Nghiên cứu nâng cao độ chính xác của mô hình số độ cao grid bằng mạng neuron Hopfield

Luận án tiến sĩ nghiên cứu nâng cao độ chính xác mô hình số độ cao dạng grid bằng mạng neuron Hopfield, ứng dụng hiệu quả trong xử lý dữ liệu địa hình.

Người đăng

Ẩn danh

Thể loại

Luận án tiến sĩ kỹ thuật

2021

182
0
0

Phí lưu trữ

45 Point

Mục lục chi tiết

LỜI CAM ĐOAN

1. CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VỀ MÔ HÌNH SỐ ĐỘ CAO, MẠNG NEURON VÀ ỨNG DỤNG MẠNG NEURON HOPFIELD TRONG CÁC BÀI TOÁN TỐI ƯU HÓA

1.1. Tổng quan về mô hình số độ cao

1.1.1. Các khái niệm và định nghĩa về mô hình số độ cao

1.1.2. Các cấu trúc của mô hình số độ cao (DEM)

1.1.3. Các phương pháp thành lập mô hình số độ cao (DEM)

1.1.4. Độ chính xác bề mặt mô hình số địa hình (DEM)

1.1.5. Các ứng dụng của mô hình số độ cao

1.1.6. Công tác thành lập DEM ở trong và ngoài nước

1.1.7. Một số nghiên cứu về cải thiện và đánh giá độ chính xác DEM

1.2. Tổng quan về mạng neuron

1.2.1. Cấu tạo của một neuron sinh học

1.2.2. Nguyên lý hoạt động của các neuron

1.2.3. Khái niệm và cấu trúc của mạng neuron nhân tạo

1.2.4. Phân loại mạng neuron

1.2.5. Đặc điểm của mạng neuron nhân tạo

1.2.6. Ứng dụng của mạng neuron nhân tạo

1.2.7. Mạng neuron Hopfield

1.2.8. Ứng dụng mạng neuron Hopfield trong các bài toán tối ưu hóa

1.3. Luận giải về tăng độ phân giải không gian grid DEM

1.4. Một số nghiên cứu tiêu biểu về tăng độ phân giải không gian và tăng độ chính xác DEM

1.5. Kết luận chương 1

2. CHƯƠNG 2: KHẢO SÁT VỀ KHẢ NĂNG TĂNG ĐỘ CHÍNH XÁC CỦA GRID DEM BẰNG CÁC THUẬT TOÁN TÁI CHIA MẪU

2.1. Các phương pháp đánh giá độ chính xác của grid DEM

2.1.1. Phương pháp đánh giá trực quan

2.1.2. Phương pháp đánh giá định lượng

2.2. Một số thuật toán tái chia mẫu (Resampling) phổ biến nhằm tăng độ phân giải không gian cho DEM dạng grid

2.2.1. Phương pháp tái chia mẫu Bilinear (song tuyến)

2.2.2. Phương pháp nội suy dựa vào điểm lân cận gần nhất (Nearest Neighbor)

2.2.3. Phương pháp tái chia mẫu Bi-cubic

2.2.4. Phương pháp nội suy Kriging

2.3. Thực nghiệm tăng độ phân giải không gian của mô hình số độ cao DEM dạng grid bằng các thuật toán tái chia mẫu phổ biến

2.3.1. Dữ liệu và thực nghiệm

2.3.2. Phân tích về độ chính xác

2.4. Kết luận chương 2

3. CHƯƠNG 3: NGHIÊN CỨU NÂNG CAO ĐỘ CHÍNH XÁC CỦA MÔ HÌNH SỐ ĐỘ CAO DẠNG GRID BẰNG PHƯƠNG PHÁP SỬ DỤNG MẠNG NEURON HOPFIELD

3.1. Cơ sở khoa học của việc ứng dụng mạng neuron Hopfield để tăng độ phân giải không gian và độ chính xác của mô hình số độ cao dạng grid

