基于球面剖分格网的矢量数据组织模型研究_关丽
基于全球剖分模型的空间信息编码模型初探_程承旗
第25卷 第4期2009年7月地理与地理信息科学Geog ra phy and G eo -Info rmatio n Science V ol .25 N o .4July 2009 收稿日期:2009-03-29; 修订日期:2009-06-23 基金项目:国家863计划项目(2008AA701108) 作者简介:程承旗(1961-),男,教授,博士生导师,从事遥感信息工程、GIS 及环境遥感等研究。
＊通讯作者E -mail :s ong -shuhua @基于全球剖分模型的空间信息编码模型初探程承旗,宋树华＊,万元嵬,关 丽,张恩东(北京大学遥感与地理信息系统研究所,北京100871)摘要:为解决由于不同G IS 数据模型中同一空间实体的编码不惟一而导致数据共享困难及标识的静态性和无空间位置等问题,鉴于全球剖分模型的全球连续性、多层次性以及剖分面片地址码的全球惟一性,该文提出了基于全球剖分模型的全球空间信息剖分编码(G eoDN A )模型,并设计了该编码模型的系统架构,试图实现全球空间信息的全息表达。
通过对遥感影像中的空间实体进行编码试验,表明全球空间信息剖分编码模型将大大增强空间信息的维护与共享能力,加快信息的查询与检索速度,在区域性的应急反应上具有很强的理论和实用价值。
关键词:全球剖分模型;GeoD NA ;时空框架;空时框架中图分类号:P208 文献标识码:A 文章编号:1672-0504(2009)04-0008-04 由于GIS 平台的数据模型和数据管理系统不尽相同,以及在数据录入GIS 过程中录入实体先后顺序、认识程度等的不同,使同一实体在不同的GIS 中有不同的描述和标识码ID ,直接导致在数据共享时用户必须查找各自的数据字典才能将同一实体对应起来,严重影响数据共享的效率。
不仅如此,GIS 中的空间信息编码是一种“静态”的标识码,不能表达信息的多尺度性,也不具备表达空间位置的能力。
2011届毕业设计题目汇总
10 校园二手用品交易网开发 57 基于Web的土地利用变化监测系统 12 “巴学园学前班”网站开发 13 “我爱我家”房屋中介客户管理信息系统 14 车牌定位算法的分析与实现 15 车牌字符分割与识别系统设计与实现 16 《多媒体应用基础》教学网站的设计与实现 17 试卷评估系统的开发与设计 18 迅捷手机商城网站的设计与实现 19 太平洋电脑报价系统的设计与实现
计算机科学与应用系2011届毕业论文（设计）选题汇总表
序 号 选 题 指导教师姓 名 管涛 管涛 管涛 管涛 管涛 管涛 管涛 管涛 肖连 肖连 肖连 肖连 刘宁 刘宁 刘宁 刘宁 李向 李向 李向 指导教师 职 称 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 讲师 39 自增长聚类算法及其在图像分割中应用 40 基于高斯混合模型的图像分割方法 41 基于线性判别分析的图像分割方法 42 正则化线性回归及其在图像分割中的应用 43 基于ICA的遥感图像分割方法 44 基于谱聚类的图像分割算法研究 45 基于Boosting技术的图像分割方法 46 Bayesian网络及其在图像分割中的应用 47 “计算机”课程网络学习平台设计 48 高校电子文件管理系统研究 49 网上不记名投票系统的开发 50 翻卡游戏的设计与实现 51 “飞扬”婴幼儿用品店销售管理系统 52 《大型数据库设计》课程网络学习平台 53 “新航”小区车辆管理系统 54 “换一换”家用电器二手网 55 基于XML数据交换的信息服务系统 56 基于Web的土地利用数据发布系统 11 “高教幼儿园”信息管理系统开发 指导教师姓 指导教师 名 职 称 学生姓名 王琼 李迎杰 刘东东 陈龙 赵爽怡 郭晓媛 商天恩 韩京峰 张媛 张云芳 周战 王珂然 邹新富 崔莹 周科峰 喻志冬 贺亚男 费辉辉 张慧丹 学生学号 071006120 071006213 071006214 071006102 071007337 071006308 071006119 071006107 091096135 091096136 091096144 091096123 091096143 091096102 091096138 091096132 091096108 091096105 091096133
一种基于球面调和分析的三维模型检索算法
中圈分类号： Ｐ９Ａ Ｔ ３１ Ｉ
边 缘保 持 的核 回 归 图像 插 值 方 法
张垮 愫 ，刘ｔ ｉ。 ｒｔ ，韦志辉 “ ａ
（ 南京理工大学 ａ 理学院 ；ｂ 计算机科 学与技术 学院 ，南京 ２ ０ ９ ） ． ． １０４ 攮 要 ：研究核 回归 图像 插值 问题 ，基 于各 向异性 距离方法 ，提 出一种边 缘保持 的核 回归图像插值 方法 。分析 不同参数对 该 方法以及
Ｓｅ ｒ ｇ核 回归方法 的影响。实验结果表 明，边缘保持 的核回归 图像插值方法对于参 数变化 具有较强的稳定性 ，算法鲁棒性较高 ，插值 图 ｔｅｉ ｎ
像 的边缘信 息也得到更好的保持 。 关健词 ：图像 插值 ；核 回归 ；各 向异性 ；Ｓ ｅｉ 核 ；边缘 保持 ｔｒｇ ｅ ｎ
Ｅｄ ｅ ｐ ｅ ｅ ｖ ｄ Ｋ ｅ ｎ ｌ ｇ ｅ ｓｏ ｍ ａ ｅＩ ｔ ｒ ｏ ａ ｉ ｎ Ｍ ｅ ｈ ｄ ｇ － ｒ ｓ ｒ ｅ ｒ ｅ Ｒｅ ｒ ｓ ｉ ｎ Ｉ ｇ ｎ ｅ ｐ ｌ ｔｏ ｔ ｏ
第３ ７卷 第 １ 期 ９
、ｏｌ３ ， －７
・
计
算
机
工
程
２１年 １ ０１ Ｏ月
Ｏ ｃｏｂ ｒ ０ｌ ｔ ｅ ２ ｌ
ＮＯ １ ．９
Ｃｏ ｕｔｒＥｎ ｎｅ ｒｎ ｍｐ ｅ ｇｉ ｅ ｉ ｇ
图形 图像处 理 ・
文章螭号＝ ｏ０ ２（ １） 一 １ ４ 文蜊 示 ｌ０． ８ ０１ ＿ ９ ＿ ２ １ ０ 识码ｔＡ
