CN105045958A - 基于bp神经网络的gps高程拟合的实现***及方法 - Google Patents
基于bp神经网络的gps高程拟合的实现***及方法 Download PDFInfo
- Publication number
- CN105045958A CN105045958A CN201510348890.XA CN201510348890A CN105045958A CN 105045958 A CN105045958 A CN 105045958A CN 201510348890 A CN201510348890 A CN 201510348890A CN 105045958 A CN105045958 A CN 105045958A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- hidden
- fitting
- minp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于BP神经网络的GPS高程拟合的实现***及方法,***包括:数据存储单元,数据提取单元,数据选取单元,数据拟合单元,隐层确定单元。本发明的优点是:建立神经网络的BP算法的数学模型和网络结构;数据拟合时根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数,构造基于BP神经网络的GPS高程拟合模型,进行GPS高程转换,实现节点空间位置数据、区域边界、路径的提取,以及空间数据存储与管理,为施工生产决策提供了数据依据,节约了生产成本,提高GPS高程拟合的精度,可以使GPS拟合高程取代传统水准测量方法。
Description
技术领域
本发明属于地质测量技术领域,特别地,涉及一种基于BP神经网络的GPS高程拟合的实现***及方法。
背景技术
目前,GPS的观测数据经处理后,可得到两点间的基线向量及高精度的大地高差,如果已知一点的大地高,即可求得全网各点的大地高,大地高是以椭球面为基准的高程***,而我国工程中采用的是以似大地水准面为基准的正常高***。由于似大地水准面是一个不规则的曲面,它无法用一个精准的曲面来模拟,这就使得GPS只能提供高精度的大地高,而不是正常高。这严重影响了GPS三维定位应用的发展,使其提供三维坐标的优越性未能得到充分发挥。因此,在生产中GPS高精度的高程信息资源往往被浪费。由于GPS测高要远比传统水准测量来得便捷,故人们期望能用GPS高程测量来逐步取代传统的水准测量,也就需要研究GPS大地高与正常高之间的转换关系,即解决高程异常的问题。
现有技术的GPS高程拟合方法一般采用数学模型拟合法,包括平面拟合法、二次曲面拟合法、加权均值法、多面函数法等,这些数学模型拟合法对似大地水准面做了人为假设,其带来的显著缺点是:拟合的成本较高,拟合的精度较低。另外,现有技术也有人工神经网络方法进行GPS高程转换,但缺点是未设计出合理的网络结构以正确转换GPS高程。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于BP神经网络的GPS高程拟合的实现***,其能够使得GPS高程转换结果精度高、实时性好。
为达到上述目的,本发明的技术方案是这样实现的:一种基于BP神经网络的GPS高程拟合的实现***,其特征在于,包括:
数据存储单元,用于将空间数据存储为地理空间数据;
数据提取单元,用于通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;
数据选取单元,用于将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;
数据拟合单元,用于根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;对网络进行连接权值和阈值的初始化;根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;根据已训练好的网络,对测试数据进行仿真计算;
隐层确定单元,用于选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
本发明的另一目的在于提供一种基于BP神经网络的GPS高程拟合的实现方法,其特征在于,包括:
步骤一,将空间数据存储为地理空间数据;
步骤二,数据提取,通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;
步骤三,将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;
步骤四,数据拟合,包括:
e.根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;
f.对网络进行连接权值和阈值的初始化;
g.根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;
h.根据已训练好的网络,对测试数据进行仿真计算;
步骤五,选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
本发明相对于现有技术具有以下突出的实质性特点和显著的进步:
