层形成：卷积层用于从输入图像中提取与极点选择相关的特征图(3) 躲藏层由一个独立卷积层、多个残差块和一个全毗连；取更深条理的特征图残差块用于进一步提，操纵分歧条理的特征图并通过腾跃毗连融合；的特征图的特征值计较极点选择环境全毗连层操纵最初一个残差块生成。中其，入批量尺度化(batch normalization卷积层和残差块的布局如图 4(b)所示：卷积层中引，梯度消逝的问题[28]BN)[27]以缓解，减卷积层偏置参数[28]且引入批量尺度化还能约，f(BN(Conv(X使计较过程简化为Y=,)))WJ；有腾跃毗连的卷积层形成残差块能够看作由两个具，加激发的退化问题[29]可以或许避免神经收集深度增，(1)、式(2残差块计较见式)

　　选择的精确性看(1) 从极点，练集仍是测试集无论是基于训， score值都高于PreFu和SVMFu表 2中NNFu的Accuracy和F1，的极点选择精度高于SVMFu和PreFu神经收集更好的矫捷性和顺应性使NNFu。

　　了对图形决策和图像决策的集成(1) 所有融合模子都实现，差的模子获得显著提拔使融合前结果相对较。于表 1中融合前MI模子的Accuracy和F1 score值表 2中所有融合模子的Accuracy和F1 score值高，I精度获得提拔融合模子使M。是但，score值不都高于融合前的MV模子融合模子的Accuracy和F1 ，使MV精度受损部门融合模子。

　　化模子参数求解、优。〈vi操纵{,vi)FV(,i1[t,〉i∈[1ti2],全毗连神经收集na]}锻炼，的最优权重和偏置值求解合用于本节使命，述为：起首具体过程描，随机赋初始值对权重和偏置；后然，算输出值[pi1′输入FV(vi)计,2′]pi，0]怀抱[pi1′建立丧失函数[2,到[ti1pi2′],的丧失值ti2]，领受集的权重和偏置值以降低丧失、迫近真值操纵梯度下降方式[20]自顺应调整全连；归并反复ne次遍历锻炼样本集，型参数优化模。竣事后锻炼，收集参数固定全毗连神经，极点选择模子MV获得基于图形的。∈la或lc对肆意vi，FV(vi))=[pi1′可施行MV(vi)=GV(,2′]pi。

　　提取样本并建立锻炼集和测试集别离从锻炼部门和测试部门中。格图像时提取栅，0.2 mm令svo=,/2S1=5 mpix=svo,=128npix；比栅格曲线更容易被卷积神经收集进修且考虑到文献[15]指出头具名状图斑，文情况的栅格图像如图 6所示从岛屿面域中提取包含极点上下。栅格图像的示图6 提取例

　　距离小于原始比例尺图上最小可视距离[22]对应的现实距离指点极点选择判断的栅格图像应满足：①图像像素对应的现实，要素细节足够清晰包管栅格图像中。svo/S2即满足pix，像行(列)像素个数此中npix为图。①、②基于，栅格图像的方式设想对vi提取，(vi)记为FI，如下具体。

　　vi为核心(2) 以，为pixnpix的正方形区域建立与外接矩形各边平行且边长。

　　的极点选择使命面向基于图形，建立从极点图形特征项到极点选择的映照设想基于全毗连神经收集的极点选择模子，(b)所示如图 2。

　　融合的常用方式[30]线性加权法是实现多目标，线性加权模子实现融合操纵MV和MI的输出成果通过，4)所如式(示

　　后文论述为便利，尺别离记为S1、S2将化简前、后的比例，的要素别离记为la、lb供模子锻炼的化简前、后，简要素记为lc模子使用中待化。极点记为vi形成要素的，示为la={vii∈[1la、lb和lc别离表,]}na,ii∈[1lb={v,]}nb,ii∈[1lc={v,]}nc。

　　国而战为祖！兵讲线号线时起全线停运俄罗斯总统普京胜利日阅，交全网..至此上海轨.