［ ｙｗｏ ｄ ｌ ｉ ｇ ｔ ｏａｉｎ ｋｒｅ ｇｅｓ ｎ ａ ｉ ｔ ｐｃＳｅｒ ｇｋ ｒｅ；ｄ ｅｐｅｅ ｅ Ｋｅ ｒ ｓ ｍａ ｅｎｅ ｌｔ ； ｅｎ ｌｅｒ ｓｉ ；ｎｓ ｒ ｉ； ｔｅｉ ｅ ｌｅｇ —ｒｓｒ ｄ ｉ ｒ ｐ ｏ ｒ ｏ ｏｏ ｎ ｎ ｖ Ｄ０Ｉ ｌ ． ６／．ｓ．０ ０３ ２ ．０ ．９ ６ ： ０３ ９ ｉ ｎ１０ —４ ８２ １ １ ． ４ ９ ｊｓ １ ０
基于球填充法的STL模型曲面自适应网格生成方法
Key words: STL; surface mesh generation; size field; ball-packing
基于径向基神经网络代理模型的贝叶斯损伤识别方法研究
d o i :10.3963/j .i s s n .1674-6066.2024.02.026基于径向基神经网络代理模型的贝叶斯损伤识别方法研究卢小丽,文 韬,郭丽丽(武汉工程科技学院机械与工程学院,武汉430200)摘 要: 提出了一种将径向基神经网络作为代理模型用于贝叶斯框架的损伤识别方法㊂首先采用拉丁超立方抽样技术,选取一定数量的结构输入输出样本,训练出一个径向基神经网络㊂然后将其用于基于马尔科夫链蒙特卡洛抽样的贝叶斯损伤识别方法㊂其中抽样方法采用吉布斯抽样㊂数值算例显示,在考虑测量误差的情况下,提出的方法能准确识别出简支梁的损伤,有效避免了损伤识别反问题的不适定性㊂其计算效率较传统的方法提高了数十倍,是一种很有潜力的损伤识别方法㊂关键词: 径向基神经网络; 损伤识别; 马尔科夫链蒙特卡罗; 吉布斯抽样R e s e a r c ho nB a y e s i a nD a m a g e I d e n t i f i c a t i o n M e t h o dB a s e do nR a d i a l B a s i sN e u r a lN e t w o r kS u r r o ga t eM o d e l L UX i a o -l i ,WE N T a o ,G U OL i -l i(S c h o o l o fM a c h i n e r y a n dE n g i n e e r i n g ,W u h a nU n i v e r s i t y o fE n g i n e e r i n g S c i e n c e ,W u h a n430200,C h i n a )A b s t r a c t : A m e t h o dw a s p r o p o s e d t o u s e r a d i a l b a s i s f u n c t i o n n e u r a l n e t w o r k s a s s u r r o g a t em o d e l s f o r d a m a g e i d e n -t i f i c a t i o nw i t h i n t h eB a y e s i a n f r a m e w o r k .I n i t i a l l y ,L a t i nh y p e r c u b e s a m p l i n g w a s e m p l o y e d t os e l e c t a s p e c i f i cn u m b e r o f s t r u c t u r a l i n p u t -o u t p u t s a m p l e s ,l e a d i n g t o t h e t r a i n i n g o f a r a d i a l b a s i s f u n c t i o nn e u r a l n e t w o r k .S u b s e q u e n t l y ,t h i s n e t w o r kw a s a p p l i e d t o aB a y e s i a nd a m a g e i d e n t i f i c a t i o nm e t h o db a s e do n M a r k o vc h a i n M o n t eC a r l os a m p l i n g .G i b b s s a m p l i n g w a su t i l i z e da st h es a m p l i n g m e t h o d .N u m e r i c a l e x a m p l e sd e m o n s t r a t e dt h a t ,c o n s i d e r i n g m e a s u r e m e n te r -r o r s ,t h e p r o p o s e dm e t h o d a c c u r a t e l y i d e n t i f i e d d a m a g e i n s i m p l y s u p p o r t e db e a m s ,e f f e c t i v e l y a v o i d i n g t h e i l l -p o s e dn a -t u r eo f t h e i n v e r s e p r o b l e mi nd a m a g e i d e n t i f i c a t i o n .T h e c o m p u t a t i o n a l e f f i c i e n c y o f t h i sm e t h o dw a s i m p r o v e db y s e v -e r a l o r d e r so f m a g n i t u d ec o m p a r e dt ot r a d i t i o n a la p p r o a c h e s ,m a k i n g i ta h i g h l y p r o m i s i n g d a m a g ei d e n t i f i c a t i o n m e t h o d .K e y wo r d s : r a d i a l b a s i sn e u r a l n e t w o r k ; d a m a g e i d e n t i f i c a t i o n ; M a r k o vC h a i n M o n t eC a r l o ; G i b b s s a m p l i n g 收稿日期:2023-11-03.