结构简单,建立了基于BP神经网络的GPS高程拟合的网络结构,包括数据存储单元,数据提取单元,据选取单元,数据拟合单元,隐层确定单元;实现方便,数据拟合时根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数,构造了基于BP神经网络的GPS高程拟合模型,进行GPS高程转换,其实现了网络转换结果精度高、网络性能稳定、实时性好的显著效果。同时,也实现了节点空间位置数据、区域边界、路径的提取,以及空间数据存储与管理,为施工生产决策提供了数据依据,节约了生产成本。提高了GPS高程拟合的精度,可以使GPS拟合高程取代传统水准测量方法。
附图说明
图1为本发明的基于BP神经网络的GPS高程拟合的实现***的结构示意图;
图2为本发明的基于BP神经网络的GPS高程拟合的实现方法的流程图;
图3为本发明的GPS高程拟合用点示意图;
图4(a)和图4(b)为本发明对应的工作集各点误差图;
图5为本发明的两种数据分配方案对应的最优结果误差比较图;
图6为本发明对应的不同节点数时的误差值示意图;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
请参照图1,本发明的基于BP神经网络的GPS高程拟合的实现***包括:数据存储单元101,用于存储空间数据为地理空间数据;数据提取单元102,用于通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;数据选取单元103,用于将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;数据拟合单元104,用于根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;对网络进行连接权值和阈值的初始化;根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;根据已训练好的网络,对测试数据进行仿真计算;隐层确定单元105,用于选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
优选地,空间数据是用来表示空间实体的位置、形状、大小及其分布特征方面信息的数据,具有定位、定性、时间和空间关系特性,SQLServer2008支持三种类型的空间数据,用来表示空间信息的几何图形,分别为:点(point)、线(linestring)和面(polygon)。
优选地,地理空间数据用一个三维的球面来确定地物在地球上的位置,点缅甸的地理坐标有精度、维度、高程构成。
优选地,地理空间数据集中存储的不仅是数据的空间特征,还包括数据的各种属性信息,在Shapefile文件中可以通过添加属性项的方法来增加数据的各种属性信息的载体。
优选地,本实施例通过ArcGIS建立ShapeFile和dBASE表,Shapefile文件至少包括主文件,索引文件,以及dBASE表,还可包括特征空间索引文件,储存地理要素主体属性表以及储存投影信息的文件。
优选地,还包括数据处理单元106,用于对所述数据提取单元提取的数据进行归一化处理。
请参照图2,本发明的基于BP神经网络的GPS高程拟合的实现方法,包括:S101,存储空间数据为地理空间数据;S102,数据提取,通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;S103,将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;S104,数据拟合,包括:根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;对网络进行连接权值和阈值的初始化;根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;根据已训练好的网络,对测试数据进行仿真计算;S105,选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
请参照图3至图6,下面以具体的实施例描述本发明的基于BP神经网络的GPS高程拟合的实现方法。
第一步,获取GPS数据
GPS接收机的实时定位***接收到的数据以geography数据类型存储于数据库的表中,如下表所示:
在Visualstudio2008环境下,用C#语言编写程序,读取点位信息存储在文本中,程序为:
用Excel表打开文本中的点数据,利用ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层。
第二步,神经网络模型的建立
采用标准激活函数的神经网络其标准输入、输出数据限定范围为[0,1],而实际工程应用中的参数(X,Y),其数值都非常大,需要将其转换为[0,1]区间的值。另外,输出结果接近0或1的区域是网络的饱和区。优选地,输出数据范围设定为[0.2,0.8]或[0.1,0.9],能够避开网络的饱和区,最终实现精确地效果。
优选地,实施例采用归一化处理的算法为:
PN=2*(PN-minp)/(maxp-minp)-1
式中PN:归一化输入向量矩阵;
minp:输入向量P各列向量的最小值;
maxP:输入向量P各列向量的最大值。
优选地,实施例采用归一化处理的算法为:
Pn=2*(p-minp)/(maxp-minp)-1
式中,minp:输入向量P各列向量的最小值;maxP:输入向量P各列向量的最大值;p为输入向量矩阵。在GPS高程拟合中输入向量p为坐标值(X,Y),minp和maxp分别代指学习集和工作集X,Y的最小和最大值。
上述两种算法能够路提高GPS高程拟合的精度。
第三步,样本的分配与选择
