随着城市的发展以及新兴城镇规模的扩张,城镇的更替速度不断加快,使得居民地成为地图中变化最活跃的要素之一;同时,军事演习、防恐演练、抢险救灾等对地图保障的要求越来越高,使得居民地自动综合成为研究的重点和难点。“选取”作为中小比例尺地图综合中最主要的综合操作,亦成为研究的重点和难点之一。当前针对各种度量指标建立数学模型的居民地资格选取方法,在每次遇到制图任务时大多需要单独建模,可移植性弱,研发成本高,缺乏专家经验支撑,难以满足多样化地图生产的需求。研究更为高效的居民地自动选取方法成为制图综合的当务之急。本文分析了中小比例尺居民地选取的研究背景与现状,针对当前中小比例尺面状居民地选取方法专家知识指导不足的问题,从有效利用专家经验出发,研究了基于KNN的居民地案例推理选取模型。同时,对居民地选取的案例匹配机制进行了优化,并提出基于迭代注水原理和距离加权的模型优化方法以及基于分层处理和KD树的效率改进方法,以进一步提高KNN模型精度和效率。本文主要工作和创新点包括以下几点:(1)提出了基于KNN的居民地案例推理选取模型。针对当前居民地选取方法中专家知识指导不足和案例匹配机制不完善等问题,提出基于KNN的居民地案例推理选取方法。首先以专家交互选取的居民地结果作为案例,预处理后构建案例库;然后对案例进行学习,计算出待决策居民地与案例库中案例之间的相似度;最后取K个相似度最高的近邻,对这K个案例的所属类别进行统计,将个数最多的类别作为案例分类决策的结果。该选取模型能够有效地将专家案例转化为对未知结果的决策,决策正确率高,且相比于决策树方法受噪声影响更小,在案例库规模较小时仍能做出有效决策,实现了学习专家综合经验并模仿专家综合行为的目的。(2)提出了基于迭代注水原理和距离加权的模型优化方法。首先,针对KNN算法中属性约简和权重赋值方法研究的不足,本文提出采用“迭代注水原理”对模型进行改进和优化。该方法将传统注水原理与递归特征消除法相结合,对归纳的居民地属性在赋权重的同时达到属性约简的目的,有效减少了冗余属性给案例分类造成的干扰,确保推理描述信息的准确性和完整性,提高了基于KNN的居民地案例推理选取模型的精度。然后,考虑到基于KNN的居民地案例推理选取模型中K个参考案例的主次影响,提出了采用“距离加权”的模型优化方法,通过重新定义其判别函数,加强可信赖案例决策贡献的权重,一定程度上削弱了模型对K值的敏感性和依赖性,增强了基于KNN的居民地案例推理选取模型的鲁棒性和智能性。(3)提出了基于分层处理和KD树的模型优化方法。针对基于KNN的居民地案例推理选取模型在案例规模扩大后出现运行效率下降的问题,提出采用案例库分层处理和构建KD树索引的模型优化方案。该方案首先对案例库按行政等级分层,然后对各层级案例库构建KD树,最后在各层级案例库内实现基于KNN的案例推理,得出待决策居民地的决策结果。该方案能有效控制案例推理循环中参与计算的案例规模,提高模型的运行效率。(4)系统实验设计并实现了居民地的自动选取过程,整合了本文提出的算法及优化功能,并进行了系统的实验,验证了本文提出理论和方法的有效性和科学性。