资源简介
城市增长模型(UGM)对于城市的可持续发展非常重要,因为它们基于当前情景预测了未来的城市化进程。 实践证明,基于神经网络的元胞自动机模型可以预测城市的增长,使其更加接近现实。 最近,基于深度学习的技术正用于预测城市增长。 在本研究中,使用2010年和2013年城市地图的基于神经网络的元胞自动机(NN-CA)模型和基于深度信念的元胞自动机(DB-CA)模型来预测2017年钦奈都会区的城市增长。 由于研究区域经历了城市增长的拥堵类型,仅2013年的“现有建筑”就被用作城市化的代理来预测2017年的城市增长。经过验证,DB-CA模型被证明是更好的模型,因为它与仅预测502.42 km2的城市(kap
代码片段和文件信息
相关资源
- 吴恩达神经网络和深度学习,第一课
- 深度神经网络的工具类和数据集dnn_
- 深度学习:CNN卷积神经网络讲解pdf
- 粒子群优化BP神经网络的权值和阈值
- PCNN+形态学降噪
- 深信服2017AD渠道初级认证考卷_A卷-7
- 血管图像分割
- lstm长短时记忆神经网络PPT
- 基于改进的广义回归神经网络的态势
- 5篇关于bp神经网络与pid的学术论文
- 深信服IPSEC_WOC渠道初级认证A卷
- 基于概率神经网络的模式识别.pdf
- 深信服初级AD-A卷
- BP神经网络实现手写体数字识别
- SOM神经网络.zip
- 深信服AD 初级认证考试 B卷
- 《RapidMiner数据分析与挖掘实战》第
- 深信服2017年AD初级A卷
- 2017IPSEC&WOC;渠道高级认证考卷_A卷66分
- 基于卷积神经网络的车牌字符识别_董
- 神经网络算法在自适应卡尔曼滤波器
- 基于BP神经网络的高斯模糊图像复原方
- 深信服虚拟化认证B卷
- 并行化实现基于BP神经网络的手写体数
- Neural_Networks_for_Applied_Sciences_and_Engin
- SSL高级B.docx
- BP神经网络识别语音特征
- 神经网络与深度学习中文版
- bp神经网络手写字符汉字识别
- 深信服AC初级认证考试题库.pdf
评论
共有 条评论