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
1.9w累计阅读
2w+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
AI摘要
本文探讨网络数据集创建过程中的连通性策略，包括边的连通性（Endpoint与AnyVertex）、交汇点连通性（Honor与Override），以及如何通过构建高程模型识别道路连通性。同时介绍了连通性组的概念，帮助读者理解如何根据数据特性选择合适的连通策略。
在刚学习使用网络分析时，大多数初学者都会将所有道路打断，然后再创建网络数据集。如果道路网比较复杂时，这样的做法是会出现问题的。
比如下图中的高架桥，如果数据都打断了，而且道路数据也没有高程值或是高程字段，那么在执行分析的时候就可能从高架桥直接驶向地面上的路了，这样的分析结果显然是不正确的。
那这个问题应该怎么解决呢？我们从数据的组织方式和网络数据集的连通性来分析，然后大家可以对照自己的数据情况，设置网络数据集的连通性。
网络使用道路数据创建网络数据集，道路数据就是网络数据集中的边。连接边的点就是交汇点。先来看边的连通性策略。
边有两种连通性策略：Endpoint(端点连通) 和 Any Vertex(任意折点连通)。
从上图中可以看出，两条道路，相交的地方有重合的结点：
- 如果选择任意折点的连通方式，可以表示十字路口。
- 如果选择端点连通方式，可以表示上下两层道路。
我们来看下演示动画：两条道路，相交的地方有重合的结点，设置断点连通和任意折点连通的结果。
制图工具（5）道路显示连通性检查
道路显示连通性检查工具用于找出不同显示级别下的道路数据，其存在不连通的位置和类型。
【arcgis】如何实现网络数据集的网络分析
网络分析是arcgis提供的重要的空间分析的功能，利用它可以模拟现实世界的网络问题。例如多个地点的最短路径问题。 在arcgis中，将地理网络模型分为两种：几何网络模型和网络数据集模型。由于本片文章研究的是网络数据集模型，所以暂时不说几何网络模型。 在网络数据集模型中，可以随意改变资源流动的方向，速度，终点等等。如驾驶员选择行车路线等等模拟交通网络。利用地理数据库中的要素类数据集或者shp文件
Arcgis软件应用（四）网络分析
什么是网络分析？ 在如今高度发达的移动互联网时代，我们或多或少都接触过网络分析，它频繁的出现在我们手机的软件中，当我们每一次发起导航都会用到我们今天所说的网络分析。 概念： 在GIS中，网络分析是指依据网络拓扑关系，通过考察网络元素的空间及属性数据，以数学理论模型为基础，对网络的性能特征进行多方面研究的一种分析计算。是研究一项网络工程如何安排，并使其运行效果最好，如一定资源的最佳分配...
ArcGIS网络分析之构建网络分析数据集(一)
说明： 1. 本文主要用于演示网络分析服务的搭建过程。所以在此不会深入讨论网络分析服务的每一个细节，本文的目的就是让初学者学会使用网络分析服务进行基本的分析(主要针对后续的WEB开发)：路径分析，最近设施点分析，以及服务区分析。 2.关于OD成本矩阵分析，多路径配送，位置分配分析不会在本文中讨论(注：REST GIS服务不支持OD成本矩阵分析，多路径配送，位置分配,只能在...
arcgis网络分析最短距离_ArcGIS 网络分析[2.1] 最短路径
最短路径求解【如果看到此博客还没有网络数据集的，请参考第一章的内容，点击我，看目录】最短路径，是什么最短？时间最短？距离最短？什么距离？路程距离？考虑到拥堵问题，限速问题，换乘问题，在现实的最短路径远远比计算机中的最短路径要复杂，因为要考虑的因素太多了。这些因素就叫作最短路径求解过程中的“阻抗”，和电阻阻碍电流类似。最短路径是后面几个分析类型的基础，只有求得了最短路径，才知道能覆盖多大地方(服务区...
