邊界信息是在神經網路哪裡提取

1. 如何獲取mapinfo中所有邊界的點位信息

方案1：通過mapbasic代碼實現讀取圖元節點
方案2：轉存mif格式，用記事本打開，即可看到文本表示的節點坐標

2. 關於利用卷積神經網路提取文本特徵，單層卷積和多層卷積有什麼差別，哪一種好，該怎麼去證明

關於利用卷積神經網路提取文本。大眾單層卷積和多層卷積有什麼區轉差率，哪一種它有很大的差距？因為他們倆的方向是不同的。

3. 在Arcgis中，地形圖中建築物的邊界能不能提取出來，如果能，如何提取

能，矢量化

4. bp神經網路分類預測邊界約束條件如何確定

輸入向量維數=輸入層節點數 輸出向量維數=輸出層節點數 看來你是做三層網路，只有一個隱藏層。隱藏層節點數，傳遞函數選擇都是開放課題。看你要解決什麼問題。如果簡單做demo，就自己嘗試就可以了。

如果你認可我的回答，敬請及時採納，
~如果你認可我的回答，請及時點擊【採納為滿意回答】按鈕
~~手機提問的朋友在客戶端右上角評價點【滿意】即可。
~你的採納是我前進的動力
~~O(∩_∩)O，記得好評和採納，互相幫助。

5. 如何利用卷積神經網路提取圖像特徵

卷積神經網路有以下幾種應用可供研究： 1、基於卷積網路的形狀識別 物體的形狀是人的視覺系統分析和識別物體的基礎，幾何形狀是物體的本質特徵的表現，並具有平移、縮放和旋轉不變等特點，所以在模式識別領域，對於形狀的分析和識別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識別是三維圖像識別的基礎。 2、基於卷積網路的人臉檢測 卷積神經網路與傳統的人臉檢測方法不同，它是通過直接作用於輸入樣本，用樣本來訓練網路並最終實現檢測任務的。它是非參數型的人臉檢測方法，可以省去傳統方法中建模、參數估計以及參數檢驗、重建模型等的一系列復雜過程。本文針對圖像中任意大小、位置、姿勢、方向、膚色、面部表情和光照條件的人臉。 3、文字識別系統 在經典的模式識別中，一般是事先提取特徵。提取諸多特徵後，要對這些特徵進行相關性分析，找到最能代表字元的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。

6. 用高程和等高線在arcgis中生成dem時，邊界數據是什麼啊從哪裡可以過得邊界數據

你要生成什麼區域的dem，就用區域邊界作為邊界數據就行。

7. 如何用人工神經網路處理決策邊界問題

神經網路給出的結果只能是帶一定誤差的結果，誤差的大小取決於學習的次數、學習的樣本數以及樣本之間的偏差(標准差)。多次學習之後，神經網路就能夠算出未知的值了，否則學習就沒有意義了。例如圖像識別，只要你讓神經網路學習了模式之後，他自然會對於給定的輸入(圖像)來進行輸出(模式匹配結果)如果不具備這個功能，那麼你建立的網路就不是神經網路了。說明網路構建出插錯了。

