Neo4j学习Day1

Neo4j入门:图数据库概念与安装教程

Neo4j学习Day1

1.概括

1.1 什么是图形数据库?

百度百科上对于图形数据库的描述:

图形数据库是NoSQL数据库的一种类型,它应用图形理论存储实体之间的关系信息。图形数据库是一种非关系型数据库,它应用图形理论存储实体之间的关系信息。最常见例子就是社会网络中人与人之间的关系。关系型数据库用于存储“关系型”数据的效果并不好,其查询复杂、缓慢、超出预期,而图形数据库的独特设计恰恰弥补了这个缺陷。

综上所述,其实图数据库就是以图形结构的形式存储数据的数据库。它包括储存节点、关系和属性方面我们所应用程序的数据,就像在表示表的“行、列”的形式存储数据。

Neo4j是其中流行的图形数据库之一,并且Neo4j是用Java语言编写的。

1.2 Neo4j的概述

  1. 开源
  2. Schema的自由(模式自由,即面向集合。意思是数据被分组存储在数据集中,被称为一个集合)
  3. 没有SQL
  4. 图形数据库

接下来是RDBMS(关系数据库管理系统)和图形数据库的比较:

1RDBMS图形数据库
2
3节点
4列、数据属性、价值
5约束关系
6加盟穿越

1.3 图数据结构的主要组成部分

  • 节点
  • 关系
  • 属性

如下是所给示例:

如上图所示,用圆节点。用箭头表示关系,并且关系是双向。同样的在属性(键 - 值对)来代表节点的数据。 在上图例子中已经表示的每个节点上的ID在节点的圈子。

2.下载安装

本内容主要针对在win10上的安装。

2.1 Java JDK安装

neo4j是用Java语言编写的图形数据库,运行时需要启动JVM进程。因此,需安装JAVA SE的JDK。JAVA SE JDK下载
安装好后以管理者模式下cmd输入java -version检查是否安装好。

以本文安装的4.2.6community版本为例子,起码要下载JDK15版本。版本过高会出现后续的调试错误。所以不同版本的Neo4j要先了解其所兼容的JDK版本。

2.2下载安装Neo4j

官网下载最新版Neo4j社区版(Community),可解压到自己想放的位置。

例如我放置的位置在于:D:\neo4j\neo4j-community-4.2.6-windows

其目录结构如下:

  • bin目录:用于存储Neo4j的可执行程序
  • conf目录:用于控制Neo4j启动的配置文件
  • data目录:用于存储核心数据库文件
  • plugins目录:用于存储Neo4j的插件

2.3 配置环境变量

  1. 在计算机->属性->高级系统设置->环境变量创建变量NEO4J_HOME,将主目录**(D:\neo4j\neo4j-community-4.2.6-windows)**设置为其中的变量值。
  2. 在系统Path中添加 %NEO4J_HOME%\bin 即可。

基本上配置JDK环境变量一致(将 NEO4J_HOME改成 JAVA_HOME%NEO4J_HOME%\bin 改成 %JAVA_HOME%\bin)

2.4 启动与停止

  1. 先进入CMD管理员身份运行,输入:neo4j.bat console 显示网页

  2. 将Neo4j安装为服务

    neo4j install-service
    neo4j uninstall-service  
    第一行为安装服务、第二行为卸载服务
    
  3. 启动服务,停止服务,重启服务和查询服务状态

    neo4j start
    neo4j stop
    neo4j restart
    neo4j status
    
  4. 浏览器打开网站,若显示出Neo4j界面,则安装成功。

    (HTTP链接器默认的端口号是7474,Bolt链接器默认的端口号是7687,必须在Windows 防火墙中允许远程主机访问这些端口号。)

总结

第一天先行简介的描述图数据库、Neo4j的特点和安装教程(只限制于社区版)。后续会开始介绍Neo4j的各个命令。

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Xiao艾扶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值