基金项目:2022湖北省教育厅科学技术研究计划指导性项目(B 2022387).作者简介:卢小丽(1981-),副教授.E -m a i l :l u x i a o l i 1981w h u e s @163.c o m 通讯作者:郭丽丽(1985-),讲师.E -m a i l :G u o l i l i 1985W h u e s @163.c o m 改革开放40多年来,土木工程与基础设施建设迅猛发展㊂建筑结构朝着大型和超大型方向发展,例如2018年通车的港珠澳跨海大桥就创造了世界桥梁史上数个世界之最㊂这些超大型建筑结构在国民经济发展中起着极其重要的作用㊂实时准确地掌握这些大型建筑结构的健康状况,基于监测数据对这些结构潜在的损伤进行识别,从而对结构的安全评估提供准确的依据,显得至关重要[1]㊂当某一结构出现损伤时,其动静力特性会发生变化㊂结构损伤识别即是采用实测的动静力响应来反演结构参数,并与基准值进行对比,从而确定损伤的位置和大小㊂目前,结构损伤识别主要包含优化方法[2]㊁正则化方法[3]㊁贝叶斯方法[4]等㊂从这些已有的文献可以发现,结构损伤识别是一种力学反问题,经常会遇到反问题的不适定性㊂目前尽管开发出了很多正则化方法来处理反问题的不适定性[5],但如何正确选择最优的正则化参数仍然需要进一步研究㊂值得一提的是,在这些结构损伤识别方法中,贝叶斯方法为解决反问题的不适定性提供了有效的思路㊂B e c k [6,7]将贝叶斯理论引入到结构有限元模型修正和损伤识别方法中,该011建材世界 2024年 第45卷 第2期建材世界2024年第45卷第2期方法基于贝叶斯理论,巧妙地将反问题转化为正向计算问题,并采用马尔科夫链蒙特卡罗(M a r k o vc h a i n M o n t eC a r l o,M C M C)抽样来获得损伤参数的最可能值㊂贝叶斯损伤识别方法一经提出,便获得了广泛的应用[8-11]㊂然而,基于M C M C抽样的贝叶斯损伤识别方法的一个潜在问题是需要进行大量重复的有限元计算[12]㊂这对于中小型结构的损伤识别问题较为有效,但当识别大结构的损伤时,会遇到计算效率低下的问题㊂因此,开发一种高效的代理模型来代替耗时的有限元计算能极大地推进基于贝叶斯M C M C的损伤识别方法在大结构中的应用㊂许多学者在这一领域开展了广泛的研究㊂方圣恩等[13]提出了使用响应面代理模型来进行结构损伤识别㊂马静静等[14]使用K r i g i n g代理模型来对平面桁架结构进行损伤识别㊂许泽伟[15]采用多项式来代替耗时的有限元计算㊂这些方法较为有效推动了大型结构的损伤识别问题㊂但大多数的这类代理模型均是多输入单输出的情况,当用于结构损伤识别的响应参数类型及数量较多时,需要构建多个代理模型,这使得该类代理模型的使用受到一定的影响㊂基于此,提出了一种采用径向基神经网络(R a d i a lB a s i sF u n c t i o nN e u r a lN e t w o r k,R B F-N N)来拟合结构输入输出关系的新型有限元代理模型㊂该方法最早由Z h u等[16]于1988年提出,并广泛应用于机器学习的研究㊂径向基神经网络的一个较大的优势是能进行多输入多输出的预测㊂并且由于结构简单,其训练速度非常快,又将其用于贝叶斯损伤识别方法中M C M C抽样过程中的有限元计算,从而提高计算效率㊂另外在M C M C抽样方法上,考虑到待识别参数的高维特性,选用吉布斯抽样[17]来对损伤参数空间进行探索和抽样㊂论文首先介绍了贝叶斯M C M C损伤识别方法的框架,然后分别介绍了吉布斯抽样方法和径向基神经网络代理模型,并给出了采用径向基神经网络代理模型和贝叶斯M C M C方法进行结构损伤识别的流程图㊂然后以一个简支梁的数值模型为例,验证了提出的方法在结构损伤识别中的有效性㊂1贝叶斯损伤识别方法对于一个具有N个自由度的大型工程结构,定义其未损伤时的刚度为K0㊂结构的损伤可以等效为结构刚度的降低㊂因此,可以将结构损伤后的刚度矩阵的变化量定义为各个单元的刚度该变量之和ΔK=ðn i=1αi K i(1)式中,n为结构的单元数量;i为结构单元序号,且i=1,2, ,n;K i为整体坐标系下的第i个单元的刚度;αi 为第i个单元的损伤因子㊂损伤后结构的刚度矩阵K d可以表示为K d=K0+ΔK(2)初始结构的频率和振型可以通过以下特征值方程进行计算,即K0-λi()Mϕi=0i=1, ,N(3)式中,λi和ϕi为初始结构的特征值和特征向量㊂同理,损伤结构也满足以下特征值方程K d-λ*i()Mϕ*i=0i=1, ,N(4)式中,λ*i和ϕ*i分别为实际结构的特征值和特征向量,通过模态测试获得㊂结构损伤识别即通过实测的结构响应来找到满足式(4)的损伤因子αi㊂通过贝叶斯M C M C方法来估计损伤因子αi的马尔科夫链和最可能值㊂假设损伤因子αi的先验分布为π(α),则测量数据x的联合概率密度分布可表示为p(αi/x)=p(x/αi)π(αi)ʏαi p(x/αi)π(αi)dαi=c㊃p(x/αi)π(αi)(5)对于结构的损伤识别问题,似然函数可以表示为p(x/αi)=e