دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: L. F. Pau (auth.), L. F. Pau (eds.) سری: NATO ASI Series 65 ISBN (شابک) : 9783642842177, 9783642842153 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 1990 تعداد صفحات: 360 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب نقشه برداری و مدل سازی فضایی برای ناوبری: هوش مصنوعی (شامل رباتیک)، ساختارهای داده، پردازش تصویر و بینایی کامپیوتر، مهندسی خودرو
در صورت تبدیل فایل کتاب Mapping and Spatial Modelling for Navigation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب نقشه برداری و مدل سازی فضایی برای ناوبری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
اجرای موفقیت آمیز برنامه های کاربردی در استدلال فضایی مستلزم توجه به نمایش داده های مکانی است. به طور خاص، یک برخورد یکپارچه و یکنواخت با ویژگیهای فضایی مختلف برای فعال کردن استدلال برای پیشبرد سریع ضروری است. در حال حاضر، رایج ترین ویژگی ها نقاط، مستطیل ها، خطوط، مناطق، سطوح و حجم ها هستند. به عنوان نمونه ای از یک کار استدلالی، پرس و جوی به شکل "همه شهرهای با جمعیت بیش از 5000 نفر را در مناطق کشت گندم در 10 مایلی رودخانه می سی سی پی بیابید." توجه داشته باشید که این پرس و جو بسیار پیچیده است. این نیاز به پردازش یک نقشه خط (برای رودخانه)، ایجاد یک راهرو یا حائل (برای یافتن منطقه در 10 مایلی رودخانه)، یک نقشه منطقه (برای گندم)، و یک نقشه نقطه (برای شهرها) دارد. استدلال فضایی با مرتبسازی مکانی دادهها (به عنوان مثال، یک شاخص فضایی) آسانتر میشود. در این مقاله نشان میدهیم که چگونه میتوان از ساختارهای داده سلسله مراتبی برای تسهیل این فرآیند استفاده کرد. آنها بر اساس اصل تجزیه بازگشتی (شبیه به روش های تقسیم و غلبه) هستند. در اصل، آنها در درجه اول به عنوان دستگاه هایی برای مرتب سازی داده های بیش از یک بعد و انواع فضایی مختلف استفاده می شوند. اصطلاح quadtree اغلب برای توصیف این دسته از ساختارهای داده استفاده می شود. در این مقاله، ما بر پیشرفتهای اخیر در استفاده از روشهای چهاردرختی تمرکز میکنیم. ما در درجه اول بر روی داده های منطقه تمرکز می کنیم. برای درمان گسترده تر این موضوع، به [SameS4a، SameSSa، SameSSb، SameSSc، SameSga، SameSgbj مراجعه کنید.
The successful implementation of applications in spatial reasoning requires paying attention to the representation of spatial data. In particular, an integrated and uniform treatment of different spatial features is necessary in order to enable the reasoning to proceed quickly. Currently, the most prevalent features are points, rectangles, lines, regions, surfaces, and volumes. As an example of a reasoning task consider a query of the form "find all cities with population in excess of 5,000 in wheat growing regions within 10 miles of the Mississippi River. " Note that this query is quite complex. It requires- processing a line map (for the river), creating a corridor or buffer (to find the area within 10 miles of the river), a region map (for the wheat), and a point map (for the cities). Spatial reasoning is eased by spatially sorting the data (i. e. , a spatial index). In this paper we show how hierarchical data structures can be used to facilitate this process. They are based on the principle of recursive decomposition (similar to divide and conquer methods). In essence, they are used primarily as devices to sort data of more than one dimension and different spatial types. The term quadtree is often used to describe this class of data structures. In this paper, we focus on recent developments in the use of quadtree methods. We concentrate primarily on region data. For a more extensive treatment of this subject, see [SameS4a, SameSSa, SameSSb, SameSSc, SameSga, SameSgbj.
Front Matter....Pages I-VIII
Mapping and Spatial Modelling for Navigation: A Survey....Pages 1-9
Spatial Data Structures — The Extension from One to Two Dimensions....Pages 11-39
Hierarchical Data Structures for Spatial Reasoning....Pages 41-58
A Spherical Model for Navigation and Spatial Reasoning....Pages 59-72
Tools for Geometric Data Acquisition and Maintenance....Pages 73-93
MARIS: Map Recognition Input System....Pages 95-116
Pattern Classification from Raster Data Using Vector Lenses, Neural Networks and Expert Systems....Pages 117-147
Toward Automatic Cartographic Feature Extraction....Pages 149-180
ICARE an Expert System for Automatic Mapping from Satellite Imagery....Pages 181-192
Understanding Images by Reasoning in Levels....Pages 193-202
Generation and Processing of Geomorphic Models....Pages 203-226
Local perception and navigation for mobile robots....Pages 227-243
Geometric Models for Navigation....Pages 245-258
Distributed Control for Collision Avoidance between Autonomous Vehicles....Pages 259-267
Improved navigation, spatial mapping, and obstacle avoidance capabilities for mobile robots and AGV’s....Pages 269-286
Approaches to Route Planning and Guidance in the United Kingdom....Pages 287-310
The Cause and Effect of the Demand for Digital Geographic Products....Pages 311-332
Spatial Modeling in a National Charting Agency....Pages 333-355
Research Interests at the Defense Mapping Agency....Pages 357-357
Back Matter....Pages 359-361