本书以中小比例尺道路、居民地、河系等典型地图要素为研究对象，从制图综合的自动化与智能化两个方面展开研究。本书简述与分析制图综合的基本概念、自动化和智能化制图综合的研究过程及其发展；辨析制图综合模型与制图综合知识；实现道路网自动化综合方法、道路网智能化综合方法、居民地自动化综合方法、居民地智能面状综合方法及河系智能化综合方法；介绍典型的制图综合知识服务架构及系统实现。
更多科学出版社服务，请扫码获取。
目录
序
前言
第1章 引言 1
1.1 制图综合概述 1
1.1.1 制图综合概念 1
1.1.2 制图综合算子 2
1.1.3 制图综合对象 4
1.2 智能化制图综合概述 5
1.2.1 智能化制图综合概念 5
1.2.2 智能化制图综合背景 6
1.2.3 智能化制图综合意义 7
1.3 智能化制图综合发展 8
1.3.1 研究进展 8
1.3.2 存在问题 12
1.3.3 未来方向 13
参考文献 14
第2章 制图综合模型与制图综合知识 17
2.1 制图综合模型 17
2.1.1 道路网骨架层次模型 17
2.1.2 道路弯曲化简模型 21
2.1.3 居民地重要性影响因子模型 26
2.2 制图综合知识 31
2.2.1 制图综合知识的概念与形式化 31
2.2.2 基于案例的制图综合知识获取 38
2.2.3 基于案例学习的制图综合 45
参考文献 47
第3章 道路自动化综合 50
3.1 基于道路网层次骨架控制的道路选取方法 50
3.1.1 道路层次骨架提取 50
3.1.2 各层次Stroke重要性评价和选取流程 54
3.1.3 基于层次骨架的道路选取流程及对比 58
3.1.4 实验与分析 60
3.1.5 小结 60
3.2 基于三元弯曲组划分的道路形态化简方法 61
3.2.1 道路化简前的预处理 62
3.2.2 道路弯曲识别 63
3.2.3 三元弯曲组构建和化简 66
3.2.4 基于三元弯曲组的循环化简策略 69
3.2.5 小结 72
3.3 基于弯曲的道路化简冲突避免方法 73
3.3.1 道路化简导致空间冲突的原因与类型分析 73
3.3.2 基于弯曲的道路化简冲突判别方法 75
3.3.3 避免产生化简冲突的解决方法 77
3.3.4 小结 79
参考文献 81
第4章 道路智能化综合 82
4.1 基于案例类比推理的道路网智能选取方法 82
4.1.1 CBR模型 82
4.1.2 基于案例类比推理的道路网智能选取原理 83
4.1.3 案例库简化和案例泛化 84
4.1.4 基于案例类比推理的道路网智能选取流程 87
4.1.5 实验验证及结果分析 89
4.1.6 小结 95
4.2 基于案例归纳推理的道路网智能选取方法 95
4.2.1 基于案例归纳推理的道路网智能选取原理 95
4.2.2 归纳学习机制研究 96
4.2.3 归纳推理结果 104
4.2.4 基于案例归纳推理的道路网智能选取流程 107
4.2.5 实验验证及结果分析 108
4.2.6 小结 113
4.3 基于卷积神经网络的立交桥识别方法 114
4.3.1 理论依据 114
4.3.2 基于视觉型案例的栅矢结合立交桥识别策略 115
4.3.3 立交桥初步定位以及案例获取 118
4.3.4 采用AlexNet模型对立交桥样本进行分类模型训练 122
4.3.5 实验与分析 125
4.3.6 小结 129
4.4 线要素（道路）化简算法及参数自动设置的案例类比推理方法 129
4.4.1 理论依据 129
4.4.2 案例推理的化简算法及参数自动设置原理 130
4.4.3 面向案例类比推理的化简效果评估 133
4.4.4 基于案例类比推理的算法及参数迭代寻优 135
4.4.5 实验与分析 138
4.4.6 小结 141
参考文献 141
第5章 居民地自动化综合 143
5.1 采用主成分分析法的面状居民地自动选取方法 143