x p-12[y-y(αi)]T㊃Σ-1y[y-y(αi)](6)式中,y为损伤结构的测量响应;y(αi)是与y对应的结构响应的计算值,通常由有限元方法计算;Σy为测量信息方差,通过多次测量结果统计得到㊂111损伤因子的后验概率密度函数可以表示为pαi/()x=p(x/αi)㊃e x p-12[αi-μ0]T㊃Σ-1σ0[αi-μ0](7)式中,μ0为损伤因子的先验值;Σσ0为先验参数的方差㊂基于式(7)的后验概率密度函数,采用M C M C方法,可以得到损伤因子的马尔科夫链,进而求得损伤参数αi的最可能值㊂2吉布斯抽样M C M C是一种用于从复杂分布中抽样的技术,被广泛的应用于贝叶斯参数估计方法中㊂吉布斯抽样(G i b b sS a m p l i n g)是M C M C中的一种特殊方法,特别适合处理高维数据㊂在吉布斯抽样中,假定目标是多元分布P(α1,α2, ,αn),则吉布斯抽样方法一次只从一个参数αi的条件分布中抽样,同时固定其他参数㊂重复该过程多次便可以获得完整的后验样本㊂具体的抽样步骤如下:1)选择一个初始点α(0)=α(0)1,α(0)2, ,α(0)()p2)对于t=1,2, 重复以下步骤:(1)从P(α1α(t-1)2, ,α(t-1)p,D)中抽样得到α(t)1;(2)从Pα2α(t)1,α(t-1)3, ,α(t-1)p,()D中抽样得到α(t)2;(3)从Pαpα(t)1, ,α(t)p-1,()D中抽样得到α(t)p㊂通过上述步骤(1)~(3),可以得到参数α的一个序列样本,这些样本来自于后验分布Pα()D㊂3径向基神经网络R B F-N N是一种浅层神经网络,特点是其隐藏层使用径向基函数作为激活函数㊂这种神经网络特别适合进行函数逼近㊁模式识别等任务,因为它具有出色的局部逼近能力㊂R B F-N N作为一种前馈型三层神经网络,如图1所示㊂给定输入向量x,则R B F-N N的输出表示为O(x)=ðNωiϕ( x-c i )(8)式中,N为隐藏层神经元的数量;ωi为第i个神经元的权重;c i为第i个神经元的中心;ϕ(㊃)为径向基函数,㊃ 为欧几里得距离㊂径向基函数ϕ(㊃)的选择是径向基神经网络的核心,最常见的径向基函数是高斯函数ϕ(r)=e-βr2(9)式中,r= x-c i 为输入x到中心c i的距离;β为控制径向基函数的宽度㊂论文采用该神经网络来拟合结构参数和结构动力响应关系,从而代替大结构中耗时的有限元重复计算㊂基于R B F-N N和G i b b s-S a m p l i n g的贝叶斯M C M C损伤识别方法的主要步骤如下:1)选择待识别的结构参数,并采用拉丁超立方抽样生成一定数量的结构参数样本,并采用A N S Y S来计算每个样本对应的结构响应㊂2)用获得的结构参数和结构响应样本训练出一个R B F-N N神经网络,并验证精度㊂3)采用吉布斯抽样获得结构参数样本,并用R B F-N N获得结构动力响应数据,与动力测量数据一起代入式(4)中的似然函数,最终得到结构损伤参数的后验概率密度函数㊂4)收敛和分析:通过进行足够多的吉布斯抽样迭代,得到的样本序列将逐渐收敛到后验概率密度函数㊂将这些样本进行分析㊁计算统计量㊂具体的流程图如图2所示㊂2114数值算例以一个12单元简支梁进行说明,梁的跨长为3600m m,横截面为矩形,宽为250m m,高为150m m㊂梁的有限元模型采用三维实体单元建模㊂整个梁被划分为12个长度相等的子结构,每个子结构的长度为300m m㊂每个子结构包含100个单元,每个单元8个节点,每个节点包括x㊁y㊁z三个方向的3个自由度㊂整个结构的总自由度数量为7986个㊂假设梁的初始模型弹性模量为2.8ˑ1010P a,密度为2.5ˑ103k g/m3㊂定义梁的第③㊁⑤㊁⑦㊁⑨子结构的弹性模量分别减少10%㊁20%㊁30%和15%㊂其他子结构的弹性模量保持初始值不变㊂且梁的质量已知㊂将梁的12个子结构的弹性模量相对于初始值的改变率定义为损伤因子㊂并从左到右编号为α1~α12,如图3所示㊂首先采用拉丁超立方抽样方法分别将α1~α12在(-0.6~0.6)范围内各抽取500个样本,组成500组结构参数,作为R B F-N N的输入㊂然后将这些样本输入到A N S Y S中计算出500组结构频率和振型,作为神经网络的输出㊂并采用梯度下降的方法进行训练,经过如图4所示的75次迭代后,其误差逐渐下降到0.00997,低于1%的预设值,在允许的误差范围内㊂最终获得结构参数与结构动力响应的映射关系,从而得到数值梁的有限元代理模型㊂将预设的结构弹性模量代入A N S Y S中,计算出结构动力响应,选取前四阶频率和振型,并添加3%的高斯白噪声作为仿真的测量结果,然后用提出的方法进行结构损伤识别㊂在构建式(4)的似然函数时,采用式(8)来计算抽取的样本对应的结构动力响应,然后采用吉布斯抽样获得损伤参数的马尔科夫链㊂去掉燃烧期(舍去前3000个样本),并统计出各损伤因子的最可能值,如图5所示㊂从图5中可以看到,该方法识别出的结构损伤与预设的损伤几乎完全吻合,这说明了该方法损伤结果的准确性㊂另外,从计算时间来看,由于采用了R B F-N N代理模型来代替耗时的有限元计算,该方法的计算速度比传统的采用有限元计算响应的贝叶斯方法高出约30倍,这表明该方法的计算效率是高效的㊂综合整个识别结果来看,该方法是一种处理大结构损伤识别问题的有效方法㊂3115结语提出了一种使用径向基神经网络(R B F-N N)作为代理模型的贝叶斯损伤识别方法㊂该方法基于贝叶斯框架,采用M C M C来获得损伤因子的后验概率分布及最可能的损伤值㊂在M C M C过程中,采用吉布斯抽样并结合提出的代理模型来快速计算似然函数,最终获得损伤因子㊂提出的代理模型能直接进行多输入多输出预测㊂所采用的吉布斯抽样方法更适合处理高维参数㊂通过一个十二单元简支梁验证了所提方法的准确性和高的计算效率㊂该方法在大型工程结构的损伤识别中具有较好的应用前景,下一步拟将该方法应用于实际工程结构的损伤识别中㊂参考文献[1]闫桂荣,段忠东,欧进萍.