首先,进行样本的分配:把选取的样本分成两部分,一部分作为训练样本集用来训练模型;另一部分作为工作样本集,用来检验模型是否达到了要求,同时实现模型的基本功能。
优选地,为了取得较为理想的拟合结果,需要对学习集和工作集的组成进行试验、比较。在样本的分配阶段,使学习集和工作集样本数据分布均匀,根据这一原则拟定了两种不同的数据分配方案,用来进行试验。
试验方案一的数据构成情况表
试验方案二的数据构成情况表
第四步,基于BP神经网络的GPS高程拟合的实现
根据上面的分析,下面具体完成BP神经网络模型的建立与训练:
(1)网络建立:通过函数newff实现。根据样本数据自动确定输入层、输出层的神经元数目,同时自动调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数。
(2)初始化:通过函数init实现。newff在创建网络对象的同时,自动调用初始化函数init。根据预设的参数对网络进行连接权值和阈值的初始化。
(3)网络训练:通过函数train实现。根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练。
(4)网络仿真:通过函数sim实现。网络训练完成以后,使用该函数根据已训练好的网络,对测试数据进行仿真计算。同时也可以进行模型的检验。
程序如下:
%清除所有内存变量
clearall
%计时开始
time=clock;
%读入学习集的已知X、Y坐标值
P;
%读入学习集的已知点的高程异常值
T;
%读入工作集的X、Y坐标值
Ptest;
%数据归一化处理
[pn,minp,maxp,tn,mint,maxt]=premnmx(P,T);
%建立BP网络
Net=newff(minmax(pn),[输入层层数,隐含层层数,输出层层数],{‘传输函数’,’传输函数’,’传输函数’},’训练算法’);
第五步,隐层节点数的选取与确定
本发明采用逐渐改变节点数的方法来确定隐层单元数,即:首先将初始隐层单元节点数设定为5,构成BP网络进行训练,记录训练次数、mse(均方误差)与误差;然后将初始隐层单元节点数设定为10,继续进行训练,记录该节点下的记录训练次数、mse(均方误差)与误差;依次将隐层节点数分别设定为15和20,分别进行训练、记录结果。最后将所记录数据比较、分析,确定合适的隐层节点数。隐层不同节点时,不同试验数据对应的mse(均方误差)、训练次数及时间见下表。根据表中的结果综合分析,确定对于第一组试验数据,隐层节点确定为25,此时均方误差为1.1210e-004;对于第二组试验数据,隐层节点确定为25,此时均方误差为1.4830e-004。
隐层不同节点数的结果比较表
两种数据分配方案对应的最优结果误差比较见图。针对第二种数据方案,根据不同节点数情况下的mse值及图中显示的各点误差值,确定模型中隐层节点数为20。当隐层节点数为20时,训练次数最少为6822,用时也很短,不影响工作效率,所以是较为理想的结果。
试验结果,学习集和工作集的不同处理方法对结果的影响
由于网络的各个输入数据相差悬殊,为了使网络训练一开始就给各输入分量以同等重要的地位,需要对输入数据进行归一化处理。归一化又可以按照以下两种不同的形式进行:第一,学习集、工作集及其对应的结果分别进行归一化处理:第二,将学习集、工作集及其对应的结果集中在一起统一处理。本发明对两种方法分别进行试验、比较。
相同输入数据在不同归一化方式下的处理结果比较
各种模型参数相同的情况下,不同的归一化方式对拟合结果会产生较大的影响,采用归一化处理的算法为:PN=2*(PN-minp)/(maxp-minp)-1,Pn=2*(p-minp)/(maxp-minp)-1,将学习集、工作集及其对应的结果集中统一处理,所得的结果精确度很高。
拟合结果的精度很高。各点位拟合所得的高程异常值见表。
由此可见,本发明实现了网络转换结果精度高、网络性能稳定、实时性好的显著效果。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于BP神经网络的GPS高程拟合的实现***,其特征在于,包括:
数据存储单元,用于将空间数据存储为地理空间数据;
数据提取单元,用于通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;
数据选取单元,用于将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;
数据拟合单元,用于根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;对网络进行连接权值和阈值的初始化;根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;根据已训练好的网络,对测试数据进行仿真计算;
隐层确定单元,用于选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
2.如权利要求1所述的基于BP神经网络的GPS高程拟合的实现***,其特征在于,还包括数据处理单元,用于对所述数据提取单元提取的数据进行归一化处理。
3.如权利要求2所述的基于BP神经网络的GPS高程拟合的实现***,其特征在于,所述归一化处理的算法为:
PN=2*(PN-minp)/(maxp-minp)-1
式中,PN:归一化输入向量矩阵;minP:输入向量P各列向量的最小值;maxP:输入向量P各列向量的最大值。