　　模子越精确极点选择，成果越靠得住预测的选择，占权重越大融应时所。此因，重(即λ′和λ″MV和MI的权，由两模子精度计较而得且λ′+λ″=1)，)所示(5如式(5)

　　NFu起到了提拔极点选择精度的结果(3) PreFu、SVMFu和N，像决策的融合操纵实现了图形和图。集和测试集对于锻炼，racy和F1 score值高于MV和MIPreFu、SVMFu和NNFu的Accu。以机械进修为根本这些融合模子大都，合数据集中发觉纪律、指点融合使用支撑向量机和人工神经收集可以或许从融，MV和MI成果数据融应时用于关系懦弱且不明白的，活性和顺应性具有更好的灵。

　　[32文献,53,有代表性的主动化简方式38-39]是近些年具。中其，[35文献,极点的化简方式39]是基于，[32文献,弯曲的化简方式38]是基于，制两方式的化简参数都可用于岸线]控，简成果的极点数不异使化简成果与尺度化；]记为方式4文献[38，置为0.3 mm和0.5 mm弯曲化简的宽度阈值和深度阈值设；]记为方式5文献[32。化简测试部门岸线操纵方式2—5，价如表 6所示化简成果量化评。

　　)b，样地同，有神经元的领受值计较出第1隐层所；于此基，神经元的领受值计较第2隐层；层神经元的领受值顺次计较后续各，神经元的领受值直至获得输出层，i1′即[p,2′]pi。

　　器进修器完成进修使命[16]集成进修通过建立、连系多个机，博采众长”以实现“。为：先别离建立基于图形和基于图像的极点选择模子融合操纵图形、图像的集成进修化简方式的根基思绪，对统一极点的选择环境进行进修和预测别离从图形特征条理和栅格图像条理；基于图像的极点选择进行融合操纵再建立融合决策模子对基于图形和，的选择决策获得最终。图 1所示总体方案如。用的智能化简方式的总体方图1 图形、图像融合利案

　　：在不异的极点压缩率下阐发表 8、表 9可知，简岸线更小NNFu化；曲压缩率下在类似的弯，多的弯曲且发生更小的位置误差本文方式较方式4可以或许压缩更，化简前后的全体类似性本文方式更好地连结了。外此，岸地舆特征上在连结分歧海，具有必然劣势本文方式也。(a)中图 10，框内)的不良化简粉碎了其本来地舆意义本文方式更好地连结了人工岸线](虚线；(b)中图 10，态及湾口位置的精确性(虚线框内)本文方式更好地连结了海湾的全体形，湾地舆特征认识的分歧性确保了对化简前、后海；(c)中图 10，线更好地连结了盘曲部门与滑润部门的差同性本文方式较方式4更好地化简了狭长河口(虚。所述综上，法的优胜性和顺应性进一步证明了本文方。(蓝色曲线为原始岸线、红色曲线为化简成果图 10 分歧类型海岸线化简结果的比力)

　　环境下凡是，量调集的最大间距超平面实现二分类[20]支撑向量机通过进修建立可以或许准确朋分支撑向。样本、神经收集都不不异因为MV和MI采用的，系在低维空间中不易发觉两模子输出成果间的关。支撑向量{pi1′需要操纵核函数将,射到更高维空间pi1″}映，pi1′记为(,1″)pi，1)的超平面(即μ(pi1′在高维空间中求解满足式(1,=0)朋分支撑向pi1″)+η量

　　态复杂多变岛屿岸线形，要素之一[32]是化简难度最大的，线作为试验对象验证各模子无效性以新西兰Stewart岛屿岸。岛屿岸线个极点用于测试1∶5万Stewart，(a)所示如图 5；点选择案例获取方式采用文献[9]中顶，岸线数据中提取极点选择成果作为尺度化简成果从人工分析的1∶25万Stewart岛屿，(b)所示如图 5。rFlow框架基于Tenso， 2070s的运算情况下实现本文方式操纵Python言语在GPU RTX，1∶25万的极点选择决策进修、模仿从1∶5万至。试验数图5 据

