统计学教学的五图概括法

无论是自然科学、社会科学的理论研究,还是国家宏观和企业微观管理实践活动,甚至人们的日常生活,信息量日益增多,信息处理技术更加复杂,作为信息技术支柱的统计方法,也越来越广泛地受到人们的重视。随着各种统计分析软件的纷纷问世和多媒体教学手段的广泛运用,传统的教学观念和手段方法已开始显得陈旧。本文提出的统计学教学五图概括法打破了传统教学法中比较僵硬的章、节、目编排体例,通过五幅简约的图形既直观地概括了概念体系错综复杂的统计学的全部内容,又充分体现了统计科学的完整性和严密性,同时也为进一步研发教材、多媒体和统计分析软件"三结合"的教学方法提供了一个有益的开端和框架。

一种有效的加权图聚集算法

图聚集(图概括)技术是解决大规模网络的有效技术之一.现实生活中,这些图不仅规模大,而且边可能带有权重,当前图聚集算法很少或未考虑边的权重或边存在的概率等信息,导致聚集图与原图的误差大.为了提高加权图的图聚集的质量和效率,对加权图的图聚集算法进行了研究.为此引入超图邻接矩阵分组的权重值一致性来衡量边权重的一致性,定义压缩率衡量图聚集算法的空间效率,使用误差率衡量聚集图与原图的误差;通过控制图的误差率来控制图的压缩质量,并与现有图聚集算法进行了对比.实验论证了本文图聚集算法的有效性.

分类图斑概括的一种自适应方法——以遥感图像土地利用分类为例

从遥感图像监督分类结果到矢量对象的转换是遥感技术领域的一个瓶颈问题。提出了一种"分类图斑自适应概括"(Self-adaptive Generalization of Classified patch,SGCP)的方法,是针对这一问题的新尝试。SGCP能实现从破碎图斑到完整图像对象的自动转换,它由如下运算组成:(1)以形态学开启和形状系数分离道路与其他不透水表面;(2)以面积过滤和数学形态学操作去除噪声,以使图斑完整;(3)以递归凸残差回补简化图斑边界;(4)以膨胀和面积占优方法消除图斑裂隙;(5)以凸节点减少率评估图斑概括度,并同时以面积保持和分类精度保持评估概括精度;直至形成指定概括度的对象。概括运算的主要参数(如结构元素尺寸、递归次数、邻域窗口尺寸等)均由计算机自适应确定,同时预留部分用户调节参数,在自动概括的同时,允许人工干预概括程度。经Matlab仿真测试,该方法可以在保持分类精度与获取概括对象之间取得较好平衡。当图斑简化度上升22.9%时,面积平均变化仅为2.7%,分类精度仅平均下降0.72%。