4.如权利要求2所述的基于BP神经网络的GPS高程拟合的实现***,其特征在于,所述归一化处理的算法为:
Pn=2*(p-minp)/(maxp-minp)-1
式中,P为输入向量矩阵;minP:输入向量P各列向量的最小值;maxP:输入向量P各列向量的最大值。
5.如权利要求1所述的基于BP神经网络的GPS高程拟合的实现***,其特征在于,所述数据提取单元读取的数据范围为[0.2,0.8]或[0.1,0.9]。
6.一种基于BP神经网络的GPS高程拟合的实现方法,其特征在于,包括:
步骤一,将空间数据存储为地理空间数据;
步骤二,数据提取,通过ArcGIS建立ShapeFile和dBASE表,读取数据信息并显示图层;
步骤三,将数据信息进行样本分配与选择,所述样本分配包括用于训练模型的训练样本集,以及用于检验模型是否达到了要求的工作样本集;
步骤四,数据拟合,包括:
a.根据样本数据确定输入层、输出层的神经元数目,同时调整隐层神经元数目;根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数;
b.对网络进行连接权值和阈值的初始化;
c.根据样本的输入矢量、目标矢量,和预先已设置好的训练函数对网络进行训练;
d.根据已训练好的网络,对测试数据进行仿真计算;
步骤五,选取和确定隐层节点数,通过改变节点数来确定隐层单元数。
7.如权利要求6所述的基于BP神经网络的GPS高程拟合的实现方法,其特征在于,所述步骤二还包括对提取的数据进行归一化处理。
8.如权利要求7所述的基于BP神经网络的GPS高程拟合的实现方法,其特征在于,所述归一化处理的算法为:
PN=2*(PN-minp)/(maxp-minp)-1
式中,PN:归一化输入向量矩阵;minP:输入向量P各列向量的最小值;maxP:输入向量P各列向量的最大值。
9.如权利要求7所述的基于BP神经网络的GPS高程拟合的实现方法,其特征在于,所述归一化处理的算法为:
Pn=2*(p-minp)/(maxp-minp)-1
式中,P为输入向量矩阵;minP:输入向量P各列向量的最小值;maxP:输入向量P各列向量的最大值。
10.如权利要求6所述的基于BP神经网络的GPS高程拟合的实现方法,其特征在于,所述步骤二读取的数据范围为[0.2,0.8]或[0.1,0.9]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510348890.XA CN105045958A (zh) | 2015-06-24 | 2015-06-24 | 基于bp神经网络的gps高程拟合的实现***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510348890.XA CN105045958A (zh) | 2015-06-24 | 2015-06-24 | 基于bp神经网络的gps高程拟合的实现***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105045958A true CN105045958A (zh) | 2015-11-11 |
Family
ID=54452501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510348890.XA Pending CN105045958A (zh) | 2015-06-24 | 2015-06-24 | 基于bp神经网络的gps高程拟合的实现***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105045958A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295205A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的体脂百分比测量方法及其应用 |
CN109188481A (zh) * | 2018-09-20 | 2019-01-11 | 中国电子科技集团公司第五十四研究所 | 一种拟合gps高程异常的新方法 |
CN110298073A (zh) * | 2019-05-21 | 2019-10-01 | 南京理工大学 | 集成神经网络与物理***模型的换挡负载动态模拟方法 |
CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
CN113032372A (zh) * | 2021-05-24 | 2021-06-25 | 南京北斗创新应用科技研究院有限公司 | 一种基于ClickHouse数据库的空间大数据管理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239633A1 (en) * | 2006-03-29 | 2007-10-11 | Honeywell International, Inc. | Empirical design of experiments using neural network models |
-
2015
- 2015-06-24 CN CN201510348890.XA patent/CN105045958A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239633A1 (en) * | 2006-03-29 | 2007-10-11 | Honeywell International, Inc. | Empirical design of experiments using neural network models |
