一种异质空间下加权Voronoi图的栅格生成算法

针对现有Voronoi图算法很多将被划分区域理想化为匀质空间,忽略了所依赖的传导方式及空间差异性的问题,该文提出了一种异质空间下加权Voronoi图的栅格生成算法。首先根据目标中心强度确定每个目标的影响权重,根据空间传导能力确定每个栅格的传导权重,然后进行十字交叉光栅扫描,在距离变换中按栅格对距离进行分解,将目标影响权重和栅格传导权重纳入变换公式,最后连通每个栅格到最近目标点的最短路径。该算法兼顾了目标中心强度、几何形状以及空间差异性,实现了异质空间下任意形状目标加权Voronoi图的生成。实验证明,该算法时间复杂度不受目标数量、分布和形状的影响,比普通Voronoi图算法更适合复杂空间下的城市影响范围划分。     

基于动态Voronoi图的距离倒数加权法的改进研究

针对距离倒数加权法的不足,采用动态Voronoi图选取待插值点的邻近点,对每个已知数据点增加反映该点梯度的增量,并建立已知数据点的ε邻域避免计算误差,以改进距离倒数加权法,为距离倒数加权法的广泛应用创造条件。通过交叉检验与实际应用,证实利用改进后的距离倒数加权法进行空间数据插值精度更高,效果更为理想。     

不同集合的球面矢量Voronoi图生成算法

分析现有球面VORONOI图生成算法的不足,介绍球面不同集合V图的定义,在此基础上提出球面偏置曲线的概念并总结了它的性质,具体分析不同集合在球面上的偏置结果及处理方法,提出基于球面偏置的多集合V图生成算法,通过实验检验算法的正确性与效率,最后得出结论和进一步的研究方向。     

Voronoi图生成的栅格算法

介绍了Ｖｏｒｏｎｏｉ图的矢量算法,从用于ＧＩＳ的角度分的了该方法存在在的问题和不足,提出Ｖｏｒｏｎｏｉ图生成的栅格方法,分析了利用传统的距离变换生成栅格Ｖｏｒｏｎｏｉ图的误差情况,对各种栅格算法从精度方面进行了分析,并给出空间实体Ｖｏｒｏｎｏｉ图的生成过程。     

基于Voronoi图的长春市变电站选址

利用Voronoi图的最邻近性和空心圆特征,结合实际用电需求,通过ArcGIS与Matlab进行迭代模拟分析,得到长春市规划变电站位置,从而为变电站的具体空间落位提供了可靠依据。     

基于面向对象的Voronoi图生成算法

面向对象方法是当前较为流行的程序设计方法。针对目前一些生成Voronoi图的算法中所存在的不足，探讨面向对象技术在Voronoi图的生成中的应用。     

地图点群综合的加权Voronoi算法

提出了一个基于加权Voronoi图的地图点群综合算法。为点群中包含的统计、专题、拓扑和度量信息分别选定量化描述因子,并把这些因子运用到点群综合过程中,来保证对应类型信息的正确传输;点群综合的过程借助于反复构造点群的加权Voronoi图来实现。     

基于加权Voronoi图的湖南省城市影响范围分析

城市影响范围是中心城市对于周围地区社会、经济、环境等因素共同作用所及的最大地域范围,是相邻的中心城市空间竞争的结果.Voronoi图按照最邻近原则划分平面,常用于空间剖分,加权Voronoi图用于各发牛元权重有较明显差别情况下的空间剖分.选取与城市影响范围有关的8个指标,利用专家打分法得到湖南省14个地级市综合规模强度,以此作为Voronoi图中各发生元的权重构建加权Voronoi图,计算湖南省14个地级城市基于综合规模城市影响范围,分析表明该方法对城市经济区划有指导作用.     

Voronoi图生成的栅格算法

介绍了Voronoi图的矢量算法,从用于GIS的角度分析了该方法存在的问题和不足,提出Voronoi图生成的栅格方法。分析了利用传统的距离变换生成栅格Voronoi图的误差情况,对各种栅格算法从精度方面进行了分析,并给出了空间实体Voronoi图的生成过程。     

基于六边形网格的球面Voronoi图生成算法

利用二十面体施奈德等积多面体投影构建了球面多分辨率六边形层次网格;通过边界四元组将六边形单元分解到四元三角形及其子单元中处理;利用改进的四元三角网编码方案建立了网格的数字空间、单元层次编码模型和不同实体在球面上的表达方法.在此基础上,提出了球面Voronoi图的生成算法.实验结果表明该算法与现有算法相比具有更高精度.     

贪心算法的地理加权回归特征变量选择方法

针对建立地理加权回归(GWR)模型时,无法直接应用普通线性回归(OLR)常用的特征变量选择方法,且计算过程较复杂的问题,该文基于贪心算法原理,通过引入Akaike信息法则,设计了适用于GWR的特征变量选择方法:逐个引入或删除特征变量,判断该变量对模型置信水平影响程度,根据评价准则决定该变量的取舍,最终实现模型外没有关系强的变量、模型内没有关系弱的变量。实验结果表明,比较基于OLR的逐步回归、向前引入法和向后删除法3种方法选择变量建立模型,向前引入法优于向后剔除法,两者都优于基于OLR的逐步回归法,更适用于GWR分析。