　　选择决策：操纵全毗连神经收集建立了基于图形的极点选择模子本文集成几种机械进修算法进修、模仿、优化化简过程中的极点，基于图像的极点选择模子操纵卷积神经收集建立了，可以或许分析操纵基于图形和基于图像的极点选择的诸多融合决策模子操纵线性加权、贝叶斯理论、支撑向量机、全毗连神经收集成立了，化简学问进修模仿极点选择的智能化简实现了融合操纵图形和图像中包含的，高、分歧模子劣势互补的优良结果起到了极点选择优化、化简精度提。

　　ecall、Accuracy和F1 score建立4个加权融合模子建立以下几个融合决策模子：①别离基于锻炼集Precision、R，Fu、AccFu和F1Fu别离记为PreFu、Rec；叶斯融合模子②建立一个贝，ayFu记为B；数为0.01的支撑向量机融合模子③建立一个采用高斯核函数、赏罚系，VMFu记为S；个神经元的全毗连神经收集④建立一个躲藏层包含32，0次锻炼而得的融合模子记为NNFu由该神经收集对锻炼集数据反复进修1。理锻炼集和测试集操纵融合模子处，和F1怀抱评价极点选择结果计较查准率、查全率、精确率，2所示如表 。ision和Recall的加权平均因为F1 score是对Prec， score阐发各融合模子结果着重基于Accuracy和F1。

　　操纵图形特征确定极点选择环境基于图形的极点选择使命就是，：[pi1′形式化暗示为,(FV(vi))pi2′]=GV。中其，极点图形特征项FV暗示计较，={FV1(vi)本文中FV(vi),…,(vi)}FV18；征项到极点选择的映照GV暗示从极点图形特；i1′[p,(vi)计较的vi选择环境pi2′]暗示GV基于FV，示vi被保留和被删除的概率pi1′和pi2′别离表。

　　差块是、否对特征图尺寸进行压缩式(1)、式(2)别离暗示残，征图使其与Sub(X)尺寸不异式(1)通过调整卷积步长压缩特。

　　为输入神经元的输入值将MV和MI的成果作，现两模子成果的融合操纵操纵全毗连神经收集实。pi1′基于{,1″pi,i1[t,i∈[1ti2],策模子：因为支持融合决策的特征项较少na]}设想全毗连神经收集建立融合决，接神经收集布局采用3层全连；两个神经元输入层包含，1′和pi1″用于领受pi；层数为1躲藏层，策相关的多元特征用于提取与融合决；用于领受极点选择决策输出层包含一个神经元，数为softmax函数且毗连输出层的激活函。pi1′操纵{,1″pi,i1[t,i∈[1ti2],练神经收集na]}训，神经收集参数求解、优化。收集记为NN锻炼后的神经，的融合决策模子基于NN建立为

　　上下文情况的栅格图像确定极点选择环境基于图像的极点选择使命是操纵包含极点，：[pi1″形式化暗示为,(FI(vi))pi2″]=GI。中其，像到极点选择的映照GI暗示从栅格图；i1″[p,(vi)计较的vi选择环境pi2″]暗示GI基于FI，示vi被保留和被删除的概率pi1″和pi2″别离表。

　　结果和测试集的预测结果都没有达到NNFu模子的结果比力表 1—3与表 5发觉：方式1对锻炼集的进修，前的MV模子以至逊于融合。凡是被认为弱于MV模子采用的多层全毗连神经收集这是由于方式1采用的支撑向量机模子的进修能力，极点选择这一相对复杂使命其难以充实进修控制岸线；外此，可怀抱的图形特征方式1只顾及了，隐含于图像中的恍惚学问而NNFu模子还融合了。所述综上，优于方式1本文方式。

　　成果都是极点选择概率MV和MI模子的输出，于此基，点选择概率环境下的极点选择前提概率可计较在已知基于图形和基于图像的顶，([ti1即计较P,V(vi)ti2]M,vi))MI(。贝叶斯方式操纵朴实，[ti1对P(,V(vi)ti2]M,进行分化、转化MI(vi))，7)(7如式()