基于结构振动信息的损伤识别研究综述[J].地震工程与工程振动,2007,27(3):95-103.[2]陈承滨,余岭,潘楚东,等.基于蚁狮优化算法与迹稀疏正则化的结构损伤识别[J].振动与冲击,2019,38(16):71-76.[3]黄斌,鲁溢.基于L1正则化的随机梁式结构静力损伤识别方法[J].计算力学学报,2020,37(1):69-74.[4] X i aY,H a o H.S t a t i s t i c a lD a m a g e I d e n t i f i c a t i o no fS t r u c t u r e sw i t hF r e q u e n c y C h a n g e s[J].J o u r n a l o fS o u n da n dV i b r a-t i o n,2003,263(4):853-870.[5]谭颖轩,陈衍茂,汪利,等.基于模态修正策略和稀疏正则化的损伤识别[J].中山大学学报(自然科学版),2022,61(3):116-122.[6] B e c kJL,K a t a f y g i o t i sLS.U p d a t i n g M o d e l sa n dT h e i rU n c e r t a i n t i e s I:B a y e s i a nS t a t i s t i c a lF r a m e w o r k[J].J o u r n a l o fE n g i n e e r i n g M e c h a n i c s,1998,124(4):455-461.[7] B e c kJL,A US i u-k u i.B a y e s i a nU p d a t i n g o f S t r u c t u r a lM o d e l s a n dR e l i a b i l i t y U s i n g M a r k o vC h a i n M o n t eC a r l oS i m u l a-t i o n[J].J o u r n a l o fE n g i n e e r i n g M e c h a n i c s,2002,128(4):380-391.[8] L u o J,H u a n g M,X i a n g C,e ta l.B a y e s i a nD a m a g eI d e n t i f i c a t i o nB a s e do n A u t o r e g r e s s i v e M o d e l a n d MH-P S O h y b r i dM C M CS a m p l i n g M e t h o d[J].J o u r n a l o fC i v i l S t r u c t u r a lH e a l t h M o n i t o r i n g,2022,12(2):361-390.[9] Z h o uZ,T a r t a k o v s k y D M.M a r k o vC h a i n M o n t eC a r l o w i t h N e u r a lN e t w o r kS u r r o g a t e s:A p p l i c a t i o nt oC o n t a m i n a n tS o u r c e I d e n t i f i c a t i o n[J].S t o c h a s t i cE n v i r o n m e n t a lR e s e a r c ha n dR i s kA s s e s s m e n t,2021,35:639-651.[10]干露,陈辉.基于贝叶斯方法的统计模型修正和结构概率损伤识别[J].机械强度,2022,44(1):133-139.[11]N i j k a m p E,H i l lM,H a nT,e t a l.O n t h eA n a t o m y o fM c m c-b a s e dM a x i m u mL i k e l i h o o dL e a r n i n g o f E n e r g y-b a s e dM o d e l s[J].P r o c e e d i n g s o f t h eA A A IC o n f e r e n c e o nA r t i f i c i a l I n t e l l i g e n c e,2020,34(4):5272-5280.[12]C h i n g J i a n y e,C h e nY i c h u.T r a n s i t i o n a lM a r k o vC h a i nM o n t eC a r l oM e t h o d f o r B a y e s i a nM o d e lU p d a t i n g,M o d e l C l a s s S e-l e c t i o n,a n d M o d e lA v e r a g i n g[J].J o u r n a l o fE n g i n e e r i n g M e c h a n i c s,2007,133(7):816-832.[13]方圣恩,陈杉,董照亮.结构概率损伤识别的改进近似贝叶斯计算[J].振动工程学报,2019,32(2):224-233.[14]马静静,殷红,彭珍瑞,等.基于K r i g i n g模型的损伤识别方法[J].机械强度,2020,42(4):786-792.[15]许泽伟,彭珍瑞,张亚峰,等.