Non-Patent Citations (2)
Title |
---|
曹先革: "《基于人工神经网络的GPS高程异常拟合方法研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》 * |
王新志: "《BP神经网络及其在跨海大桥高程传递中的应用—以厦门集美大桥为例》", 《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295205A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的体脂百分比测量方法及其应用 |
CN109188481A (zh) * | 2018-09-20 | 2019-01-11 | 中国电子科技集团公司第五十四研究所 | 一种拟合gps高程异常的新方法 |
CN110298073A (zh) * | 2019-05-21 | 2019-10-01 | 南京理工大学 | 集成神经网络与物理***模型的换挡负载动态模拟方法 |
CN110298073B (zh) * | 2019-05-21 | 2022-07-22 | 南京理工大学 | 集成神经网络与物理***模型的换挡负载动态模拟方法 |
CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
CN112819158B (zh) * | 2021-02-05 | 2024-02-27 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
CN113032372A (zh) * | 2021-05-24 | 2021-06-25 | 南京北斗创新应用科技研究院有限公司 | 一种基于ClickHouse数据库的空间大数据管理方法 |
CN113032372B (zh) * | 2021-05-24 | 2021-09-28 | 南京北斗创新应用科技研究院有限公司 | 一种基于ClickHouse数据库的空间大数据管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105045958A (zh) | 基于bp神经网络的gps高程拟合的实现***及方法 | |
CN107067472A (zh) | 一种基于nurbs曲面重构的几何误差表征方法 | |
CN102890828B (zh) | 基于法向夹角的点云数据精简方法 | |
CN105468677A (zh) | 一种基于图结构的日志聚类方法 | |
CN102566424B (zh) | 对数控机械加工设备的模态分析测点执行布置优化的方法 | |
CN108959794A (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN108664705B (zh) | 一种基于OpenFOAM的模拟复杂地形地表粗糙度的方法 | |
CN102136157B (zh) | 一种混凝土三维细观仿真模型及其建立方法 | |
CN102609982B (zh) | 空间地质数据非结构化模式的拓扑发现方法 | |
CN102750730B (zh) | 一种特征保持的点云数据精简方法 | |
CN109859317B (zh) | 一种基于cass和catia的3dgis地形模型快速建模方法 | |
CN108627798A (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN103969682A (zh) | 一种钻测井资料深度匹配方法及*** | |
CN110428498A (zh) | 一种将三维地质模型转化为数值计算模型的方法 | |
CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
CN114549774A (zh) | 一种基于钻孔数据的三维地层建模方法 | |
CN110110406B (zh) | 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法 | |
CN110377989B (zh) | 基于水热耦合平衡的非一致性两变量设计洪水推求方法 | |
CN107886573B (zh) | 一种复杂地质条件下边坡三维有限元网格生成方法 | |
CN105260493B (zh) | 一种基于语义的油井功图计量方法 | |
CN102880753B (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
CN105657653A (zh) | 一种基于指纹数据压缩的室内定位方法 | |
CN102254093B (zh) | 基于泰森多边形的连通域统计相关算法 | |
KR101063827B1 (ko) | 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법 | |
CN114756980B (zh) | 基于Info-GAN的多设计空间耦合气动形状优化方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151111 |