边界信息是在神经网络哪里提取

1. 如何获取mapinfo中所有边界的点位信息

方案1：通过mapbasic代码实现读取图元节点
方案2：转存mif格式，用记事本打开，即可看到文本表示的节点坐标

2. 关于利用卷积神经网络提取文本特征，单层卷积和多层卷积有什么差别，哪一种好，该怎么去证明

关于利用卷积神经网络提取文本。大众单层卷积和多层卷积有什么区转差率，哪一种它有很大的差距？因为他们俩的方向是不同的。

3. 在Arcgis中，地形图中建筑物的边界能不能提取出来，如果能，如何提取

能，矢量化

4. bp神经网络分类预测边界约束条件如何确定

输入向量维数=输入层节点数 输出向量维数=输出层节点数 看来你是做三层网络，只有一个隐藏层。隐藏层节点数，传递函数选择都是开放课题。看你要解决什么问题。如果简单做demo，就自己尝试就可以了。

如果你认可我的回答，敬请及时采纳，
~如果你认可我的回答，请及时点击【采纳为满意回答】按钮
~~手机提问的朋友在客户端右上角评价点【满意】即可。
~你的采纳是我前进的动力
~~O(∩_∩)O，记得好评和采纳，互相帮助。

5. 如何利用卷积神经网络提取图像特征

卷积神经网络有以下几种应用可供研究： 1、基于卷积网络的形状识别 物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。 2、基于卷积网络的人脸检测 卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。 3、文字识别系统 在经典的模式识别中，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。

6. 用高程和等高线在arcgis中生成dem时，边界数据是什么啊从哪里可以过得边界数据

你要生成什么区域的dem，就用区域边界作为边界数据就行。

7. 如何用人工神经网络处理决策边界问题

神经网络给出的结果只能是带一定误差的结果，误差的大小取决于学习的次数、学习的样本数以及样本之间的偏差(标准差)。多次学习之后，神经网络就能够算出未知的值了，否则学习就没有意义了。例如图像识别，只要你让神经网络学习了模式之后，他自然会对于给定的输入(图像)来进行输出(模式匹配结果)如果不具备这个功能，那么你建立的网络就不是神经网络了。说明网络构建出插错了。

8. 神经网络模型的信息处理

人工神经网络对神经元的兴奋与抑制进行模拟，故而首先应了解神经元的兴奋与抑制状态。
一个神经元的兴奋和抑制两种状态是由细胞膜内外之间不同的电位差来表征的。在抑制状态，细胞膜内外之间有内负外正的电位差，这个电位差大约在-50— -100mv之间。在兴奋状态，则产生内正外负的相反电位差，这时表现为约60—100mv的电脉冲。细胞膜内外的电位差是由膜内外的离子浓度不同导致的。细胞的兴奋电脉冲宽度一般大约为1ms。神经元的兴奋过程电位变化如图1—3所示。
图1-3.神经元的兴奋过程电位变化 对神经细胞的研究结果表明：神经元的电脉冲几乎可以不衰减地沿着轴突传送到其它神经元去。
由神经元传出的电脉冲信号通过轴突，首先到达轴突末梢，这时则使其中的囊泡产生变化从而释放神经递质，这种神经递质通过突触的间隙而进入到另一个神经元的树突中。树突上的受体能够接受神经递质从而去改变膜向离子的通透性．使膜外内离子浓度差产生变化；进而使电位产生变化。显然，信息就从一个神经元传送到另一个神经元中。
当神经元接受来自其它神经元的信息时，膜电位在开始时是按时间连续渐渐变化的。当膜电位变化经超出一个定值时，才产生突变上升的脉冲，这个脉冲接着沿轴突进行传递。神经元这种膜电位高达一定阀值才产生脉冲传送的特性称阀值特性。
这种阀值特性从图1—3中也可以看出。
神经元的信息传递除了有阀值特性之外，还有两个特点。一个是单向性传递，即只能从前一级神经元的轴突末梢传向后一级神经元的树突或细胞体，不能反之。另一个是延时性传递．信息通过突触传递，通常会产生0.5-1ms的延时。 神经元对来自其它神经元的信息有时空综合特性。
在神经网络结构上，大量不同的神经元的轴突末梢可以到达同一个神经元的树突并形成大量突触。来源不同的突触所释放的神经递质都可以对同一个神经元的膜电位变化产生作用。因此，在树突上，神经元可以对不同来源的输入信息进行综合。这就是神经元对信息的空间综合特性。
对于来自同一个突触的信息，神经元可以对于不同时间传入的信息进行综合。故神经元对信息有时间综合特性。 从神经元轴突上传递的信息是等幅、恒宽、编码的离散电脉冲信号，故而是一个数字量。但在突触中神经递质的释放和树突中膜电位的变化是连续的。故而，这时说明突触有D/A功能。在神经元的树突膜电位高过一定阀值时，则又变成电脉冲方式由轴突传送出去。故而，这个过程说明神经元有A/D功能。
很明显，信息通过一个神经元传递时，神经元对信息执行了D/A、A/D转换过程。
从上面可知，神经元对信息的处理和传递有阀值，D/A、A/D和综合等一系列特性和功能。

9. 卷积神经网络每层提取的特征是什么样的

卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。

图：卷积神经网络的概念示范：输入图像通过和三个可训练的滤波器和可加偏置进行卷积，滤波过程如图一，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。

一般地，C层为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层（C-层）都紧跟着一个用来求局部平均与二次提取的计算层（S-层），这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。

10. 　人工神经网络与专题信息提取结合的方法

单一的神经网络仍存在如F主要问题：

（1）训练样本选择的适当与否对网络的训练至关重要，样本选择的适量将大大提高分类精度，减少训练时间。但是，训练样本的选择必须对整个特征空间上的总体分布具有代表性，并且样本次序的随机性也非常重要，网络应对训练集这一整体建立概念，而不是依次对单个训练样本进行识别，同时对随机样本进行训练可能产生噪声干扰，有时甚至人为地在训练样本中增加噪声干扰，以帮助网络收敛。

（2）网络学习速率、目标误差、最大循环次数等参数对于网络的学习训练存在显着的影响，需要经过大量实验才能够实现合理的选择。

图2.2试验区原始图像

针对单一的基于神经网络的分类方法存在的问题，我们提出了一种新的自动分类方法：人工神经网络与专题信息提取相结合的方法。该方法基本思路如下：

（1）专题信息提取：包括水体、居民点等。

（2）分层处理：从原图像中去除已提取的专题信息。

（3）神经网络分类：剩余地物信息再分类，分类处理将不受已提取信息的影响。

（4）分类信息归并处理。