
| 5.3 数据预处理 | 第64-68页 |
| 5.3.1 去除伪节点 | 第64-66页 |
| 5.3.2 构建stroke | 第66-67页 |
| 5.3.3 路段化处理 | 第67-68页 |
| 5.4 计算选取参数 | 第68-69页 |
| 5.5 样本学习 | 第69-70页 |
| 5.6 选取实例 | 第70-76页 |
| 5.6.1 实验数据准备 | 第71-72页 |
| 5.6.2 辐射状道路网选取实例 | 第72-74页 |
| 5.6.3 格网状道路网选取实例 | 第74-75页 |
| 5.6.4 不规则状道路网选取实例 | 第75-76页 |
| 5.7 实验结果小结 | 第76-79页 |
| 第6章 结论与展望 | 第79-81页 |
| 6.1 结论 | 第79页 |
| 6.2 创新点 | 第79-80页 |
| 6.3 不足与展望 | 第80-81页 |
| 参考文献 | 第81-88页 |
| 硕士期间的科研成果 | 第88-89页 |
| 致谢 | 第89-91页 |