空间数据也被称作地理信息或地理空间数据,用来标识空间实体在地球上的地理位置、边界、大小等信息的数据,它可以用来描述来自现实世界的对象,诸如海洋、城市、道路等。空间数据一般采用对象的坐标和拓扑结构等形式存储,并可用地图进行展现。空间数据一般通过地理信息系统(GIS)进行分析和使用。空间数据分析已经广泛应用在植物种群分布、动物迁徙分析、城市犯罪地理分析、交通路网分析、地震灾害监测等领域。随着社会进步和科技的发展,空间数据搜集的手段越来越丰富,各行业搜集和存储的空间数据呈爆炸性增长趋势。空间数据的急剧增长给传统的空间数据处理方法带来严峻的挑战。针对大规模空间数据处理的需求,本文主要研究如何提高空间大数据集的分析效率,重点研究了基于神经计算的空间数据处理方法。神经计算是一类重要的仿生计算方法,它模拟生物神经网络的运行机制来处理现实中的各种问题。本文主要研究了脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)在空间数据处理中的应用方法。主要研究内容为:1.研究了空间数据的简化,提出了一种基于脉冲耦合神经网络的空间点数据简化方法。设计了一种改进的PCNN模型,通过该模型可以快速搜索空间点数据集的边界,同时能够有效识别数据噪声。该方法是一种通用的数据简化算法,获得的简化集可以用于多种不同的数据分析算法,并具有较高的泛化精度。2.研究了LS-SVM (Least Squares Support Vector Machine)的稀疏化方法。LS-SVM与传统SVM相比,只需求解一套线性方程组而避免了凸二次优化问题,但其缺点是丢失了SVM的稀疏性。为了增强LS-SVM的稀疏性,本文提出了一种基于支持向量预选的LS-SVM稀疏化方法。与已有的一些LS-SVM稀疏化方法相比,本方法避免了迭代的裁减过程且对LS-SVM稀疏性的增强效果明显。3.研究了路网的最短路径优化方法。针对大规模路网分析的实时性需求,提出了两种基于脉冲耦合神经网络的快速路径搜索方法。第一种模型被称为竞争脉冲耦合神经网络模型(CPCNN),该模型具有一种On-forward / Off-backward的局部竞争机制。在其自动波传播过程中,重要的神经元点火被加强激励,无意义的点火事件被明显抑制。因此,这种模型能明显降低搜索空间,提高搜索效率。第二种模型被称为双源脉冲耦合神经网络模型(DSPCNN),它具有两个点火源和两列并行传播的自动波,其搜索空间也比现有的一些模型小,搜索效率较高。4.研究了基于序列图像的运动分割方法。提出了一种基于非均匀采样密度聚类的运动分割方法。针对帧差法的运动检测结果,将其转化为空间数据集,然后对其进行非均匀采样,最后利用基于密度的空间聚类进行运动分割。该方法能有效平滑帧差图中不同运动区域运动像素间的密度差异,并能显著减少原始运动像素的数量,因而能获得高质量的运动分割结果,并且分割效率较高。上述研究主要致力于提高空间数据分析的效率和质量,使得一些基于大规模空间数据的处理任务能够有效的实现。研究成果表明,本文的方法能够改善一些空间数据分析任务的效率,具有一定的应用价值。