8. 神經網路模型的信息處理

人工神經網路對神經元的興奮與抑制進行模擬，故而首先應了解神經元的興奮與抑制狀態。
一個神經元的興奮和抑制兩種狀態是由細胞膜內外之間不同的電位差來表徵的。在抑制狀態，細胞膜內外之間有內負外正的電位差，這個電位差大約在-50— -100mv之間。在興奮狀態，則產生內正外負的相反電位差，這時表現為約60—100mv的電脈沖。細胞膜內外的電位差是由膜內外的離子濃度不同導致的。細胞的興奮電脈沖寬度一般大約為1ms。神經元的興奮過程電位變化如圖1—3所示。
圖1-3.神經元的興奮過程電位變化 對神經細胞的研究結果表明：神經元的電脈沖幾乎可以不衰減地沿著軸突傳送到其它神經元去。
由神經元傳出的電脈沖信號通過軸突，首先到達軸突末梢，這時則使其中的囊泡產生變化從而釋放神經遞質，這種神經遞質通過突觸的間隙而進入到另一個神經元的樹突中。樹突上的受體能夠接受神經遞質從而去改變膜向離子的通透性．使膜外內離子濃度差產生變化；進而使電位產生變化。顯然，信息就從一個神經元傳送到另一個神經元中。
當神經元接受來自其它神經元的信息時，膜電位在開始時是按時間連續漸漸變化的。當膜電位變化經超出一個定值時，才產生突變上升的脈沖，這個脈沖接著沿軸突進行傳遞。神經元這種膜電位高達一定閥值才產生脈沖傳送的特性稱閥值特性。
這種閥值特性從圖1—3中也可以看出。
神經元的信息傳遞除了有閥值特性之外，還有兩個特點。一個是單向性傳遞，即只能從前一級神經元的軸突末梢傳向後一級神經元的樹突或細胞體，不能反之。另一個是延時性傳遞．信息通過突觸傳遞，通常會產生0.5-1ms的延時。 神經元對來自其它神經元的信息有時空綜合特性。
在神經網路結構上，大量不同的神經元的軸突末梢可以到達同一個神經元的樹突並形成大量突觸。來源不同的突觸所釋放的神經遞質都可以對同一個神經元的膜電位變化產生作用。因此，在樹突上，神經元可以對不同來源的輸入信息進行綜合。這就是神經元對信息的空間綜合特性。
對於來自同一個突觸的信息，神經元可以對於不同時間傳入的信息進行綜合。故神經元對信息有時間綜合特性。 從神經元軸突上傳遞的信息是等幅、恆寬、編碼的離散電脈沖信號，故而是一個數字量。但在突觸中神經遞質的釋放和樹突中膜電位的變化是連續的。故而，這時說明突觸有D/A功能。在神經元的樹突膜電位高過一定閥值時，則又變成電脈沖方式由軸突傳送出去。故而，這個過程說明神經元有A/D功能。
很明顯，信息通過一個神經元傳遞時，神經元對信息執行了D/A、A/D轉換過程。
從上面可知，神經元對信息的處理和傳遞有閥值，D/A、A/D和綜合等一系列特性和功能。

9. 卷積神經網路每層提取的特徵是什麼樣的

卷積神經網路是一個多層的神經網路，每層由多個二維平面組成，而每個平面由多個獨立神經元組成。

圖：卷積神經網路的概念示範：輸入圖像通過和三個可訓練的濾波器和可加偏置進行卷積，濾波過程如圖一，卷積後在C1層產生三個特徵映射圖，然後特徵映射圖中每組的四個像素再進行求和，加權值，加偏置，通過一個Sigmoid函數得到三個S2層的特徵映射圖。這些映射圖再進過濾波得到C3層。這個層級結構再和S2一樣產生S4。最終，這些像素值被光柵化，並連接成一個向量輸入到傳統的神經網路，得到輸出。

一般地，C層為特徵提取層，每個神經元的輸入與前一層的局部感受野相連，並提取該局部的特徵，一旦該局部特徵被提取後，它與其他特徵間的位置關系也隨之確定下來；S層是特徵映射層，網路的每個計算層由多個特徵映射組成，每個特徵映射為一個平面，平面上所有神經元的權值相等。特徵映射結構採用影響函數核小的sigmoid函數作為卷積網路的激活函數，使得特徵映射具有位移不變性。

此外，由於一個映射面上的神經元共享權值，因而減少了網路自由參數的個數，降低了網路參數選擇的復雜度。卷積神經網路中的每一個特徵提取層（C-層）都緊跟著一個用來求局部平均與二次提取的計算層（S-層），這種特有的兩次特徵提取結構使網路在識別時對輸入樣本有較高的畸變容忍能力。

10. 　人工神經網路與專題信息提取結合的方法

單一的神經網路仍存在如F主要問題：

（1）訓練樣本選擇的適當與否對網路的訓練至關重要，樣本選擇的適量將大大提高分類精度，減少訓練時間。但是，訓練樣本的選擇必須對整個特徵空間上的總體分布具有代表性，並且樣本次序的隨機性也非常重要，網路應對訓練集這一整體建立概念，而不是依次對單個訓練樣本進行識別，同時對隨機樣本進行訓練可能產生雜訊干擾，有時甚至人為地在訓練樣本中增加雜訊干擾，以幫助網路收斂。

（2）網路學習速率、目標誤差、最大循環次數等參數對於網路的學習訓練存在顯著的影響，需要經過大量實驗才能夠實現合理的選擇。

圖2.2試驗區原始圖像

針對單一的基於神經網路的分類方法存在的問題，我們提出了一種新的自動分類方法：人工神經網路與專題信息提取相結合的方法。該方法基本思路如下：

（1）專題信息提取：包括水體、居民點等。

（2）分層處理：從原圖像中去除已提取的專題信息。

（3）神經網路分類：剩餘地物信息再分類，分類處理將不受已提取信息的影響。

（4）分類信息歸並處理。