基于多项式混沌展开和K L散度的随机有限元模型修正[J].机械强度,2022,43(6):1297-1302.[16]Z h uQ,C a iY,L i uL.A G l o b a l L e a r n i n g A l g o r i t h mf o r aR B FN e t w o r k[J].N e u r a lN e t w o r k s,1999,12(3):527-540.[17]L a r o c q u eJR,R e i l l y JP.R e v e r s i b l eJ u m p M C M Cf o r J o i n tD e t e c t i o na n dE s t i m a t i o no fS o u r c e s i nC o l o r e d N o i s e[J].I E E ET r a n s a c t i o n s o nS i g n a l P r o c e s s i n g,2002,50(2):231-240.411。
多媒体通信中基于对象的格矢量量化
多媒体通信中基于对象的格矢量量化
周利莉;勒中鑫
【期刊名称】《中国图象图形学报：A辑》
【年(卷),期】1999(4)4
【摘要】在格结构的分析与研究的基础上，详细讨论了格的重要算法，并给出了小波域图象对象的格矢量量化方法。
结合小波变换系数的分布特点，对某些小波变换系数进行标量量化时，采用了一种连续逼近的方法，并利用所讨论的算法对多数小波变换系数进行了格矢量量化。
实验表明，格矢量量化速度快，编码效率高，能较好地达到多媒体通信中图象压缩编码要求。
【总页数】5页(P294-298)
【关键词】小波变换;基格;矢量量化;多媒体通信
【作者】周利莉;勒中鑫
【作者单位】解放军信息工程学院
【正文语种】中文
【中图分类】TP391.41;TN919.8
【相关文献】
1.基于高斯格型矢量量化的导谱频率参数量化方法 [J], 张勇;王晓晨;周成;胡瑞敏
2.一种基于偶数格的格型矢量量化方法 [J], 谢昭;胡瑞敏
3.一种基于旋转Barnes—Wall格的格型矢量量化器 [J], 陈学青;薛向阳
4.基于对象图例及其拓扑关系识别的二维工程CAD图纸矢量化方法 [J], ZHANG
Qi;YE Ying
5.工程图矢量化中基于直线HOUGH变换的局部参数曲线矢量化方法 [J], 邹荣金;蔡士杰;张福炎
因版权原因，仅展示原文概要，查看原文内容请购买。
基于引文出版年光谱和波束图的学者学术评价与生涯分析——以JuditBar-Ilan为例
晋图学刊 ２０２３（３）：１－１１ＳｈａｎｘｉＬｉｂｒａｒｙＪｏｕｒｎａｌ 收稿日期：２０２２－０８－２８ 定稿日期：２０２２－１２－２９作者简介：杨毓丽（１９７５－），女，硕士，副研究馆员，研究方向为情报分析。
Ｅ ｍａｉｌ：２４５８９０１５１３＠ｑｑ．ｃｏｍ引文格式：杨毓丽．基于引文出版年光谱和波束图的学者学术评价与生涯分析：以ＪｕｄｉｔＢａｒ－Ｉｌａｎ为例［Ｊ］．晋图学刊，２０２３（３）：１－１１．·青年论坛·基于引文出版年光谱和波束图的学者学术评价与生涯分析———以ＪｕｄｉｔＢａｒ－Ｉｌａｎ为例杨毓丽（大连理工大学图书馆，辽宁大连１１６０２４）摘 要：为科学评价某一学者学术生涯特征，了解其学术研究传承脉络，并客观评价其学术影响，运用引文出版年光谱分析和波束图（Ｂｅａｍｐｌｏｔ）方法，以ＷＯＳ和Ｓｃｏｐｕｓ数据库为数据基础，构建了学者个人学术发展和影响力评价体系。
同时选择普赖斯奖获得者ＪｕｄｉｔＢａｒ－Ｉｌａｎ作为案例研究对象进行定量分析。
结果显示：与其他获奖者相比，Ｊｕｄｉｔ的学术生涯初创期和发展期较长；Ｊｕｄｉｔ是１０位获奖者中唯一一位学术影响力达到顶峰时的学术年龄小于学术生产力的学者，Ｊｕｄｉｔ的学术创新是一个积微成著、量变催发质变的过程；其多年潜心磨砺而厚积薄发，但其获得专业认可的时间偏长；在其职业生涯中后期，一直呈现高产状态，并且存在不止一个产出高峰，发表了多篇引用率较高的经典论文，影响深远。
关键词：引文出版年光谱分析；波束图；ＪｕｄｉｔＢａｒ－Ｉｌａｎ中图分类号：Ｇ２５１．２ 文献标识码：Ａ 文章编号：１００４－１６８０（２０２３）０３－０００１－１１０ 引言科学家是人类科学事业的开拓者，分析他们的学术成就不但可以了解科学家学术生涯历程及分期，而且还能揭示出其学术兴趣变化规律。
目前定量评价的指标非常多，叶鹰［１］基于国际学术评价指标研究现状，将多个学者提到的指标归为如下三类。
《球面网格及其应用》课件
正十二面体剖分法
通过将球面分解成正十二面体 来构造球面网格。
球面网格的应用
1 天体物理学中的数值 2 地球科学中的地形高 3 生物学中的蛋白质形
计算
度数据可视化
状计算
利用球面网格进行天体物 理学领域中的数值计算和 模拟。
通过球面网格将地形高度 数据可视化，如地球表面 的地图。
《球面网格及其应用》 PPT课件
欢迎来到《球面网格及其应用》的PPT课件！在本课件中，我们将深入探讨球 面网格的定义、构造和应用领域，一起来探索这个重要的数学工具吧！
什么是球面网格
• 球面网格将球面细分成若干个小网格。 • 每个小网格一般是正多边形，边长相等。
球面网格的构造
三角剖分法
通过将球面分解成三角形来构 造球面网格。
使用球面网格计算蛋白质 的形状和结构。
球面网格的计算
• 通过纬度和经度表示点在球面上的位置。 • 利用三角形面积计算球面上的距离。 • 利用球心和点之间的夹角计算距离。
球面网格的优缺点
优点：准确地表示球体形状与点 距离
球面网格能够准确地表示球体的形状和各个点之间 的距离。
缺点：构造和计算较为复杂
球面网格的构造和计算需要消耗大量的计算资源。
结语