　　成进修智能化简方式及其在岛屿岸线化简中的使用原题目：《学术交换 图形、图像融合操纵的集》

　　持向量被准确分类软分类使大部门支，成的不完全精确的支撑向量合用于处来由MV和MI生。和η使用于式(12)将求解的超平面参数μ，二分类器构完成SVM建

　　方式2顾及了化简前后的面积连结阐发表 6与表 3能够发觉：，冲区限差都优于方式3—方式5面积差、符号堆叠率、视觉缓，有很好的全体类似性与尺度化简成果具，冲区限差外但除视觉缓，没有达到NNFu的程度面积差、符号堆叠率都，相等会导致局部变形较大且严酷包管化简前后面积，rff距离相对最大表示为Hausdo；果的全体类似性逊于NNFu方式3化简成果与尺度化简结，答应在可视范畴内挪动极点但方式3在压缩极点的同时，dorff距离优于NNFu使表征局部类似性的Haus；准化简成果的全体类似更差方式4—5化简成果与标，点的处置粒度更粗这是因为弯曲比顶，更大的变描述易发生；面向海图使用出格是方式5，曲化简为主以单侧弯，的全体类似最弱与尺度化简成果。往往只顾及无限束缚这些主动化简方式，围内结果优良且只在束缚范，可能具有1个目标优于NNFu的化简成果表示为方式2—5化简成果的量化评价中；束缚往往是多元夹杂的而现实地图分析中化简，果中进修化简决策本文方式从数据成，性和顺应性更具优胜，的量化评价目标最多不跨越1个表示为方式2—5优于NNFu。

　　率(Accuracy)和F1怀抱(F1 score)等目标评价法可采用查准率(Precision)、查全率(Recall)、精确。而言具体，)对锻炼样本集进行测试就是操纵MV(或MI，与现实选择环境进行比力将预测的极点选择环境，计较方式拜见文献[31])评价模子精度计较查准率、查全率、精确率和F1怀抱(。

　　于正方形区域内的矢量要素转换为栅格图像(3) 操纵矢栅转化方式[23]将包含，为pix像素大小，pixnpix图像尺寸为n。

　　偏置参数是影响模子计较的环节卷积核权重、全毗连层权重和，.3节参照2，极点选择样本锻炼模子操纵基于栅格图像的，优化模子参数自顺应求解、，像的极点选择使命使其合用于基于图。中其，选择样本记实为〈极点基于栅格图像的极点，图像栅格，环境〉选择。a中极点遍历l，本集{〈vi获得锻炼样,vi)FI(,i1[t,〉i∈[1ti2],]}na；练卷积神经收集操纵此样本集训，的求解和优化实现模子参数，拜见2.3具体过程。竣事后锻炼，络参数固定卷积神经网，极点选择模子MI获得基于图像的。∈la或lc对肆意vi，(FI(vi))=[pi1″可施行MI(vi)= GI,2″]pi。

　　间的毗连关系融合操纵多种特征全毗连神经收集可以或许操纵神经元，的智能决策[20]常用于基于特征项。层神经元间建立毗连关系全毗连神经收集仅在相邻，邻层所有神经元毗连且每个神经元都与相。数为权重和偏置神经元毗连参，毗连计较：xj为上一层神经元的输出值图 2(a)展现了基于权重和偏置的，神经元的领受值y为下一层毗连；示权重和偏置参数wj和b别离表；活函数f为激，线性函数常采用非，毗连神经收集的极点选择模以拟合复杂非线 基于全型

　　模子与以下化简方式进行对比令融合结果最好的NNFu，法的优胜性验证本文方。

　　(vi)计较[pi1′全毗连神经收集基于FV,述为：FV1(vi)pi2′]的过程可描,…,层神经元传送至第1躲藏层FV18(vi)由输入，层的黄色神经元的领受值图 2(b)中第1隐为

