深度学习在城市功能区域划分中的应用研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究意义 | 第12-14页 |
| 1.2 国内外研究现状及存在的问题 | 第14-18页 |
| 1.2.1 国内外研究现状 | 第14-17页 |
| 1.2.2 存在的问题 | 第17-18页 |
| 1.3 研究内容和技术路线 | 第18-20页 |
| 1.3.1 研究内容 | 第18页 |
| 1.3.2 技术路线 | 第18-20页 |
| 1.4 论文创新之处 | 第20页 |
| 1.5 论文组织结构 | 第20-23页 |
| 第二章 城市功能区域划分概述 | 第23-44页 |
| 2.1 城市大数据与城市计算 | 第24-29页 |
| 2.1.1 城市大数据 | 第24-26页 |
| 2.1.2 城市计算 | 第26-29页 |
| 2.2 城市功能区域理论模型 | 第29-31页 |
| 2.3 区域特征表示 | 第31-43页 |
| 2.3.1 基于兴趣点表示 | 第31-33页 |
| 2.3.2 基于人类移动模式表示 | 第33-41页 |
| 2.3.3 融合表示 | 第41-43页 |
| 2.4 本章小结 | 第43-44页 |
| 第三章 城市功能区域划分算法研究 | 第44-57页 |
| 3.1 基于聚类算法划分 | 第44-48页 |
| 3.1.1 相似性度量 | 第44-46页 |
| 3.1.2 聚类算法 | 第46-48页 |
| 3.2 基于主题模型划分 | 第48-53页 |
| 3.3 基于遥感图像划分 | 第53-55页 |
| 3.4 各算法比较 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 深度学习在主题模型中的应用 | 第57-71页 |
| 4.1 语言模型和词嵌入 | 第57-63页 |
| 4.1.1 统计语言模型 | 第58-59页 |
| 4.1.2 神经网络语言模型 | 第59-61页 |
| 4.1.3 基于分布式假设词嵌入 | 第61-63页 |
| 4.2 基于深度神经网络主题模型 | 第63-66页 |
| 4.3 概率主题模型与深度语义增强 | 第66-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 深度主题模型在城市功能区域挖掘中的应用 | 第71-95页 |
| 5.1 实验数据与预处理 | 第71-79页 |
| 5.1.1 数据集介绍 | 第71-74页 |
| 5.1.2 基于道路网区域分割 | 第74-77页 |
| 5.1.3 坐标转换与区域匹配 | 第77-79页 |
| 5.2 区域标注 | 第79-83页 |
| 5.3 传统功能区域划分算法 | 第83-90页 |
| 5.3.1 词频聚类验证 | 第83-86页 |
| 5.3.2 概率主题模型验证 | 第86-90页 |
| 5.4 深度学习在城市功能区域划分中的应用 | 第90-94页 |
| 5.4.1 神经网络主题模型验证 | 第90-92页 |
| 5.4.2 深度语义增强主题模型 | 第92-94页 |
| 5.5 本章小结 | 第94-95页 |
| 第六章 总结与展望 | 第95-97页 |
| 6.1 总结 | 第95-96页 |
| 6.2 展望 | 第96-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-106页 |
| 攻读硕士学位期间取得的成果 | 第106-107页 |
| 发表的学术论文 | 第106页 |
| 申请的专利 | 第106-107页 |
| 攻读硕士学位期间参与的项目 | 第107页 |