3.2. Mạng neuron Hopfield ứng dụng cho siêu phân giải bản đồ (super-resolution mapping/sub-pixel mapping)

3.2.1. Xây dựng mô hình

3.2.2. Thiết lập các hàm mục tiêu và điều kiện

3.2.3. Xây dựng thuật toán nâng cao độ chính xác của mô hình số độ cao dạng grid

3.3. Xây dựng mô hình mạng neuron Hopfield nhằm tăng độ phân giải không gian của mô hình số độ cao DEM dạng grid

3.4. Sơ đồ khối của thuật toán

3.5. Thiết kế chương trình tăng độ phân giải không gian và nâng cao độ chính xác của grid DEM sử dụng mạng neuron Hopfield

3.6. Thực nghiệm tăng độ phân giải không gian và độ chính xác của mô hình số độ cao dạng grid bằng phương pháp sử dụng mạng neuron Hopfield (mô hình HNN đã biến đổi)

3.6.1. Dữ liệu thực nghiệm

3.6.2. Kết quả thực nghiệm, phân tích độ chính xác

3.6.3. Đánh giá trực quan

3.6.4. Đánh giá định lượng

3.6.5. So sánh độ chính xác về độ cao giữa các DEM sau khi tăng độ phân giải bằng thuật toán mạng neuron Hopfield và các phương pháp tái chia mẫu với các điểm độ cao kiểm tra được đo bằng máy toàn đạc điện tử

3.7. Kết luận chương 3

KẾT LUẬN VÀ KIẾN NGHỊ

DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA TÁC GIẢ

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mô hình số độ cao và mạng neuron Hopfield

Mô hình số độ cao (DEM) là công cụ quan trọng trong việc mô hình hóa bề mặt địa hình, được ứng dụng rộng rãi trong các lĩnh vực như đo đạc bản đồ, thủy văn, và quản lý tài nguyên. Mạng neuron Hopfield là một mạng nơ-ron nhân tạo có khả năng giải quyết các bài toán tối ưu hóa, đặc biệt trong việc nâng cao độ chính xác của dữ liệu không gian. Nghiên cứu này tập trung vào việc kết hợp hai công nghệ này để cải thiện độ chính xác của DEM dạng grid.

1.1. Khái niệm và cấu trúc của mô hình số độ cao

Mô hình số độ cao (DEM) biểu diễn bề mặt địa hình dưới dạng lưới các điểm có giá trị độ cao. Cấu trúc grid của DEM cho phép dễ dàng lưu trữ và phân tích dữ liệu. DEM được xây dựng từ nhiều nguồn khác nhau như LiDAR, SRTM, và đo đạc thực địa. Độ chính xác của DEM phụ thuộc vào phương pháp thu thập và xử lý dữ liệu.

1.2. Nguyên lý hoạt động của mạng neuron Hopfield

Mạng neuron Hopfield là mạng nơ-ron nhân tạo có khả năng học và tối ưu hóa dữ liệu. Mạng này sử dụng các hàm mục tiêu để điều chỉnh giá trị đầu ra, giúp cải thiện độ chính xác của dữ liệu. Trong nghiên cứu này, mạng neuron Hopfield được áp dụng để tăng độ phân giải và độ chính xác của DEM dạng grid.

II. Phương pháp tái chia mẫu và đánh giá độ chính xác

Các phương pháp tái chia mẫu như Bilinear, Nearest Neighbor, Bi-cubic, và Kriging được sử dụng để tăng độ phân giải của DEM dạng grid. Nghiên cứu này đánh giá hiệu quả của các phương pháp này thông qua các chỉ số như sai số trung phương (RMSE)sai số tuyệt đối.

2.1. Phương pháp tái chia mẫu Bilinear và Nearest Neighbor

Phương pháp Bilinear sử dụng nội suy tuyến tính để ước tính giá trị độ cao tại các điểm mới. Nearest Neighbor lấy giá trị độ cao từ điểm gần nhất. Cả hai phương pháp đều đơn giản nhưng có hạn chế về độ chính xác khi xử lý các địa hình phức tạp.