ArcGIS教程：了解连通性
建立 ArcGIS Network Analyst 扩展模块中的连通性要从定义连通性组开始。每个边源只能被分配到一个连通性组中，每个交汇点源可被分配到一个或多个连通性组中。
STM32G474实战：数字LLC电源控制程序从零到跑通（附完整代码解析）
本文详细介绍了基于STM32G474微控制器开发数字LLC电源控制程序的完整实战流程。从硬件平台搭建、CubeMX工程配置，到核心控制逻辑、双速率中断框架、数字PID实现，再到Burst模式、状态机等高级策略与异常处理，提供了从零到跑通的系统化指南与代码解析，助力开发者掌握高效数字电源的程序编写与调试技巧。
长安车机破解后能干啥？分享我的UNI-K车机安装第三方应用与优化体验实录
本文详细记录了长安UNI-K车机破解后的实用玩法与深度优化指南，包括安装第三方应用、导航体验升级、影音系统改造及系统美化等。通过工具箱和升级技巧，车主可以大幅提升用车体验，解锁更多隐藏功能。
RPG MV游戏数据修改指南：从JSON解析到脚本进阶
游戏数据修改是游戏开发与逆向工程中的常见实践，其核心原理在于解析和操作游戏资源文件。许多现代游戏引擎采用结构化数据格式（如JSON）存储游戏配置，这为外部修改提供了可能。通过理解文件结构、数据格式与游戏逻辑的关联，开发者或爱好者可以调整游戏平衡、修复问题或实现个性化定制，这不仅能深化对游戏设计机制的理解，也具备实际的技术学习价值。本文以基于Web技术栈的RPG Maker MV（RPG MV）引擎为例，其游戏数据多以明文JSON存储，结构清晰。文章将具体阐述如何安全地修改角色属性、物品效果、敌人数据及技能公
Linux命令行入门：从零掌握服务器运维与Shell脚本基础
在信息化时代，操作系统是数字世界的基石，而终端命令行则是高效驾驭服务器的核心技能。无论是软件部署、服务监控还是故障排查，掌握基于Shell的指令操作都能大幅提升工程效率。从最基础的文件目录管理、文本处理，到权限控制、进程监控与网络调试，命令行提供了一套强大且可自动化的操作范式。尤其对于运维工程师和开发者而言，理解管道、重定向以及脚本化任务，意味着将重复劳动转化为可复用的自动化流程。本文从环境准备讲起，系统梳理常用Linux命令的实际场景与输出验证，并延伸至Shell脚本编写与定时任务，帮助初学者快速建立从操
MATLAB和S7-1200PLC水箱液位高度PID控制联合仿真(KEPserverOPC通信应用)
SMART PLC 向导PID的详细介绍请查看下面文章链接：S7-200 SMART PLC PID向导详细介绍(如何实现P、PD、PID控制器)-优快云博客文章浏览阅读1k次。这篇博客主要介绍SMART PLC PID向导的使用，PID控制相关的其它内容请查看专栏系列文章，常用链接如下：SMART PLC PID负压控制（过程量为负数）_负压控制pid控制程序_RXXW_Dor的博客-优快云博客1、如何实现PID反作用调节？S7-1200PLC和KEPserver OPC通信-优快云博客。
【STK】手把手教你利用STK进行仿真-STK软件简介02 STK专业分析模块
STK/Astrogator是一个交互式轨道机动和深空探测计划工具，用于飞行器运行及任务分析，通过定义推力模型、目标星历、飞行器姿态，提供轨道机动的解决及优化方案。应用Astrogator分析轨道机动的可见性和地面站覆盖，用户可以快速、方便地进行全局分析。任务控制序列保存在STK场景中，用于任务运行、快速制定精确轨道机动方案。为在轨运行的飞行器制定或执行机动计划时，分析人员可以根据飞行过程数据，如发动机定标参数、实际初始轨道，计算出推进器点火和点火时机数据，用于发出指令及精炼机动计划。
Unity插件NodeCanvas之行为树的详细教程
NodeCanvas 是一个用于 Unity 的可视化脚本工具，主要用于游戏开发中的行为树、状态机和流程图的设计。它通过节点编辑器的方式，让开发者可以更直观地创建和管理游戏逻辑，减少了传统编码的复杂性。今天我们就来详细介绍一下NodeCanvas插件。
无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程
当您遇到类似于"无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程"的错误消息时，请按照上述步骤来解决问题。当您尝试加载文件C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1时，可能会遇到类似于"无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程"的错误消息。请注意，更改执行策略可能会带来一些安全风险。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1861
扫一扫