球面网格是一个重要的数学工具，应用广泛，如天体物理学、地球科学和生 物学等领域。球面网格的计算和优化是一个开放性的研究领域，在未来仍有 很大的发展空间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第25卷 第3期2009年5月地理与地理信息科学Geog ra phy and Geo-Infor matio n Science V ol.25 N o.3M ay 2009收稿日期:2008-12-09; 修订日期:2009-02-13作者简介:关丽(1980-),女,博士研究生,从事遥感与GIS 理论与应用方法研究。
E-mail:bing er02600@基于球面剖分格网的矢量数据组织模型研究关 丽,程承旗,吕雪锋(北京大学遥感与地理信息系统研究所,北京100871)摘要:针对球面剖分格网系统的优势和目前矢量数据存储方式存在的缺陷,提出基于球面剖分格网系统的矢量数据组织模型,以期更有效地存储和管理大范围多模式的矢量数据。
主要讨论了矢量对象在不同格网层次下的剖分组织方法及其重构表达问题,并创新性地提出了球面矢量交换文件格式(SV E)。
同时,基于球面剖分格网系统设计了矢量数据的空间拓扑关系构建模式及多层次表达方式,为球面的矢量对象空间分析奠定了理论基础。
关键词:球面剖分格网;矢量数据;组织模型;多层次表达中图分类号:P208 文献标识码:A 文章编号:1672-0504(2009)03-0023-05目前,GIS 正面临着海量全球空间数据库、全球性问题研究以及位置相关信息社会化服务等方面的巨大挑战。
传统的基于地图的空间信息表达、组织、管理和发布方式已不能满足全球空间信息管理的需要[1]。
其中,矢量数据作为GIS 常用的图形数据结构,在传统的空间计算、图形编辑以及几何变换方面具有较高的效率和精度。
但由于矢量数据是由一系列离散的坐标点组成,因此存在不易分割和重组、数据拼接困难、容易产生断裂等问题[2]。
同时,矢量数据的传统分幅存储模式不利于全球空间数据的统一表达、管理和应用。
因此,构建一个新的基于全球的、多尺度、融合空间索引机制、无缝、开放的层次性空间数据管理框架,并基于此框架实现各类空间数据的表达和组织成为实际应用中亟须解决的问题。
而球面剖分格网系统(Global Subdivision Grid,GSG)是最具潜力的空间数据管理框架[3-5],其研究如何将地球(或球面)剖分为等面积和等形状的层次状面片,并实现高效空间数据的表达和管理。
由于矢量数据组织的复杂性,目前通过球面剖分格网对空间数据进行组织和表达的重点仍在栅格数据;对于矢量数据,一般采用转换为栅格数据,然后逐级剖分的模式,在矢量数据应用时则以图片形式组织[6]。
这种实现方式显然无法发挥矢量数据特有的空间分析优势。
因此,基于GSG 如何实现矢量对象的组织、表达和管理将成为制约大范围多尺度矢量数据应用的瓶颈问题。
为了解决该问题,本文提出一种矢量数据的剖分组织模型。
1 球面剖分格网系统格网应以何种形状、何种方式进行多级划分以及划分的格网如何编码,是球面剖分格网系统研究的核心问题,国内外相关成果大致可分为3类:正多面体格网模型、经纬度格网模型和自适应格网模型。
正多面体格网模型是采用基于多面体的多边形层叠配置和规则形状划分的方式表达整个球面信息,包括正四面体、正六面体、正八面体、正十二面体和正二十面体以及14个半规则立体[7](图1)。
以Dutton 的基于八面体的四分三角形格网(Octahedra-l Quaternary Triangular Mesh,O -QTM)[8]和Fekete 的基于正二十面体的球面四叉树(Sphere QuadTree,SQT)[9]为代表,其主要优点是对地球表面进行无缝、多级的格网划分,使全球空间数据能忽略投影的影响。
基于此研究成果,袁文提出一种新的球面剖分格网框架体系)))基于正二十面体和等角比投影的球面三角四叉树(Spherical Triangle Quadtree based on Icosa -hedro n and ERLRP,STQ IE)[10],该剖分模型利用等角比投影(Equal Angle Ratio Projection,EARP)的优势,具有剖分性质均衡、坐标转换简单快速的特点(图2),其具体剖分模式及编码方案参见文献[10]。
因此,本文以ST QIE 系统为基础,构建矢量数据的剖分组织模型。
2 球面剖分格网的矢量数据组织模型2.1 矢量数据的剖分组织模式2.1.1 矢量数据剖分组织流程 由于矢量数据是以连续的坐标记录来表示各种地理实体,因此,基于球面剖分格网组织矢量对象时,除考虑每个面片范围内的坐标点外,还要考虑/剖分化0产生的多余坐标点及空间对象拓扑结构的完整性问题。
因此,相比栅格数据,基于球面剖分格网的矢量数据组织具有一定的难度[11]。
主要表现为:矢量数据是由一系列离散的点组成,剖分难度大,而且在数据重组过程中容易产生断裂现象;矢量数据采用地理坐标进行记录,不同分辨率的矢量数据在同一交线处的交点不同,所以,不同分辨率的矢量数据的无缝拼接难度大。
正是基于以上原因,笔者采用/实虚结合0的方式,基于球面剖分格网构造了矢量数据的剖分组织流程。
特定的球面剖分格网实质上相当于提供自动拼图器功能,根据统一坐标对原始矢量数据进行分割。
以STQIE 球面剖分模型为例,其矢量数据剖分过程如下:首先,根据矢量地图比例尺及其精度,确定其在剖分格网中对应的层次级数,并根据面片范围对点、线、多边形等矢量数据进行分割,分割后的矢量数据将按照面片方式存储。
例如,某区域1B 25万矢量数据按照球面剖分格网进行组织,根据数据的精度得到其对应STQIE 剖分模型的第11层,于是该矢量数据被填入球面剖分格网的第11层相应范围内。
然后,通过求交运算计算分割产生的面片虚点,并在面片范围内与原有矢量数据中的实点共同组成矢量数据的实虚结合的表达方式。