2.2. Phương pháp tái chia mẫu Bi cubic và Kriging

Bi-cubic sử dụng nội suy bậc ba để tăng độ chính xác của DEM. Kriging là phương pháp địa thống kê, dựa trên mối quan hệ không gian giữa các điểm dữ liệu. Kriging cho kết quả chính xác hơn nhưng đòi hỏi nhiều tài nguyên tính toán.

III. Ứng dụng mạng neuron Hopfield để nâng cao độ chính xác DEM

Nghiên cứu đề xuất sử dụng mạng neuron Hopfield để tăng độ phân giải và độ chính xác của DEM dạng grid. Mạng này sử dụng các hàm mục tiêu và điều kiện để điều chỉnh giá trị độ cao, giúp cải thiện độ chính xác của DEM so với các phương pháp truyền thống.

3.1. Xây dựng mô hình mạng neuron Hopfield

Mô hình mạng neuron Hopfield được thiết kế để tăng độ phân giải của DEM bằng cách chia nhỏ các ô lưới và xác định giá trị độ cao mới. Hàm mục tiêu được sử dụng để tối ưu hóa giá trị độ cao, đảm bảo độ chính xác cao hơn.

3.2. Thực nghiệm và đánh giá kết quả

Thực nghiệm được thực hiện trên các bộ dữ liệu DEM từ LiDARSRTM. Kết quả cho thấy mạng neuron Hopfield giảm đáng kể sai số trung phương (RMSE) so với các phương pháp tái chia mẫu truyền thống. Điều này chứng tỏ hiệu quả của phương pháp trong việc nâng cao độ chính xác của DEM.

IV. Kết luận và ứng dụng thực tiễn

Nghiên cứu đã chứng minh rằng mạng neuron Hopfield là công cụ hiệu quả để nâng cao độ chính xác của DEM dạng grid. Phương pháp này có tiềm năng ứng dụng rộng rãi trong các lĩnh vực như quản lý tài nguyên, dự báo lũ lụt, và quy hoạch đô thị.

4.1. Giá trị thực tiễn của nghiên cứu

Nghiên cứu cung cấp một phương pháp mới để cải thiện độ chính xác của DEM, đặc biệt trong điều kiện dữ liệu đầu vào có độ phân giải thấp. Điều này giúp giảm chi phí và thời gian thu thập dữ liệu độ cao.

4.2. Hướng phát triển trong tương lai

Trong tương lai, nghiên cứu có thể mở rộng ứng dụng mạng neuron Hopfield cho các loại dữ liệu không gian khác như ảnh viễn thám và bản đồ địa chất. Đồng thời, cần tối ưu hóa thuật toán để giảm thời gian tính toán và nâng cao hiệu quả.

01/03/2025
Luận án tiến sĩ nghiên cứu nâng cao độ chính xác của mô hình số độ cao dạng grid bằng mạng neuron hopfield research on accuracy improvement of the grid digital elevation model using hopfield neuron network

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VỀ MÔ HÌNH SỐ ĐỘ CAO, MẠNG NEURON VÀ ỨNG DỤNG MẠNG NEURON HOPFIELD TRONG CÁC BÀI TOÁN TỐI ƯU HÓA 1.1 Tổng quan về mô hình số độ cao 1.1 Các khái niệm và định nghĩa về mô hình số độ cao Mô hình số độ cao – Digital Elevation Model (DEM) thể hiện bề mặt địa hình dưới dạng 3D theo các định dạng số. Bề mặt địa hình 3D được mô hình hóa bằng một hàm có dạng z = f(x, y) trong đó mỗi điểm (x, y) trong mặt phẳng D được gắn với một giá trị độ cao f(x, y). Theo quan điểm này, bề mặt địa hình là đồ thị biểu thị hàm số f theo các biến số là giá trị thuộc D [48]. Trên thực tế, bề mặt địa hình sẽ được đại diện bằng một số lượng hữu hạn các điểm trên bề mặt D theo các dạng như các ô vuông đều, các điểm rải rác hoặc các điểm gắn với đường bình độ (là mặt cắt của bề mặt địa hình với các mặt phẳng nằm ngang).