　　数是影响模子计较精确性的环节神经元间毗连的权重和偏置参，极点选择样本锻炼模子操纵基于图形特征的，优化模子参数自顺应求解、，形的极点选择使命使其合用于基于图。

　　现地图分析主动化、智能化的环节[1]地图分析学问的笼统、获取和使用是实。束缚是实现主动分析的典范思绪[2]操纵法式言语翻译可以或许明白表达的分析。是但，、视觉感触感染等诸多恍惚要素[3]影响地图分析还遭到制图经验、客观认知，晰、精确形式化描述分析学问难以全数清。中发觉恍惚学问、辅助分析决策机械进修手艺可以或许从数据功效，智能化升级[4]鞭策了主动分析。合算子之一[5]化简作为主要综，体分为以下两类：①图形级方式基于机械进修的智能化简方式大。极点作为根基处置单位此类方式将形成图形的，出与化简相关的特征项从极点几何特征中笼统，征项实现压缩极点的化简目标智能算法通过进修、处置特。点位置坐标作为特征项文献[6-7]将顶，型处置特征项、优化极点选择别离操纵遗传算法和蚁群模，能化简实现智；数和垂线距离两个特征项文献[8]添加了夹角参，特征项实现极点聚类和压缩操纵自组织神经收集聚类；影响化简的极点特征项文献[9]提取了九个，进行监视进修实现智能化简操纵支撑向量机对特征项。级方式②图像。、以图像像素为根基处置单位此类方式以矢栅转换为根本，像中进修化简算子操纵智能算法从图。栅格建筑物轮廓中进修、追踪化简轨迹实现化简处置文献[10]操纵三层BP神经收集从化简前后的；码器实现栅格建筑物模板婚配文献[11]操纵卷积自编，化简建筑物轮廓并操纵婚配模板。格迁徙中成功使用[12-13]跟着深度进修模子在图像翻译、风，后图像变换的思绪逐渐展开进修、模仿从化简前到化简。从化简前到化简后栅格建筑物轮廓变化文献[4]操纵U-net进修、模仿；特地的剖分及栅格样本生成方式针对蜿蜒、绵长的线]设想了，度进修模子模仿从化简前到化简后的图像变换别离操纵残差Unet、Pix2Pix等深。

　　经收集和卷积神经收集建立、锻炼全毗连神，图像的极点选择实现基于图形和。中其，的神经元数顺次为64和32全毗连神经收集2个躲藏层；、4个残差块和1个全毗连层卷积神经收集包含1个卷积层，×8、6×6、3×3、3×3卷积核大小顺次为3×3、8，1/4、1/4、1/2、1/2残差块将特征图大小顺次压缩为。函数均为ReLU函数[20]试验所有神经收集两头层激活，叉熵函数[20]丧失函数均为交，Adam方式[33]梯度下降方式均采用。止前提别离为ne=20和ne=50全毗连神经收集和卷积神经收集锻炼终，精确率变化如图 7所示锻炼过程中对锻炼集拟合。评价锻炼后的MV和MI基于锻炼集和测试集数据，、精确率和F1怀抱统计查准率、查全率， 1见表。表 1可知由图 7和，、控制了岸线化简中的极点选择MV和MI别离必然程度长进修，泛化使用能力都具有必然，优于MI且MV。舍模子锻炼过程中锻炼集精确率的变图7 基于图形和基于图像的极点取化

　　或机构在磅礴旧事上传并发布出格声明本文为磅礴号作者，者或机构概念仅代表该作，闻的概念或立场不代表磅礴新，供消息发布平台磅礴旧事仅提。请用电脑拜候申请磅礴号。

　　部感触感染野从图像中感知多条理特征卷积神经收集可以或许操纵卷积核和局，能决策[24-26]常用于基于图像的智。图像特征的环节卷积是感知栅格,详见文献[24]图像卷积计较方式。行卷积运算生成特征图输入图像与卷积核进，查对局部感触感染野感知的成果特征图中的特征值是卷积，域对应特征图红框区域的局部感触感染野如图 3(a)中输入图像红框区；局部感触感染野的范畴和位置卷积核规模和步长影响，部感触感染野的感触感染成果卷积核的权重影响局；卷积核可以或许对局部感触感染野进行多样感知具有分歧权重、分歧规模、分歧步长的，同特征图获得不，步长的卷积运算发生了分歧的特征图如图 3(a)中分歧权重、分歧；进行卷积运算特征图再次，征图、获取多条理感知能够提取更深条理的特。外此，必然范畴内的特征值进行下采样池化运算[24-25]可以或许对，征图压缩实现特，略的感知成果获得愈加概，(b)所示如图 3。层和池化层提取、操纵多条理特征卷积神经收集通过反复布设卷积，(c)所示如图 3。别暗示为Y=f(Conv(X卷积层和池化层的计较过程分,Y=Sub(X)WJ)+BJ)和，输入和输出像素值(或特征值)矩阵X和Y别离为卷积层(或池化层)的；活函数f为激；核权重矩阵WJ为卷积；偏置参数BJ为。化感知图像多条理特图3 操纵卷积、池征

　　没有起到融合操纵MV和MI成果、提拔极点选择精度的结果(2) RecFu、AccFu、F1Fu和BayFu。锻炼集对于，的Accuracy和F1 score值低于MVRecFu、AccFu、F1Fu和BayFu。模子或贝叶斯融合模子这些模子属于加权融合，上建立的融合模子是在必然假设根本。中其，I输出成果间具有线性关系加权融合模子假设MV与M，设概率能够被频次近似贝叶斯融合模子中假。型使用的矫捷性和顺应性这些固定假设影响了模，、精确率丧失等问题导致融合结果欠安。

