论文部分内容阅读
随着GIS分析工作中数据采集技术的发展,传统GIS空间分析功能已难以对迅速增长的时空数据进行全面的细致分析,结合人工智能数据分析方法研究海量复杂地理信息数据的推理已成为GIS领域研究的热点问题之一。本文针对地理实体数据中隐含知识的推理困难等问题,从地理实体数据的构成着手,采用径向基函数(Radial basis function,RBF)神经网络方法对地理实体数据隐含的规律进行分析,提取其中有用的信息作为地理实体未来状态的预测依据,建立基于RBF网络的实体状态预测知识推理模型。实现了地理实体空间数据、数值型属性数据的一体化组织,并解决了在GIS领域中采用神经网络方法进行知识推理模型构建的问题。主要研究内容有以下几个方面:
(1)分析地理实体信息推理方法的国内外研究现状。在论述地理实体数据组织方法的研究现状和时空数据知识推理方法的研究现状基础上,研究地理实体不同的认知方法并确定适合于本文研究内容的认知方法。进一步论述实体数据预测的神经网络方法基础,确定本文采用的神经网络类型,即径向基函数神经网络。
(2)对地理实体数据进行维度一体化描述,化简复杂地理实体的数据结构,使数学方法能够对其进行处理。然后结合RBF网络对数据进行分析学习的本质,即使用超曲面对高维空间中的数据进行插值拟合,将维度一体化的地理实体数据映射成超曲面的形式,解决“地理实体信息预测RBF网络推理模型”构建过程中地理实体数据与RBF网络输入要求不匹配的问题,使RBF网络处理无定式的地理实体数据成为可能。
(3)在对地理数据的构成进行分析、对RBF网络算法进行研究以及使用超曲面对地理实体时空数据进行组织的基础上,研究了信息预测的知识推理方法并构建了以自组织选取中心的RBF网络算法为核心的信息预测推理模型。
(4)结合地理实体数据构成和RBF网络推理模型,以水环境分析中水质预测为应用方向,设计地理实体信息推理模型的数据架构及全局数据库,进行知识库构建与知识的管理维护,并实现了具体的推理方法。
本文对无固定类型地理实体的空间数据及数值型属性数据的构成进行研究,通过简化复杂地理实体的构成及引入超曲面对简化后的地理实体进行数据组织,解决了由于不同地理实体数据结构不同进而引发的推理模型不通用的问题。在此基础上,使用RBF网络对超曲面组织的地理实体时空属性数据进行分析,进而发掘其中隐含的规律,建立基于RBF网络的知识推理模型,为地理实体信息预测的知识推理及决策支持研究提供新的思路。