其中,实点是指原始矢量数据中所包含的点;虚点是指矢量对象被面片分割所产生的点,它位于面片的边界,一般位于坐标序列的起始点和结束点,需要特殊标记,在矢量数据重构时需单独对待。
最后,按照面片索引记录每个面片内所有矢量对象并存入SVE 文件(Sphere Vector Ex chang e File)进行管理,同时完成面片节点服务器端的入库操作。
而SVE 文件是根据球面剖分格网和矢量数据的特点建立的一种新的数据交换与传输的文件格式,是一种基于XM L 语法和文件格式的文件,用来描述和保存地理信息,能够方便地实现数据的共享。
当用户需要应用矢量数据时,利用坐标序列搜索策略对矢量数据进行重构操作。
2.1.2 矢量数据剖分组织方法 以线对象为例,介绍矢量数据的剖分组织方法。
首先,根据线对象的剖分数据结构和该对象所在的面片位置信息,分别计算线对象的每一段与面片求交获取的虚点信息;在确定实点和虚点信息后,将点的数目、点的标识、名字、颜色、空间位置等信息写入SVE 文件,存入数据服务器,完成数据的剖分组织。
在剖分数据结构中,一条线对象可能被分解为若干段,因此将产生多个虚点,同时也存在若干个坐标序列,每个坐标序列在其上一级分辨率的面片中,又将由若干个坐标序列组成,线对象的剖分数据结构如图3所示。
其中,/点数量0表示该线对象组成中的实点数目,/坐标序列I 0(I=1,2,,,N )表示线对象在该面片中被分割的坐标段的坐标序列。
虚点含有一个标识,即邻近面片ID,该标识既表明该点为虚点,又表示该点的邻近面片,可以通过该标识在邻近面片中查找此线对象的其他坐标序列。
对于实点可能存在/组成的第一点0标识,该标识表明该坐标序列是线对象某段的起点,如果不包含此标识的实点,表明此点为线对象的中间点。
图3 线对象的剖分组织方法Fig.3 The arc -line objects representation2.2 矢量数据的重构表达矢量数据的重构是指从一系列的面片中重新构建完整的点、线、面等矢量对象,并建立其拓扑关系的过程。
重构问题的关键是确定面片之间的空间关系并据此搜索矢量对象,获得对象的坐标序列。
需要注意的是,获得的坐标序列中还包括数据分割时产生的虚点,在重构过程中应予以排除。
仍以线对象的重构表达为例,其重构过程涉及两个主要部分:一是坐标序列的搜索,即将线对象的整个坐标序列搜索出,以便对线对象进行重构;二是线对象的表达,即将线对象在客户端重新显示和表达,以便用户对线对象进行编辑和存储。
页24第 地理与地理信息科学第25卷2.2.1 坐标序列的搜索 对象的坐标序列搜索是从某一段坐标序列开始,通过一系列的查找搜索出整个坐标序列的过程。
以图4为例,说明线对象的搜索方法,具体过程如下。
图4 线对象序列示意Fig.4 The s eries of line objects(1)读取面片中线图层的SVE 文件,获取线对象在该面片范围的坐标序列(表1)。
该对象在该面片上有两组坐标序列,其中A 组有3个坐标点,A 1点的属性是0001111101,表明其邻近面片编号是0001111101;而A 2点的属性是空,表明其是中间点;B 组有4个坐标点,B 2的属性是/Star t Part 0,表明其是线对象某段的开始点,而B 3、B 4为空,表明其是中间点。
选取A 坐标对开始搜索,对所有属性非空且属性非/Start Part 0的点进行搜索。
本文按照深度优先的顺序进行搜索,首先查找A 3的对应点,需要搜索编号为0001111100的面片。
(2)读取编号为0001111100面片的线图层SVE 文件,获取线对象在该面片上的坐标序列(表1)。
在该序列中查找面片编号与A 3所在的面片编号相同(即0001111110)且坐标与A 3一致的坐标点,得到该坐标为C 1,于是顺序记录坐标序列,即A 1A 2A 3C 1C 2C 3C 4;接着搜索C 序列中虚点的邻接序列,可知该点为C 4,于是在面片0001111110中查找坐标与C 4相同的坐标点。
表1 坐标序列Tab le 1 The coordinate series面片编号坐标对编号坐标点编号坐标属性0001111110AA 1119.0856545755255,39.422430774054610001111101A 2119.1056545755255,39.32243077405461nu ll A 3119.1156545755255,39.352430774054610001111100BB 1119.2656545755255,39.352430774054610001111100B 2119.1756545755255,39.62243077405462Start Part B 3119.1156545755255,39.35243077405460nu ll B 4119.1376545755255,39.56243077405435nu ll 0001111100CC 1119.1156545755255,39.352430774054610001111110C 2119.1176545755251,39.51043077405462nu ll C 3119.1165457552533,39.32430774054413Start Part C 4119.1376545755255,39.5624307740543500011111100001111101DD 1119.1006545755255,39.12243077405461Start Part D 2119.1076545755251,39.12233077405462nu ll D 3119.1165457155253,39.25243740544913Start Part D 4119.0856545755255,39.422430774054610001111110(3)重新回到0001111110面片,可知B 1与C 4坐标相同,且其邻接序列是C 4所在的面片。