墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
764平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Matlab教程：使用地理坐标指定地图范围
在地理信息系统中，经纬度是最基本的地理坐标，因此很多时候我们需要用到地图库来绘制地图。Matlab提供了丰富的地图函数，其中geoshow函数可以帮助我们将地图上的数据以地理坐标的形式展示出来。本文将介绍如何使用Matlab中的geoshow函数按照地理坐标指定地图范围。
首先，我们需要下载一个地图文件，Matlab官网提供了世界、欧洲、非洲、大洋洲等多个地图文件供用户选择下载，下载链接如下：
https://www.mathworks.com/matlabcentral/fileexchange/64303-worldmap-toolbox
使用Matlab绘制山东省各个市地理分区示意图
我们可以在Matlab中使用自带的地图数据集，也可以从网上下载相应的地理数据集。这里，我们使用了`parula`函数生成一个包含5种颜色的颜色映射，然后遍历每个市，根据所属地理分区用不同颜色绘制市。这里，`cn_province.shp`是自带的中国行政区划数据集文件，`Shandong`是我们要获取的省份名称。这里，`FaceColor`参数设置地图颜色为灰色，`LineWidth`参数设置线宽为1。% 根据地理分区用不同颜色绘制市。% 根据地理分区用不同颜色绘制市。% 获取市的名称和所属地理分区。
Matlab：使用地理坐标区指定地图范围
Matlab：使用地理坐标区指定地图范围
Matlab：使用地理坐标范围指定地图区域
在Matlab中，您可以使用地理坐标范围来指定您感兴趣的地图区域。通过指定地理坐标范围，您可以在地图上显示特定区域的数据或进行分析。函数来创建一个地理坐标范围对象，并指定其经度和纬度范围。通过以上步骤，您可以在Matlab中使用地理坐标范围来指定地图区域，并显示特定区域的地图数据。一旦显示了地图，您可以添加其他地理数据来进行进一步的分析或可视化。函数来显示指定地理坐标范围的地图。请注意，上述代码仅为示例，您可以根据自己的数据和需求进行适当的修改和扩展。这些函数可以使用地理坐标范围来限制数据的显示区域。
Matlab：使用纬度和经度数据创建地图
Matlab：使用纬度和经度数据创建地图
Matlab：自定义地理坐标区的布局
Matlab：自定义地理坐标区的布局
Matlab：地理坐标区和地理图中的平移和缩放行为
在Matlab中，我们可以通过调整地理坐标区的范围来实现地理图的平移和缩放。对于地理图，我们可以直接对纬度和经度数据进行平移和缩放操作。本文将介绍如何在Matlab中实现地理坐标区和地理图的平移和缩放行为，并提供相应的源代码示例。在上述代码中，我们首先创建了一个地理坐标区，使用了’Mercator’投影，并定义了地图的纬度和经度范围。作为纬度和经度的平移量，并将海岸线的纬度和经度数据分别加上这些平移量，从而实现了平移。作为缩放因子，并将海岸线的纬度和经度数据分别乘以该因子，从而实现了缩放。
Matlab自定义地理坐标区的布局
在这个示例中，我们使用了axesm函数来创建地理坐标轴。参数’eqdazim’指定了投影类型，'Origin’指定了地图的中心点坐标为南极（-90,0），'FLatLimit’和’FLonLimit’分别指定了纬度和经度范围，'Grid’参数用于绘制网格线，'MLineLocation’和’PLineLocation’参数则分别用于指定经纬度刻度的间隔。其中，Mapping Toolbox是一个功能强大的工具箱，它提供了许多有用的函数和工具，可用于处理各种类型的地理数据，并在Matlab中创建漂亮的地图。
MATLAB制作地图：基础篇（兼容旧版本）
在这篇文章中，我们将通过MATLAB的强大功能来创建一个全球城市分布图。你将学习如何使用地图投影、地理坐标和样式化的标记来制作一个引人注目的地图，无论你使用的MATLAB版本是新是旧，都能轻松兼容。我们选取了六个不同的城市：纽约、洛杉矶、伦敦、东京、悉尼和新德里。这些城市的经纬度数据将帮助我们将它们定位到地图上，并且我们将按城市类型（大型、中型、新兴）进行分类，以便后续在地图上加以区分。 2. 定义城市分类 为了让城市的类型更直观，我们为不同类型的城市定义了三种标记样式：大型城市：红色圆圈中型城市：蓝
geoshow函数分析
学习MATLAB地图绘制的人们可以参考一下，这里展示了MATLAB中geoshow函数几种不同用法的区别
手把手式介绍 ADNI 影像数据下载
1.搜索 1.1登录 打开ADNI的官网：http://adni.loni.usc.edu/，进入下面的界面。 点击 DATA&SMPLES 下的 ACCESS DATA AND SAMPLES，如下图。 页面跳转以后点击中间的“LOGIN”，这时会跳出一个新的界面，然后在右上角输入自己的帐号、密码即可。如果没有权限可以跳转到第2部分看看如何申请权限。 登录以后选择DOWNLOAD下的 Image Collections就是搜索下载影像数据，其他还有一些学习测试数据和遗传数据。 1.2 sea
01、【solidworks】windosws正在配置solidworks问题及注册表未卸载干净问题解决
windosws正在配置solidworks问题及注册表未卸载干净问题解决
LSTM cell结构的理解和计算
LSTM是传统RNN网络的扩展，其核心结构是其cell单元，网上LSTM的相关资料繁多，质量参差不齐，下面主要结合LSTM神经网络的详细推导和 Christopher Olah的blog两篇文章中的内容进行说明。主要介绍网络如何计算，为何这么算先不展开:)。前者一副图加上29个公式，简洁明了；后者娓娓道来，适合初学者。首先是LSTM cell最常见的结构图： 这是变形的版本（找不到更清晰的版本了），
用C#完成最小二乘法拟合平面方程，再计算点到面的距离
【代码】用C#完成最小二乘法拟合平面方程，再计算点到面的距离。
Objective-C实现人工势场法（附完整源码）
Objective-C实现人工势场法（附完整源码）
【电源专题】案例：对比不同电池在不同电流下的电池放电曲线
无
14、Java 中 TAF 和 FCF 的使用及 Oracle 数据库升级与迁移指南
本文详细介绍了Java中实现高可用性的TAF（透明应用故障转移）和FCF（快速连接故障转移）技术，以及如何将Oracle 9iR2 RAC环境升级到10gR2 RAC，并将数据从OCFS迁移到ASM。通过示例代码和操作步骤，帮助开发者和数据库管理员更好地应对数据库故障和数据迁移问题，提升系统的可用性和性能。
数字图像处理 基于matlab、opencv计算图像的梯度方向和梯度幅值
图像可以被视为标量场（即二维函数）。通过微分将标量场转换为矢量场。梯度是一个向量，描述了在x或y方向上移动时，图像变化的速度。我们使用导数来回答这样的问题，图像梯度的大小告诉图像变化的速度，而梯度的方向告诉图像变化最快的方向。因为梯度有方向和大小，所以将这些信息编码为向量是很自然的。该向量的长度提供了梯度的大小，而其方向提供了梯度方向。因为梯度在每个位置可能不同，所以我们在每个图像位置用不同的向量来表示它。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1382
扫一扫