　　似地类，行多标准化简试验操纵本文方式进，[15]、Hausdorff距离、面积差和平均曲率类似度[37]并计较测试部门海岸线万时线要素化简前后的极点压缩率[9]、长度比， 4见表。进行多标准化简本文方式可以或许，、化简成果越概略且比例尺跨度越大，化的客观纪律合适多标准变；要素的盘曲程度分歧性较高各标准化简成果与原始线，的几何类似性连结了优良。

　　包含了对未被发觉且难以形式化描述的恍惚化简学问的操纵操纵机械进修方式感知栅格图像、指点化简决策的进修模仿，换丧失的影响但遭到矢栅转，以包管化简成果的点位精确以像素作为化简处置单位难。连结化简成果点位精确化简处置图形极点可以或许，项进修模仿化简算子但仅操纵可怀抱特征，确化简学问的操纵局限于对已知明。习策略[16]本文基于集成学，机械进修算法通过集成几种，模仿极点选择决策的智能化简方式设想可以或许融合操纵图形、图像进修，精确的前提下在确保点位，、优化智能化简结果的目标达到充实操纵各类化简学问。

　　：杜佳威作者简介，男，士生博，合、空间数据智能处置研究标的目的为主动地图综等

　　果及其包含的化简学问为充实操纵已有化简成,形、图像融合操纵的智能化简方式本文集成几种机械进修算法提出图,策的进修和优化实现极点选择决。先首,基于图形的极点选择模子和基于图像的极点选择模子别离操纵全毗连神经收集和卷积神经收集设想、建立,极点选择和从栅格图像到极点选择的映照通过样本锻炼各模子拟合从图形特征到;后然,机、人工神经收集建立多种融合决策模子基于线性加权、朴实贝叶斯、支撑向量,像的极点选择的融合操纵实现基于图形和基于图;后最,所有模子进行测试通过试验用例对。选择模子在必然程度长进修、控制了化简算子试验成果表白: 基于图形和基于图像的极点,化简精确性、实现劣势互补融合操纵后还能进一步提高。

　　的极点选择使命面向基于图像，型建立从栅格图像到极点选择的映照设想基于卷积神经收集的极点选择模，(a)所示如图 4。经收集的极点选择模图4 基于卷积神型

　　有代表性的智能化简方式文献[9]是近些年具，的18种极点特征项丰硕、全面但其采用的特征项不及本文采用。性、节制对比试验变量为加强两方式的可比，并将其特征项扩展至与本方式不异对例如式1采用文献[9]方式。率和F1怀抱都相对较高操纵锻炼部门岸线的精确，测试部门进行化简操纵此时的模子对，评估如表 5所示化简成果的量化。精确率和F1 score的变图9 方式1在锻炼过程中模子化

　　法的优胜性与顺应性进一步验证本文方，行对比试验：操纵NNFu化简新西兰南岛的4段岸线)扩充测试数据并与具有普遍合用性的化简方式3、4进，9]、弯曲压缩率[38]计较化简后的极点压缩率[；NNFu不异的极点压缩率操纵方式3化简岸线至与，[40]如表 8所示各化简成果的位置误差；复删除藐小弯曲操纵方式4重，好不大于NNFu化简成果为止直至化简后岸线的弯曲压缩率恰，置误差见表 9各化简成果的位。

　　栅格表达形式图像是要素的，觉的感知对象常作为机械视。的图形特征外除明白可怀抱，文情况的客观感触感染及其激发的难以形式化描述的学问中影响极点选择的要素还隐含于制图员对包含极点上下。极点在内必然区域的栅格图像在视觉分辩率束缚下提取包含，到的极点上下文情况能够看作是人眼感触感染；对人眼感触感染极点上下文情况指点极点选择的模仿操纵机械进修方式从栅格图像中感知极点选择是，点选择恍惚学问的操纵涵盖了对潜在影响顶。