Tuy về mặt định nghĩa thì khái niệm bề mặt địa hình dạng số được định nghĩa khá rõ ràng, trong các tài liệu hiện nay vẫn có thể có các biến thể khác nhau bao gồm: mô hình số độ cao (Digital Elevation Model - DEM), mô hình số địa hình (Digital Terain Model - DTM) và mô hình số bề mặt (Digital Surface Model - DSM). Vì vậy trước tiên cần phải hiểu rõ và phân biệt được các khái niệm DEM, DTM và DSM. Mô hình số bề mặt (DSM) là một mô hình số độ cao miêu tả bề mặt mặt đất, bao gồm cả các đối tượng vật thể trên đó như cây, rừng, nhà cửa…[45], [44] và [26]. Mô hình số bề mặt (DSM) và mô hình số địa hình (DTM) [13] Mô hình số địa hình (DTM) và mô hình số độ cao (DEM) cũng là các mô hình số miêu tả bề mặt mặt đất nhưng không bao gồm các đối tượng vật thể trên đó.

Giữa mô hình số địa hình (DTM) và mô hình số độ cao (DEM) thì sự phân biệt không thật sự rõ ràng. Mặc dù lúc đầu mô hình số độ cao (DEM) được xây dựng với mục đích là để mô hình hóa bề mặt địa hình nhưng chúng cũng có thể được dùng để mô hình hóa các thuộc tính Z khác (nhiệt độ bề mặt nước biển, nhiệt độ, mật độ ô nhiễm không khí…) trên một bề mặt hai chiều. Mô hình số độ cao (DEM) và mô hình số địa hình (DTM) 10 Đã có nhiều nghiên cứu nói đến các khái niệm, định nghĩa về DEM [28], [27], [70], [45],… Chúng ta có thể tóm tắt như sau: Khi nói tới DEM là muốn chỉ một tập hợp của các điểm độ cao, còn khi nói về DTM thì ngoài các điểm độ cao còn có thêm thông tin về độ cao của các yếu tố địa hình nổi bật (các đường breaklines). Một cách khái quát, chúng ta có thể định nghĩa về DEM như sau: mô hình số độ cao – Digital Elevation Model (DEM) là phương pháp mô hình hóa bề mặt địa hình cũng như cho phép hiển thị bề mặt địa hình trong hệ tọa độ không gian ba chiều [63].

DEM miêu tả bề mặt địa hình bằng các hàm đơn trị Z = F(X,Y). Với bất cứ giá trị (X,Y) nào chỉ có một giá trị độ cao Z được xác định trong một DEM [87]. Định nghĩa này giúp chúng ta phân biệt được giữa DEM mô tả bề mặt địa hình và các mô hình 3D. Các bề mặt hoặc các vật thể (ví dụ như các mô hình nhà, các chi tiết máy,.) được mô tả trong mô hình 3D, với một vị trí (X,Y) có thể có nhiều hơn một giá trị Z.

Còn trong mô hình số độ cao DEM, khi mô tả bề mặt địa hình, trừ trường hợp địa hình đặc biệt như các vách đá dựng đứng hay các đứt gãy khác, còn lại bề mặt địa hình đều được mô tả bởi các hàm đơn trị nói trên.2 Các cấu trúc của mô hình số độ cao (DEM) Cấu trúc cơ bản của DEM xuất phát từ mô hình dữ liệu được sử dụng để đại diện cho nó. Có nhiều phương thức khác nhau để tạo ra bề mặt DEM như sử dụng mô hình DEM dạng grid, mô hình các tam giác không đều TIN (Triangulation Irregular Network) hoặc sử dụng mô hình toán học. Trong các công tác thu thập, lưu trữ và thể hiện, các dữ liệu độ cao số thường được chia thành 4 loại cơ bản là: các đường bình độ, các mặt cắt, mạng lưới đều (GRID) và mạng lưới tam giác không đều (TIN) [87]. Trong các phương pháp trên, mô hình DEM dạng grid được sử dụng nhiều vì có dạng thức đơn giản và dễ dàng sử dụng để phân tích thông tin bề mặt [18].