5.1.1 采用主成分分析法的居民地重要性评价原理 143
5.1.2 主成分分析法的原理与步骤 144
5.1.3 采用主成分分析法的居民地自动选取流程 146
5.1.4 实验验证与分析 149
5.1.5 小结 152
5.2 基于层次分析法的面状居民地自动选取方法 152
5.2.1 采用层次分析法的居民地重要性评价原理 152
5.2.2 层次分析法的原理与步骤 153
5.2.3 基于层次分析法的居民地自动选取流程 155
5.2.4 实验验证与分析 157
5.2.5 小结 162
5.3 顾及分布特征的面状居民地自动选取方法 162
5.3.1 基于约束Delaunay三角网的居民地分布特征提取 162
5.3.2 顾及居民地分布特征的选取流程 165
5.3.3 实验与分析 168
5.3.4 小结 170
参考文献 171
第6章 居民地智能化综合 172
6.1 基于决策树算法的面状居民地智能选取方法 172
6.1.1 理论依据 172
6.1.2 居民地要素属性参量设计与初步分析 173
6.1.3 基于决策树的居民地综合规则生成 176
6.1.4 实验与分析 180
6.1.5 小结 182
6.2 基于KNN算法的面状居民地智能选取方法 182
6.2.1 KNN算法基本思想及优势分析 183
6.2.2 基于KNN算法的居民地案例的设计与构建 184
6.2.3 基于KNN算法的居民地案例匹配机制设计 187
6.2.4 实验与分析 189
6.2.5 小结 194
6.3 顾及多特征的点群居民地SOM聚类选取算法 194
6.3.1 点群居民地分类 195
6.3.2 外部轮廓居民地选取方法 195
6.3.3 内部普通居民地选取方法 196
6.3.4 实验与分析 199
6.3.5 小结 205
6.4 顾及道路网约束的点群居民地SOM聚类选取算法 205
6.4.1 道路在居民地选取中的约束作用 205
6.4.2 顾及道路网约束的SOM聚类 207
6.4.3 实验与分析 209
6.4.4 小结 220
参考文献 220
第7章 河系智能化综合 222
7.1 基于朴素贝叶斯的树状河系分级方法 222
7.1.1 基于朴素贝叶斯的树状河系分级方法原理 222
7.1.2 主支流案例的设计和获取 224
7.1.3 主支流NBC分类模型的训练和测试 227
7.1.4 实验与分析 228
7.1.5 小结 231
7.2 规则约束下朴素贝叶斯辅助决策的树状河系选取方法 232
7.2.1 规则约束下朴素贝叶斯辅助决策的树状河系选取方法原理 232
7.2.2 河流选取案例的设计与获取 234
7.2.3 河流选取NBC分类模型的训练与测试 236
7.2.4 实验与分析 237
7.2.5 小结 240
7.3 基于支持向量机的河流化简方法 240
7.3.1 基于支持向量机的线化简方法原理 240
7.3.2 化简案例的设计及获取 242
7.3.3 SVM分类模型的训练 246
7.3.4 实验与分析 247
7.3.5 小结 250
参考文献 251
第8章 基于CGC的制图综合知识服务架构及系统实现 253
8.1 基于CGC的制图综合知识模型 253
8.1.1 基于CGC的知识模型组成 253
8.1.2 三种案例及其衍生知识特点 254
8.2 CGC的获取及存储 255
8.2.1 案例来源 255
8.2.2 存储格式 257
8.3 CGC知识库组织管理和使用 257
8.3.1 案例预处理 258
8.3.2 案例库元数据和索引 259
8.3.3 案例知识转化 260
8.3.4 知识库更新与共享 261
8.4 CGC知识管理服务系统设计 262
8.5 基于CGC的自动制图综合系统 264
8.5.1 实验系统概述 264
8.5.2 系统核心功能实现 267
8.6 小结 275
参考文献 276
书单推荐
