第九章智能化空间教材.pptVIP

模糊查询语言中有些词放在另一些单词前面，用来调整、修饰原来的词义，这些词可看成是一种算子。算子有很多类型，经常使用的有语气算子、模糊化算子和判定化算子。 （1）语气算子：如“极”、“非常”、“相当”、“比较”等，放在另一些词前面，可以修饰这些词的肯定程度； （2）模糊化算子：“大概”、“近乎”、“大约”等词缀在一个单词前面，可以把该词的意义模糊化； （3）判定化算子：“偏向”、“多半是”、“倾向于”等词的作用为化模糊为比较粗糙的判断，故称为判定化算子。 结构化查询语言SQL是标准的关系查询语言，其一般形式为： SELECT 字段名 FROM 表名 WHERE 查询条件 例如，某区域水库状况的数据库文件如表9.3所示。若查询集雨面积为320 km2、总库容为3.54亿m3、年均发电量为4200万千瓦时的水库，用标准SQL可表示如下： SELECT 水库 FROM 表9.3 WHERE 集雨面积=320 AND 总库容=3.54 AND 年均发电量= 4 200 查询结果为{水库3}。 若要查询集雨面积较大、总库容约为3.5亿m3、年均发电量偏低的水库，用模糊扩展SQL可表示如下： SELECT 水库 FROM 表9.3 WHERE 集雨面积=‘较大’AND 总库容=‘约3.5’ AND 年均发电量=‘偏低’ 模糊查询的关键是如何将模糊扩展SQL查询语言转化为标准SQL形式。主要有两种转化方法： （1）正向法 按查询条件将要查询的字段值代入相应的隶属函数中，计算出隶属度表，设定总隶属度阈值，再进行隶属度查询。 （2）反向法 通过给定一个隶属度的值，计算出该隶属度阈值相应字段的取值范围，再将该取值范围取代原来字段应满足的“模糊”条件。 ① 解译扩展SQL 语句，将SELECT和FROM部分原封不动地拷入相应的标准SQL； ② 提取扩展SQL语句中的WHERE部分，将其存入一字符串； ③ 对该字符串进行解译，提取出每一字段名和等号后字符串部分。逐一显示字段名和字段名后的字符串部分，由用户选择适当的隶属函数。若系统中缺乏合适的隶属函数，用户可以自行键入。然后，由用户给出适当的隶属阈值，系统将自动计算出相应的字段取值范围并取代等号后的字符串部分，再通过AND和OR组成标准SQL的WHERE语句。 地理现象和过程的非平衡性、多尺度性、层次性、不确定性、自相似性、随机性、交互性等特点决定了地理空间是一个复杂性系统。研究具有描述、模拟空间复杂现象的新一代空间分析模型，是地理学重要课题之一。非线性理论和方法对于模拟和揭示具有非线性、自组织性、开放性等特征的地理复杂系统及其规律具有明显的优势。 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。 又称为人工神经系统（Artificial Neural System，ANS）、神经网络（Neural System，NN）、自适应系统（Adaptive Systems）、自适应网（Adaptive Networks）、联接模型（Connectionism）等。它是一个并行的分布处理结构，由多个处理单元及其联结的无向讯号通道互连而成。这些处理单元（Processing Element，PE）具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出联结，这个输出可以根据需要被分支成希望个数的许多并行联结，且这些并行联结都输出相同的信号，即相应处理单元的信号大小不因分支的多少而改变。 人工神经网络 基于人工神经网络的地理分类问题一般可在GIS中建立空间信息库，选取样本数据，训练Kohonen’s SOM，然后对“未知”样本进行分类预测和容错检验。 Kohonen’s SOM(自组织人工神经网络模型)模型凭藉较强的识别能力、处理非线性问题的适应性更适合于多因子非线性判别分类问题，即使输入信息误差增大，模型也不会引起分类的错误。 （1）初始化：定义数据源几何维度和神经元阵列的大小； （2）每个神经元有一个权重向量（Weight），设定这些权重的初始值； （3）选择一个数据案例，该案例包含变量值并且对数据应用任何相关的度量噪声； （4）寻找距离该数据案