Hình 1-3(b) minh họa các đường bình độ được tạo nên bởi một số các điểm rời rạc. Hình 1-3(c) 11 biểu diễn các điểm độ cao thuộc một mặt cắt. Các phương pháp biểu diễn dữ liệu độ cao số [87] 1.1 Mô hình số độ cao dạng GRID Ở DEM dạng GRID, các giá trị Z tại vị trí của mỗi pixel là giá trị của độ cao tuyệt đối. Khi đó, bề mặt đất có thể được xem như bị chia ra thành các ô vuông nhỏ bởi có một mạng lưới phủ đều lên.

Khoảng cách giữa các mắt lưới là khoảng cách giữa hai điểm nút kế tiếp nhau. Khi khoảng cách giữa các mắt lưới đã được xác định thì mỗi ô vuông trong mạng lưới có thể được xác định vị trí bằng các tọa độ hàng/cột, có thể lấy góc cao bên trái của mạng lưới làm gốc tọa độ - tương tự như cấu trúc của ảnh số. Khi khoảng cách giữa các mắt lưới và số hàng/số cột được xác định thì các điểm nút được lưu trữ bằng cách tăng thứ tự của hàng và cột [87]. Grid DEM là cấu trúc ma trận ngầm ghi lại quan hệ Topo giữa các điểm dữ liệu và giá trị độ cao được lưu trữ tại mỗi điểm nút nói trên.

Trong Grid DEM, các mắt lưới được 12 Hình 1-5. DEM dạng grid biểu thị bề mặt địa hình bằng các ô vuông, mỗi ô vuông có môt giá trị độ cao đại diện cho độ cao của các điểm nằm trong ô vuông đó và DEM dạng grid biểu thị bề mặt địa hình bằng mạng lưới nối các điểm độ cao được phân bố đều theo hàng dọc và ngang [61] Hình 1-4. DEM dạng GRID có cấu trúc như một ảnh dạng raster trong đó bề mặt chia thành các ô vuông và mỗi ô vuông có một giá trị độ cao [34] thể hiện theo hai hình thức: hoặc là lưu trữ theo điểm (các điểm độ cao) như trong DEM của Mỹ, hoặc là cả một pixel với kích thước là khoảng cách mắt lưới như DEM 9” của Úc. Theo Singare và Kale [42], Grid là cấu trúc ma trận ngầm ghi lại quan hệ Topo giữa các điểm dữ liệu.

Cấu trúc dữ liệu DEM dạng Grid tương tự như cấu trúc Raster của file ảnh số. Trong đó, Raster là một grid dạng số, thống nhất, hình vuông, bao phủ một diện tích nhất định trên bề mặt trái đất. Mỗi pixel của 13 DEM dạng grid có một giá trị độ cao nhất định là giá trị độ cao trung bình đại diện cho toàn bộ các điểm mà pixel đó bao phủ được trên bề mặt trái đất [89]. Các Grid DEM có nhiều loại kích thước nhưng phổ biến nhất là từ 5m đến 30m.

Nếu thể hiện bề mặt địa hình dưới dạng 3D có thể thấy bề mặt địa hình sẽ được sấp sỉ hóa bằng các hình trụ vuông mà chiều cao của hình trụ chính là độ cao so với bề mặt chuẩn (có thể là mặt geoid) như Hình 1-5. Theo cách biểu thị này, bề mặt địa hình sẽ càng được mô phỏng chính xác khi kích thước các ô vuông (mắt lưới) càng nhỏ. Và như vậy một bề mặt địa hình sẽ được biểu diễn bằng một hoặc nhiều ảnh có cấu trúc dữ liệu dạng raster với mỗi điểm ảnh (pixel) tương ứng với một ô vuông trong lưới ô vuông GRID và giá trị Z của mỗi điểm ảnh chính là giá trị độ cao của ô vuông trong lưới ô vuông GRID [34]. Một cách biểu thị GRID DEM khác là việc sử dụng một ma trận các điểm tạo thành lưới ô vuông đều, trong đó mỗi điểm đỉnh lưới ô vuông là một điểm độ cao.