　　的极点选择样本集建立基于图形特征。形特征的极点选择样本采用三元法记实基于图，极点即〈，形特征极点图，环境〉选择。点vi对于顶，形特征项计较图，={FV1(vi)记为FV(vi),…,(vi)}FV18；编码[21]标识表记标帜极点选择环境采用独热(One-Hot)，ti1记为[,∈{[1ti2],]0,0[,]}1，[1此中,vi被保留0]暗示，0[,vi被删除1]暗示。据la、lb对于锻炼数，通过与化简后线要素lb的婚配关系鉴定化简火线要素la各极点的选择环境能够，照文献[9]具体方式参。a各极点遍历l，本集{〈vi获得锻炼样,vi)FV(,i1[t,〉i∈[1ti2],]}na。

　　使用中在现实，型都阐扬了优良结果不是所有融合决策模，合决策模子还需进一步研究若何选择、权衡、注释融；外此，学问以加强智能方式可注释性和束缚性向智能化简模子中引入明白的地图分析，主要研究也是十分。此外特，识别、数据加强和其他分析算子中智能方式(如文献[4本文提出的图形、图像融合操纵的思绪还能用于指点模式,-2625,的优化升级42])。用的集成进修思绪沿着多特征融合利，征等愈加丰硕的特征项融合语义特征、三维特，收集[15]等愈加多元的机械进修算法集成图卷积神经收集[42]、生成匹敌，一步摸索都值得进。

　　层之间可具有若干躲藏层(3) 输入层和输出，包含若干神经元每个躲藏层内可，成多条理特征以指点极点选择可以或许操纵极点图形特征项生。

　　果的视觉感触感染上看(2) 从化简结，NFu都能融合操纵MV和MIPreFu、SVMFu和N，了劣势互补的结果在必然程度上起到。 8所示：对于区域1内的弧段部门测试弧段的化简结果如图，标化简成果愈加分歧MV的化简成果与目；2内的弧段对于区域，标化简成果愈加分歧MI的化简成果与目；1的成果与MV类似NNFu化简区域，成果与MI类似化简区域2的，融合操纵和劣势互补表现了对MI和MV；2的成果与MI类似SVMFu化简区域，简成果、但较着优于MI的化简成果化简区域1的成果略逊于MV的化，MV和MI的融合操纵在必然程度上表现了对；区域2的成果与MV类似PreFu化简区域1和，弧段的化简结果获得改善仅使区域1和区域2间，赖和对MI的操纵不足表示出对MV的严峻依。orff距离[34]、面积差[35]、符号堆叠率[36]、视觉缓冲区限差[15图8 部门测试弧段的化简成果(蓝色和红色曲线别离暗示原始岸线) 计较Hausd,化简成果间的类似性(表 3)34]怀抱模子化简成果与尺度，的全体化简结果量化评价各模子。中其，f距离、面积差越小Hausdorf，准化简成果越类似模子化简成果与标；觉缓冲区限差越大符号堆叠率、视，尺度成果越类似模子化简成果与，的线 mm符号堆叠率，辨距离设置为0.2 mm视觉缓冲区限差的最小可分。叠率上看从符号重，MV相差不大PreFu和，、面积差和视觉缓冲区限差上看但从Hausdorff距离，有比MV更接近于尺度化简成果PreFu生成的化简成果没，并不抱负融合结果；目标上看从所有，尺度化简成果的类似性都高于MV和MISVMFu和NNFu生成的化简成果与，果优良融合效；准化简成果具有最高的类似性且NNFu的化简成果与标，优的融合操纵做到了相对最。

　　矢量表达形式图形是要素的，、计较和阐发适于空间量测。、全体形态特征的怀抱化简离不开对要素局部，成果可以或许指点极点选择图形几何特征的怀抱。个图形特征项本文采用18，制3个条理怀抱影响极点选择的几何特征从临近极点关系、弯曲布局和全体形态控。中其，、垂距、弦长、弧长、面积、垂比弦和弧比弦的怀抱[9]基于临近极点的图形特征项包含对临近极点间距离、角度，线长度、深度、面积和布局条理的怀抱[17]基于弯曲的图形特征项包含对左、右弯曲的基，条理和外形节制程度的怀抱[18-19]基于全体形态节制的极点特征项包含对极点。和全体形态特征的描述这些目标包含了对局部，舍和全体形态节制点选择要素的怀抱涉及了影响临近极点选择、弯曲取，舍已有学问的操纵表现了对极点取。