Nếu biểu diễn DEM dạng GRID theo cách này thì bề mặt địa hình 3D sẽ được biểu diễn như hình vẽ bên trái trong Hình 1-5 trong đó bề mặt địa hình tương đối trơn và giống với bề mặt địa hình thực. Khác với GRID DEM biểu thị theo cách đầu tiên, dữ liệu GRID DEM lưu trữ theo cách này sẽ là dữ liệu dạng vector, trong đó mỗi điểm mắt lưới sẽ là một đối tượng dữ liệu dạng điểm với thuộc tính là Z. Cách biểu thị GRID DEM này có ưu điểm là mô hình bề mặt 3D khá trơn và mượt, có cảm giác giống bề mặt địa hình thực, tuy nhiên dữ liệu lưu trữ theo cấu trúc dữ liệu vector và về bản chất cũng tương tự như mô hình số độ cao dạng mạng lưới tam giác không đều (TIN) do vậy có những nhược điểm của mô hình số độ cao dạng TIN như khó thực hiện phân tích không gian bề mặt địa hình, bề mặt mô hình số địa hình là một bề mặt rời rạc, mỗi khi cần xác định độ cao của một điểm địa hình bất kỳ sẽ phải nội suy lại dữ liệu để xác định giá trị độ cao cho điểm này. Mặt khác, dữ liệu gốc để xây dựng DEM có độ phân giải trung bình, có quy mô lớn và phổ biến hiện nay chủ yếu là dữ liệu ảnh, do đó dữ liệu GRID DEM theo định dạng raster được sử dụng nhiều và rất phổ biến.2 Mô hình số độ cao dạng TIN Mô hình số độ cao ở dạng TIN (Triangulated Irregular Networks) đã được phát triển như là một cách đơn giản để xây dựng một bề mặt từ một tập hợp các điểm có sự phân bố không đều.

Cấu trúc dữ liệu dạng TIN dựa trên các điểm, đường, vùng có phân bố không đồng đều và thường được chia ra thành các đám điểm (mass points) và các đường breaklines [27]. Mạng TIN có thể được xây dựng từ nhiều nguồn dữ liệu: các đường bình độ được số hóa, các điểm đặc trưng địa hình hoặc từ Grid DEM. Trong cấu trúc này, thông thường các điểm không phản ánh các đặc trưng địa hình sẽ bị loại bỏ và chỉ giữ lại các đỉnh tam giác với giãn cách lớn nhất có thể, tùy theo sự thay đổi của địa hình (tam giác Delaunay).

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Tài liệu "Nâng cao độ chính xác mô hình số độ cao grid bằng mạng neuron Hopfield" trình bày một phương pháp cải thiện độ chính xác của mô hình số độ cao thông qua việc áp dụng mạng neuron Hopfield. Bài viết nhấn mạnh tầm quan trọng của việc tối ưu hóa dữ liệu địa lý và cách mà mạng neuron có thể xử lý và phân tích thông tin một cách hiệu quả. Độc giả sẽ tìm thấy những lợi ích rõ ràng từ việc áp dụng công nghệ này, bao gồm khả năng nâng cao độ chính xác trong các ứng dụng địa lý và quy hoạch đô thị.

Nếu bạn muốn mở rộng kiến thức về các ứng dụng của mạng neuron trong lĩnh vực an ninh mạng, hãy tham khảo tài liệu Luận văn thạc sĩ xây dựng mạng neuron trong phát hiện xâm nhập mạng. Ngoài ra, để tìm hiểu thêm về các kỹ thuật học sâu có thể áp dụng trong phân tích dữ liệu, bạn có thể xem tài liệu Luận văn thạc sĩ nghiên cứu phương pháp học sâu cho lọc cộng tác. Cuối cùng, nếu bạn quan tâm đến việc ứng dụng các thuật toán trong xử lý văn bản, tài liệu Luận văn thạc sĩ tóm tắt văn bản sử dụng các kỹ thuật trong deep learning sẽ cung cấp cho bạn cái nhìn sâu sắc hơn về lĩnh vực này.